VerdictPal
Beitreten
← Alle Tools
Zitieren
DOSSIER · Systematische Reviews · LIGHTWEIGHT · GEPRÜFT 12. Okt. 2026
ASReview LAB70LightweightLokales Active-Learning-Screening für systematische ReviewsGeprüft 2026-10-12

Dossier · Systematische Reviews

ASReview LAB

Das Modell sortiert den Lesestapel. Es bescheinigt dir nicht, dass du fertig bist.

Was ist ASReview LAB?

Entscheidung

Lokales Active-Learning-Screening für systematische Reviews

Nehmen, wenn
  • Promovierende und Bibliotheksmitarbeitende, die Tausende Titel und Abstracts anhand festgelegter Einschlusskriterien prüfen
  • Reviews, bei denen die Methode nachvollziehbar und die Literaturdaten auf dem eigenen Rechner oder Hochschulserver bleiben sollen
Meiden, wenn
  • Du brauchst Volltextprüfung, Datenextraktion, Bewertung des Verzerrungsrisikos und PRISMA-Bericht in einer einzigen Plattform
  • Du kannst weder Python noch Docker installieren und hast keinen Zugang zu einer Hochschulinstallation
Kosten
Kostenlos und Open Source unter Apache-2.0.
Privacy
ASReview LAB läuft auf deinem Rechner oder auf einem Server, den du beziehungsweise deine Hochschule betreibt.

Achten auf Viele irrelevante Einträge hintereinander beweisen nicht, dass keine relevante Studie mehr übrig ist. Ein früher Abbruch kann Studien übersehen; die Anzeige hat keine voreingestellte Schwelle, und laut Dokumentation wird die ideale Schwelle noch erforscht.

Mit Rayyan vergleichenWie wir bewerten

Synthetisiert8 QuellenPreise geprüft 12. Okt. 2026Datenschutz geprüft 12. Okt. 2026

Was diese Labels bedeuten
Redaktioneller Fit
0–100-Desk-Score für den Forschungs-Workflow. Keine Sterne, kein Benchmark.
Evidenzstufe
Wie nah der Desk war: self-run, hands-on, synthesized oder Vendor-Claim.
Dossier-Tiefe
Flagship, Solid, Lightweight und Draft sagen, wie fertig die Seite ist — nicht, welches Tool das beste ist.
Prüfdatum
Wann Preise oder Privacy zuletzt an der Quelle geöffnet wurden. Keine Neubewertung des ganzen Dossiers.
Benchmark-Status
Ausstehend heisst: noch kein relevanter First-Party-Test veröffentlicht. Das ist kein negativer Score.

Glossar öffnen · Methodik lesen

ASReview ist kostenlose Open-Source-Software für KI-gestütztes Screening in systematischen Reviews. Sie steht unter der Apache-2.0-Lizenz; die Koordination liegt bei der Universität Utrecht. Die Modelle priorisieren Einträge anhand deiner Relevanzbewertungen. Du triffst die Screening-Entscheidungen und entscheidest, wann du aufhörst. Geprüft am 13. Oktober 2026.

Rolle: Lokales Active-Learning-Screening für systematische ReviewsKategorie: Systematische ReviewsSynthetisiert
ASReview LAB auf einen Blick, mit Prüfdatum pro Feld.
FeldWert
Redaktioneller Fit70 von 100
Dossier-StatusLightweight
SetSystematische Reviews
Rolle im WorkflowLokales Active-Learning-Screening für systematische Reviews
PreiseASReview LAB Kostenlos
Training mit deinen DatenIm lokalen Standardbetrieb trainiert ASReview ein Modell mit den Relevanzbewertungen deines Projekts. Das ist lokales Active Learning, kein Training in einer Anbietercloud. Laut Entwicklerteam erfasst ASReview LAB keine Nutzungs- oder Nutzerdaten. Bei einem selbst betriebenen Server verantwortet der Betreiber die Datenumgebung. Erweiterungen und gehostete Demos musst du gesondert prüfen; ihre externen API-Aufrufe sind hier nicht verifiziert. Quellen: ASReview-Einführung und PyPI, geprüft am 12.10.2026 (im Quellenverzeichnis verlinkt).
Zuletzt geprüft2026-10-12

Öffentliche Fakten · Anbieter & Repo

Listenpreise und Pay-as-you-go-Einstieg, die wir ohne eigenen Bench zitieren können. Jede Kachel verlinkt eine Quelle, wenn möglich.

