CareLit Fachartikel
Können Large Language Models (LLM) die Fehler in einer klinischen Studie aufdecken?
Tobias Niedenthal, Bernhard Uehleke · Zeitschrift für Phytotherapie · 2026 · Heft 01 · S. 21-27
Dokument
965802
CareLit-ID
Jahr
2026
Publikation
PDF
nein
Metadaten
DOI
ja
zitierfähig
Bibliografische Angaben
Zusammenfassung
Zusammenfassung Hintergrund Methodische Mängel und statistische Inkonsistenzen in klinischen Studien werden im regulären Peer-Review-Verfahren häufig übersehen. Diese Arbeit untersucht, inwieweit moderne Large Language Models (LLM) als Werkzeug zur Identifikation solcher Fehler dienen können. Methodik Drei aktuelle Modelle (ChatGPT 5.2, Claude 4.5 und Gemini 3) wurden auf einen bereits publizierten klinischen Studienbericht (Kaewborisutsakul et al., 2025) angesetzt. Die Untersuchung erfolgte in einer initialen Testreihe (R1) mittels eines 4-stufigen, eskalierenden Abfrageprotokolls (Probing) von einer unspezifis…
Schlagworte
Large Language Models
LLM
Künstliche Intelligenz
KI
Peer Review
Forschungsintegrität
Qualitätssicherung
Probing
Prompt-Engineering
Medizininformatik
klinische Studien
artificial intelligence
AI
research integrity
quality assurance
prompt engineering