Kostenlos, Apache-2.0SoftwarelizenzPyPI, 12.10.2026 ↗

Limits & Produktumfang

Nicht-Preis-Angaben des Anbieters — Multiplikatoren, Caps und API-Umfang. Details in Abo- und SDK-Abschnitten unten.

Version und Laufzeitumgebung
3.0.8; Python ab 3.10.PyPI ↗
Quellcode
Open Source unter github.com/asreview/asreview, auf PyPI verlinkt.PyPI-Projektlinks ↗
Screening-Entscheidung
Das Modell sortiert; der Mensch bewertet die Relevanz.Aktuelle Dokumentation ↗
Abbruchschwelle
Nicht voreingestellt; die ideale Schwelle wird noch erforscht.Fortschrittsdokumentation ↗
KI-Training
Das lokale Modell lernt aus Projektbewertungen; laut Entwicklerteam werden keine Nutzungs- oder Nutzerdaten erfasst. API-Aufrufe von Erweiterungen sind ungeprüft.PyPI und Einführung ↗
RIS-Export
Nur verfügbar, wenn der Datensatz als RIS importiert wurde.Exportdokumentation ↗

So funktioniert es · Agenten-Schleife

Die öffentliche Positionierung dieses Produkts — die Schleife, gegen die wir auf VerdictPal bewerten.

Suchergebnisse vorbereiten

Lege Einschlusskriterien fest und sammle Literaturdaten ausserhalb von ASReview. Prüfe Titel, Abstracts und Dubletten vor dem Import als CSV, RIS oder Excel; das Modell kann eine übersehene Studie nicht nachträglich in die Suche aufnehmen.

Installieren und starten

PyPI setzt Python ab 3.10 voraus und nennt pip install asreview zur Installation. Starte die lokale Oberfläche mit asreview lab. Lege ein Projekt an und bewerte relevante wie irrelevante Einträge für das Starttraining; SAFE empfiehlt eine zufällige Einstiegsstichprobe statt ausschliesslich vertrauter Studien.

Screenen und Abbruchplan prüfen

Wende deine Kriterien auf jeden vorgeschlagenen Eintrag an, während das Modell die Rangfolge aktualisiert. Vereinbare eine Abbruchstrategie und beobachte den Fortschritt; die Entscheidung bleibt beim Menschen. Eine lange Folge irrelevanter Einträge ist ein Hinweis, kein Beweis für Vollständigkeit.

Entscheidungen exportieren, nicht Vollständigkeit behaupten

Exportiere Bewertungen und Projekt, bewahre Datensatz und Einstellungen auf und dokumentiere den Abbruchgrund. Der Export unterscheidet ungeprüfte von irrelevanten Einträgen. Übergib passende Einträge an die Volltextprüfung und beschreibe die KI-Unterstützung nachvollziehbar im Methodenbericht.

Für wen es passt, wo es scheitert

Passt für

  • Promovierende und Bibliotheksmitarbeitende, die Tausende Titel und Abstracts anhand festgelegter Einschlusskriterien prüfen
  • Reviews, bei denen die Methode nachvollziehbar und die Literaturdaten auf dem eigenen Rechner oder Hochschulserver bleiben sollen
  • Studierende ohne Lizenzbudget, die Python installieren können oder Unterstützung beim eigenen Serverbetrieb haben
  • Methodenprojekte, die Active-Learning-Modelle an einem vollständig bewerteten Datensatz vergleichen

Meiden, wenn

  • Du brauchst Volltextprüfung, Datenextraktion, Bewertung des Verzerrungsrisikos und PRISMA-Bericht in einer einzigen Plattform
  • Du kannst weder Python noch Docker installieren und hast keinen Zugang zu einer Hochschulinstallation
  • Niemand im Review-Team kann eine Abbruchregel begründen und dokumentieren
  • Du erwartest, dass das Tool Studien findet, die deine Datenbanksuche gar nicht erfasst hat

Stärken

  • Titel- und Abstract-Screening mit menschlicher Relevanzbewertung
  • Active-Learning-Rangfolge auf Basis deiner Bewertungen
  • Import von Datensätzen aus CSV, RIS und Excel
  • Vorab bewertete Einträge als Startwissen für das Modell
  • Vorkonfigurierte ELAS-Modelle und eigene Modellkomponenten
  • Simulation mit vollständig bewerteten Datensätzen
  • Bearbeitbare Bewertungen, Tags und Screening-Notizen
  • Automatisches Ausblenden doppelter Titel und Texte in Version 3
  • Fortschrittsanzeige mit selbst festgelegter Abbruchschwelle
  • Export von Bewertungen und Einträgen als CSV, TSV, Excel oder RIS
  • Export und erneuter Import eines vollständigen .asreview-Projekts
  • Selbst betriebener LAB Server mit Anmeldung und mehreren Prüfenden

Schwächen

  • Viele irrelevante Einträge hintereinander beweisen nicht, dass keine relevante Studie mehr übrig ist. Ein früher Abbruch kann Studien übersehen; die Anzeige hat keine voreingestellte Schwelle, und laut Dokumentation wird die ideale Schwelle noch erforscht.
  • Das Modell kann nur die importierten Einträge sortieren. Eine lückenhafte Suche oder fehlende Titel und Abstracts können relevante Studien aus der nutzbaren Screening-Menge ausschliessen.
  • Deine Bewertungen trainieren die Rangfolge. Die SAFE-Publikation warnt, dass ausschliesslich vertraute Schlüsselstudien als Startwissen das Modell verzerren können, und empfiehlt eine zufällige Trainingsstichprobe.
  • Kostenlose Software braucht trotzdem Installation und Wartung. Das aktuelle Paket setzt Python ab 3.10 voraus; beim gemeinsamen Server muss jemand Betrieb und Zugriffsrechte verantworten.
  • Screening ist nicht das gesamte Review. Volltexte auf Eignung prüfen, Daten extrahieren, Verzerrungsrisiken bewerten und die Methode berichten musst du weiterhin gesondert.
  • Das automatische Ausblenden von Dubletten in Version 3 verändert, was beim Screening erscheint. Laut PyPI lassen sich ausgeblendete Dubletten mit exportieren; die sichtbare Screening-Anzahl ersetzt keinen vollständigen Dublettenbericht.

Wie es besser werden könnte

  • Metadata quality could be improved with a verification layer that cross-checks imported records against authoritative databases before they enter the library.
  • Einrichtungsaufwand liegt bei 40/100 — die schwächste Dimension in diesem Dossier. Eine Verbesserung würde den redaktionellen Fit spürbar erhöhen.
  • Zuverlässigkeit liegt bei 0/100 — die schwächste Dimension in diesem Dossier. Eine Verbesserung würde den redaktionellen Fit spürbar erhöhen.

Suchmodi · 4 Linsen

Eine Eingabe, viele Abruf-Haltungen. Nach Stufe filtern.

01Kostenlos

Screening mit Active Learning

Das Modell sortiert Datensätze nach deinen Relevanzbewertungen neu; Open Source, läuft lokal.

02Kostenlos

Dubletten & Tags

v3 blendet Dubletten automatisch aus und unterstützt bearbeitbare Tags.

03Kostenlos

Abbruchentscheidung

Du entscheidest, wann du aufhörst; die Sortierung bescheinigt keine Vollständigkeit.

04Kostenlos

LAB Server

Selbst betriebener Mehrnutzerbetrieb; der Betreiber verantwortet Speicherung und Zugriff.

Wettbewerbslinse

Wo ASReview LAB bei zitierter Recherche gewinnt — und wo ein Rivale im Stack bleibt.

ASReviews belegter Unterschied liegt im kostenlosen, nachvollziehbaren Active Learning auf dem eigenen Rechner oder Server. Es ist nicht zwingend ein Einzelplatztool: LAB Server unterstützt mehrere Prüfende. Ob verblindetes Screening und Konfliktlösung mit Rayyan gleichziehen, ist hier nicht belegt.

ASReview LAB

  • Du brauchst kostenlose Software, lokale Literaturdaten und einsehbare Modellkomponenten.

Rayyan

  • Prüfe Rayyan als Alternative, wenn ein fertiger Team-Workspace wichtiger ist; aktuelle Zusammenarbeitsfunktionen und Tarifgrenzen musst du gesondert vergleichen.

Bewertung und Evidenz

Metrik-Lab · 16 Dimensionen

Kachel anklicken für die Redaktionsnotiz. Farbe folgt dem Score: Coral, Gelb, Mint.

Form

Ø 70 · 0–85

70Redaktionelle Eignung

Vorläufig, aus dokumentierten Quellen abgeleitet; kein eigener Praxistest. Gewichteter Mittelwert der 13 Dimensionen nach der veröffentlichten Bewertungsmethode, einschliesslich des markierten Nullplatzhalters für Zuverlässigkeit; Grundlage sind PyPI, Dokumentation und Methoden-/SAFE-Publikationen, kein Screening-Test.

Nach Gruppe

Fit75
  • Redaktionelle Eignung70
  • Passung zur Kernaufgabe80
  • Funktionstiefe75
Kosten83
  • Nutzen des kostenlosen Zugangs85
  • Preis-Leistung85
  • Opportunitätskosten80
Vertrauen78
  • Quellenbindung75
  • Datenschutz85
  • Transparenz über Fehler80
  • Belegstärke70
  • Transparenz80
Workflow50
  • Integrationsumfang65
  • Einrichtungsaufwand40
  • Zuverlässigkeit0
  • Position gegenüber Alternativen65
  • Datenportabilität80

Redaktionelle Evidenz · 3 Einträge

Aufgabe

Prüfen, wer die Screening-Entscheidungen trifft

Die aktuelle Dokumentation weist die Rangfolge dem Modell und die Relevanzbewertungen dem Menschen zu. Simulationen verwenden Datensätze mit bereits bekannten Bewertungen.

↳ Zusammenfassung der Dokumentation, kein eigener Screening-Test oder gemessener Anteil gefundener relevanter Studien.

Aufgabe

Abbruchschwelle prüfen

Die Fortschrittsdokumentation bestätigt, dass keine Schwelle voreingestellt ist. Die SAFE-Publikation schlägt vier Phasen vor und warnt ausdrücklich davor, ihre Zahlenbeispiele als feste Regeln zu übernehmen.

↳ Keine Abbruchregel wurde an einem VerdictPal-Datensatz getestet; keine behauptete Treffer- oder Zeitersparnisquote.

Aufgabe

Version, Lizenz und Datenverarbeitung prüfen

PyPI nennt 3.0.8, Apache-2.0 und Python ab 3.10. PyPI und Dokumentation erklären, dass keine Nutzungs- oder Nutzerdaten erfasst werden; LAB Server wird als selbst betriebene Lösung beschrieben.

↳ Kein eigener Installationstest, keine Netzwerkaufzeichnung und keine Prüfung der Erweiterungen.

Testszenarien · Hands-on-Lab

Wie wir das Produkt ausprobiert haben. Jeden Lauf durchgehen, bevor du den Scores vertraust.

Testlauf

Schritt 1 von 4

Schreibe die Einschlusskriterien auf und prüfe die importierten Titel und Abstracts.

Research-Log · Desk-Notizen

Was wir beim Schreiben dieses Dossiers gelernt haben — kein Anbieter-Text.

PyPI ↗

Aktuelles Paket statt alter Versionsangabe

Der Brief nennt Version 2.0. Live geprüft führt PyPI 3.0.8 vom 18.06.2026 mit Python ab 3.10. Die v3-Übersicht beschreibt automatisches Ausblenden von Dubletten und bearbeitbare Tags; weitergehende Änderungen werden hier nicht behauptet.

Systematic Reviews, 2024 ↗

SAFE ist ein Verfahren, keine magische Grenze

Die vollständige Publikation von 2024 wurde gelesen. Sie schlägt eine Einstiegsstichprobe, Active Learning, Modellwechsel und Nachprüfung der Ausschlüsse vor. Die Zahlen sind Beispiele, keine festen Regeln; ein direkter Vergleich mit bestehenden Abbruchheuristiken wurde laut Autoren nicht vorgelegt.

Nature Machine Intelligence, 2021 ↗

Alte Modusnamen sind nicht das aktuelle Menü

Die Methodenpublikation von 2021 beschreibt Oracle-, Simulation- und Exploration-Modus und verzichtet bewusst auf Autoren- und Zitationsnetzwerkmerkmale, um Autoritätsverzerrung zu vermeiden. Die aktuelle Dokumentation zu 3.0.8 zeigt Review und Simulate. Der historische Artikel belegt nicht, dass jede heutige Erweiterung dieselben Merkmale verwendet.

Was es kostet, was es speichert

Preis-Deck · geprüft 2026-10-12

ASReview LAB

0 $

Kostenlos, Apache-2.0

  • Lokale Python-Installation; auch Docker ist dokumentiert.
  • Keine kostenpflichtigen Softwaretarife gefunden; Betrieb und Unterstützung musst du organisieren.
  • Aktuelle PyPI-Version: 3.0.8, Python ab 3.10.

ROH · geprüft 2026-10-12: Kostenlos und Open Source unter Apache-2.0. In den geprüften Quellen wurden keine kostenpflichtigen Softwaretarife gefunden. PyPI führt ASReview LAB 3.0.8 vom 18.06.2026 mit Python ab 3.10 als Voraussetzung. Die lokale Installation kostet keine Lizenzgebühr; eigener Serverbetrieb, IT-Unterstützung und Einrichtung kosten trotzdem Zeit oder Geld.

Datenschutz im Detail · geprüft 2026-10-12

ASReview LAB läuft auf deinem Rechner oder auf einem Server, den du beziehungsweise deine Hochschule betreibt. Das Active-Learning-Modell lernt aus den Relevanzbewertungen deines Projekts. Auf PyPI und in der Dokumentation erklären die Entwickler, dass die Software keine Nutzungs- oder Nutzerdaten erfasst; die Methodenpublikation von 2021 beschreibt lokale Literaturdaten und Bewertungen ohne Verarbeitung durch Dritte. Das gilt für den beschriebenen lokalen Standardbetrieb, nicht als Ergebnis einer eigenen Netzwerkprüfung. LAB Server wird selbst betrieben: Der jeweilige Betreiber verantwortet Speicherung und Zugriffsrechte, nicht eine vorausgesetzte Anbietercloud. Bei Erweiterungen und gehosteten Demos musst du den Datenfluss gesondert prüfen; externe API-Aufrufe sind hier nicht verifiziert. Die Aussagen zur DSGVO und zu KI-Vorschriften auf der Homepage stammen vom Entwicklerteam; VerdictPal hat keine Zertifizierung dazu geprüft.

Training mit deinen DatenIm lokalen Standardbetrieb trainiert ASReview ein Modell mit den Relevanzbewertungen deines Projekts. Das ist lokales Active Learning, kein Training in einer Anbietercloud. Laut Entwicklerteam erfasst ASReview LAB keine Nutzungs- oder Nutzerdaten. Bei einem selbst betriebenen Server verantwortet der Betreiber die Datenumgebung. Erweiterungen und gehostete Demos musst du gesondert prüfen; ihre externen API-Aufrufe sind hier nicht verifiziert. Quellen: ASReview-Einführung und PyPI, geprüft am 12.10.2026 (im Quellenverzeichnis verlinkt).
EU-DatenresidenzUnbekannt
SOC-2-ZertifizierungUnbekannt
Lokal-first als StandardASReview LAB läuft lokal; LAB Server wird von dir oder deiner Hochschule selbst betrieben. Die Aussage zu lokalen Daten gilt für diesen Betrieb, nicht für eine ungeprüfte gehostete Demo oder jede optionale Erweiterung.

Unter der Haube

Anbieter laut About-Seite — nützlich für Beschaffung und Datenschutz-Reviews.

Priorisierung und Bewertung der Literaturdaten
ASReview LAB
Gemeinsames Screening auf dem Hochschulserver
ASReview LAB Server

Alternativen und Kontext

Workflow-Rollen

Wie dieses Tool in einen zusammengesetzten Recherche-Stack passt:

Importierte Titel und Abstracts priorisierenRelevanz anhand der Review-Kriterien bewertenEine Abbruchentscheidung dokumentierenScreening-Entscheidungen für den nächsten Review-Schritt exportieren

Tiefe Panels · 9 Linsen

Nur redaktionelle Linsen. Abo- und API-Preise haben eigene Abschnitte oben.

Was ist ASReview LAB?

ASReview LAB ist in Utrecht koordinierte Open-Source-Software zum Prüfen bereits gesammelter Literaturdaten. Du bewertest Titel und Abstracts als relevant oder irrelevant; Active Learning verändert die Lesereihenfolge. Das Tool schreibt kein Literaturreview und ersetzt keine Datenbanksuche. Die Bewertungen sind vorläufig und aus dokumentierten Quellen abgeleitet, nicht aus einem eigenen Praxistest.

  • Promovierende und Bibliotheksmitarbeitende, die Tausende Titel und Abstracts anhand festgelegter Einschlusskriterien prüfen
  • Reviews, bei denen die Methode nachvollziehbar und die Literaturdaten auf dem eigenen Rechner oder Hochschulserver bleiben sollen
  • Studierende ohne Lizenzbudget, die Python installieren können oder Unterstützung beim eigenen Serverbetrieb haben
  • Methodenprojekte, die Active-Learning-Modelle an einem vollständig bewerteten Datensatz vergleichen

Quellen und Herkunft

Quellen-Ledger · 8 geprüft

Qualitätsstufe · Lightweight

Evidenz bereit

Urteilsverlauf

  • Als Lightweight mit vorläufigen Bewertungen aus dokumentierten Quellen aus dem Entwurf genommen, nicht auf Basis eigener Praxistests. Zuverlässigkeit bleibt unbewertet; keine behauptete Vollständigkeits- oder Zeitersparnisquote.
  • Zweisprachigen Entwurf zu lokalem Active Learning, kostenloser Apache-2.0-Software, Voraussetzungen von Version 3.0.8 und der Abbruchentscheidung angelegt. Die redaktionelle Bewertung steht noch aus.
SynthetisiertLightweight
ASReview LAB besuchenDirektlink

Verwandte Dossiers

Systematische Reviews
Rayyan
60/100
ROLLESystematic-Review-Screening und kollaborative Triage

Prosumer-SaaS · Text · Daten

Cloud-Workspace für das Screening systematischer Reviews mit Titel-/Abstract-Triage, Deduplizierung, Labels, PICO-Extraktion, PRISMA-Flow-Unterstützung, Zusammenarbeit, mobilem Screening und KI-gestützten Einschlussentscheidungen.

VorsichtDu brauchst, dass Mitwirkende Premium-Funktionen in Reviews erben, die dir nicht gehören – ohne Institutional-Plan

SynthetisiertSolid
Titel Abstracts inTeams, verblindete/kollaborative Einschlussentscheidungen
Ab$4,99/MON.pro Sitz
Redaktioneller Fit
60
Quellenqualität
55
Zitations-Ehrlichkeit
66
Datenschutz-Kontrollen
53
Preis-Leistung
78
Datenportabilität
49
Recherche-Assistent
Elicit
59/100
ROLLEPapierentdeckung, Evidenztabellen-Extraktion und Systematic-Review-Unterstützung

Prosumer-SaaS · Text · Daten

KI-Forschungsassistent zum Suchen, Zusammenfassen, Chatten mit Papern, Screenen von Studien, Extrahieren von Feldern, Erstellen von Forschungsberichten und Unterstützen systematischer Reviews über grosse wissenschaftliche Korpora und hochgeladene Dokumente hinweg.

VorsichtDu brauchst ein günstiges Tool für gelegentliche Suche statt eines teuren Forschungsworkflows

SynthetisiertFlagship
Erstellung strukturierter EvidenztabellenFrühphasen-Systematic-Review-Screening und Extraktionsworkflows
Ab$132/JAHRpro Person
Redaktioneller Fit
59
Quellenqualität
52
Zitations-Ehrlichkeit
70
Datenschutz-Kontrollen
46
Preis-Leistung
56
Datenportabilität
55

Atlas durchsuchen

Fragen, die dieses Dossier beantwortet

Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.

Ist ASReview kostenlos?

ASReview ist kostenlose Open-Source-Software für KI-gestütztes Screening in systematischen Reviews. Sie steht unter der Apache-2.0-Lizenz; die Koordination liegt bei der Universität Utrecht. Die Modelle priorisieren Einträge anhand deiner Relevanzbewertungen. Du triffst die Screening-Entscheidungen und entscheidest, wann du aufhörst. Geprüft am 13. Oktober 2026.

Wer entwickelt ASReview?

Laut ASReview-Website wird das Projekt an der Universität Utrecht in den Niederlanden koordiniert.

Unter welcher Lizenz steht ASReview?

Das GitHub-Repository von ASReview nennt die Apache-2.0-Lizenz.

Sendet ASReview meine Daten in die Cloud?

Laut ASReview-Website behältst du die Kontrolle über deine Daten; das Repository erklärt, dass ASReview LAB keine Nutzungs- oder Nutzerdaten erfasst. Damit sind nicht die Datenflüsse jeder gehosteten Installation oder optionalen Erweiterung geprüft.

Kann ASReview Arbeiten selbstständig screenen?

Laut ASReview-Repository lernen die Modelle aus deinen Relevanzbewertungen und priorisieren Einträge. Du markierst Einträge als relevant oder nicht relevant, beobachtest den Fortschritt und entscheidest, wann du aufhörst.

Lohnt sich ASReview LAB?

ASReview LAB erreicht 70 von 100 Punkten beim redaktionellen Fit und hat den Dossier-Status Lightweight. Die Aufgabe im Recherche-Workflow: Lokales Active-Learning-Screening für systematische Reviews.

Für wen ist ASReview LAB am besten geeignet?

ASReview LAB verdient seinen Platz, wenn du Folgendes brauchst:

  • Promovierende und Bibliotheksmitarbeitende, die Tausende Titel und Abstracts anhand festgelegter Einschlusskriterien prüfen
  • Reviews, bei denen die Methode nachvollziehbar und die Literaturdaten auf dem eigenen Rechner oder Hochschulserver bleiben sollen
  • Studierende ohne Lizenzbudget, die Python installieren können oder Unterstützung beim eigenen Serverbetrieb haben
  • Methodenprojekte, die Active-Learning-Modelle an einem vollständig bewerteten Datensatz vergleichen

Wann solltest du ASReview LAB nicht einsetzen?

In diesen Fällen lässt du ASReview LAB besser liegen:

  • Du brauchst Volltextprüfung, Datenextraktion, Bewertung des Verzerrungsrisikos und PRISMA-Bericht in einer einzigen Plattform
  • Du kannst weder Python noch Docker installieren und hast keinen Zugang zu einer Hochschulinstallation
  • Niemand im Review-Team kann eine Abbruchregel begründen und dokumentieren
  • Du erwartest, dass das Tool Studien findet, die deine Datenbanksuche gar nicht erfasst hat

Was geht bei ASReview LAB schief?

Das Dossier nennt 6 Fehlermodi zu ASReview LAB — und die bleiben stehen, ob der Anbieter das mag oder nicht:

  • Viele irrelevante Einträge hintereinander beweisen nicht, dass keine relevante Studie mehr übrig ist. Ein früher Abbruch kann Studien übersehen; die Anzeige hat keine voreingestellte Schwelle, und laut Dokumentation wird die ideale Schwelle noch erforscht.
  • Das Modell kann nur die importierten Einträge sortieren. Eine lückenhafte Suche oder fehlende Titel und Abstracts können relevante Studien aus der nutzbaren Screening-Menge ausschliessen.
  • Deine Bewertungen trainieren die Rangfolge. Die SAFE-Publikation warnt, dass ausschliesslich vertraute Schlüsselstudien als Startwissen das Modell verzerren können, und empfiehlt eine zufällige Trainingsstichprobe.
  • Kostenlose Software braucht trotzdem Installation und Wartung. Das aktuelle Paket setzt Python ab 3.10 voraus; beim gemeinsamen Server muss jemand Betrieb und Zugriffsrechte verantworten.
  • Screening ist nicht das gesamte Review. Volltexte auf Eignung prüfen, Daten extrahieren, Verzerrungsrisiken bewerten und die Methode berichten musst du weiterhin gesondert.
  • Das automatische Ausblenden von Dubletten in Version 3 verändert, was beim Screening erscheint. Laut PyPI lassen sich ausgeblendete Dubletten mit exportieren; die sichtbare Screening-Anzahl ersetzt keinen vollständigen Dublettenbericht.

Welche Alternativen zu ASReview LAB gibt es?

Die nächstliegenden Optionen zu ASReview LAB sind Rayyan, Covidence, Elicit, EPPI-Reviewer. Jede davon, die ein Tool im Atlas hat, ist aus diesem Dossier verlinkt — samt Direktvergleich.

The Pack · Redaktionsnewsletter

Erfahre, wenn sich die Regeln ändern.

Eine kurze E-Mail, wenn eine Hochschule ihre KI-Regel für Abschlussarbeiten ändert oder ein Recherche-Tool Preise oder Datenschutz anpasst. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.

Die KI-Checkliste für die Abschlussarbeit ist frei nutzbar, ohne Anmeldung →