Die Druckversion wird nicht mehr unterstützt und kann Darstellungsfehler aufweisen. Bitte aktualisiere deine Browser-Lesezeichen und verwende stattdessen die Standard-Druckfunktion des Browsers.

aiMOOC

Altern – Kumulative Inferenz ohne Evidenz-Doppelzählung

QR-Code

Einleitung

Kumulative Inferenz bedeutet, dass Du mehrere wissenschaftliche Befunde gemeinsam bewertest, statt einzelne Publikationen isoliert zu lesen. Das ist besonders wichtig, wenn verschiedene Artikel dieselben Personen, dieselbe Kohorte, denselben Datensatz oder voneinander abgeleitete Analysen verwenden. Werden solche Beiträge wie vollständig unabhängige Evidenz behandelt, kann dieselbe Information mehrfach in eine Schlussfolgerung eingehen. In einer quantitativen Synthese kann dies unter anderem die Präzision künstlich erhöhen. Das Cochrane Handbook betont deshalb, dass bei systematischen Übersichtsarbeiten die Studie und nicht der einzelne Bericht die zentrale Einheit ist; mehrere Berichte derselben Studie sollen zusammengeführt werden.^[1]

Dieser aiMOOC behandelt die Frage am Beispiel des Arbeitsauftrags „Altern – Kumulative Inferenz ohne Evidenz-Doppelzählung“. Ziel ist ein gerichteter Evidenzgraph, der Herkunft und Abhängigkeit von Evidenz sichtbar macht. Du lernst, Replikation von Wiederverwendung zu trennen, gemeinsame Kohorten und Datensätze zu erkennen, Autoren- und Methodenabhängigkeiten vorsichtig zu interpretieren und Schlussfolgerungen durch gruppenweise Ausschlussprüfungen zu testen.

Wichtiger Quellenstand zu AG-T01: Im für die Erstellung dieses aiMOOCs verfügbaren Material liegt das angekündigte AG-T01-Quellenregister nicht vor. Deshalb werden hier keine AG-T01-spezifischen Studien, Kohorten, Datensätze, Autorenbeziehungen, Effektgrößen oder Gegenbefunde erfunden. Der folgende Evidenzgraph ist ein methodisches Schema. Ein AG-T01-spezifisches Claimledger kann erst mit dem tatsächlichen Register befüllt werden. Diese Begrenzung ist Teil wissenschaftlich sauberer Unsicherheitskommunikation.

Ein gerichteter azyklischer Graph zeigt Beziehungen durch Knoten und gerichtete Kanten. In der Epidemiologie können DAGs helfen, Annahmen und Abhängigkeiten explizit zu machen; ihre Aussagekraft hängt aber von der Qualität des Vorwissens und der korrekten Modellierung ab.^[2]

Das Cochrane-Video führt in die Idee der Evidenzsynthese ein. Für diesen aiMOOC ist besonders wichtig: Viele Publikationen sind nicht automatisch viele unabhängige Evidenzquellen.

Lernziele

Nach der Bearbeitung kannst Du

Evidenzsynthese von bloßer Publikationszählung unterscheiden.
Systematische Übersichtsarbeiten auf mögliche Evidenz-Doppelzählung prüfen.
gerichtete Evidenzgraphen als Provenienz- und Abhängigkeitsmodell lesen.
gemeinsame Kohorten, Datensätze, Autoren und methodische Pipelines markieren.
Replikation von Wiederverwendung anhand expliziter Kriterien unterscheiden.
harte Datenabhängigkeit von weicheren Hinweisen auf intellektuelle oder methodische Abhängigkeit trennen.
gruppenweise Ausschlussprüfungen durchführen, ohne nicht berichtete Effektschätzer zu erfinden.
ein Claimledger mit Quellenstand, Gegenbefund und begründeter Unsicherheit führen.

Warum Evidenz-Doppelzählung problematisch ist

In einer Evidenzsynthese kann Doppelzählung entstehen, wenn dieselben Personen oder dieselben zugrunde liegenden Daten in mehreren eingeschlossenen Analysen auftauchen. Das kann beispielsweise vorkommen, wenn mehrere Publikationen dieselbe Datenbank verwenden, Beobachtungszeiträume überlappen oder gemeinsame Vergleichsarme mehrfach eingehen. Eine methodische Übersicht zu Public-Health-Synthesen weist darauf hin, dass Stichprobenüberlappung zu scheinbar höherer Präzision führen kann und häufig schwer zu erkennen ist.^[3]

Das Problem beginnt bereits vor jeder Metaanalyse: Wenn zwei Artikel dieselbe Studie berichten, sind sie zwei Berichte, aber nicht zwei unabhängige Studien. Cochrane verlangt deshalb das Zusammenführen mehrerer Berichte derselben Studie und warnt ausdrücklich davor, dieselbe Studie mehrfach zu behandeln.^[4]

Typische Quellen von Abhängigkeit

Teilnehmerüberlappung: dieselben Personen kommen in mehreren Analysen vor.
Gemeinsame Kohorte: mehrere Publikationen beruhen auf derselben Rekrutierungsbasis oder derselben Längsschnittkohorte.
Gemeinsamer Datensatz: verschiedene Forschungsfragen werden mit derselben Datenbank oder demselben Register untersucht.
Sekundäranalyse: eine spätere Arbeit analysiert vorhandene Daten erneut oder verwendet abgeleitete Variablen beziehungsweise Effektangaben.
Gemeinsamer Studienarm: mehrere Vergleiche teilen dieselbe Teilnehmergruppe. Cochrane beschreibt dies als klassische Unit-of-analysis-Problematik, wenn die Korrelation ignoriert wird.^[5]
Gemeinsame Autorenschaft: kann auf gemeinsame Forschungsprogramme oder Analyseentscheidungen hinweisen, beweist aber allein keine statistische Datenabhängigkeit.
Gemeinsame Methodenpipeline: identische Kodierungen, Modelle, Softwareentscheidungen oder Vorverarbeitung können ähnliche systematische Fehler erzeugen, auch wenn Stichproben verschieden sind.

Replikation oder Wiederverwendung?

Für diesen aiMOOC gilt folgende operative Trennung:

Merkmal	Replikation	Wiederverwendung
Teilnehmer	neue, unabhängige Stichprobe	gleiche oder überlappende Personen
Datengrundlage	neuer oder unabhängig erhobener Datensatz	gleicher Datensatz, Registerauszug oder davon abgeleitete Daten
Analyse	Fragestellung wird erneut an unabhängiger Evidenz geprüft	neue Auswertung derselben Evidenzbasis
Aussagewert	kann eine unabhängige Evidenzlinie bilden	erweitert oder vertieft eine vorhandene Evidenzlinie, zählt aber nicht automatisch als unabhängige Bestätigung
Autoren	können gleich oder verschieden sein	können gleich oder verschieden sein

Wichtig: Gemeinsame Autoren machen zwei Studien nicht automatisch abhängig. Umgekehrt können zwei Veröffentlichungen ohne gemeinsame Autoren auf derselben Kohorte beruhen. Autorenüberschneidung ist daher ein Prüfsignal, kein alleiniger Nachweis für Doppelzählung.

Gerichteter Evidenzgraph

Ein Evidenzgraph modelliert nicht primär Kausalität zwischen biologischen Variablen, sondern die Provenienz der Evidenz. Damit die Richtung eindeutig bleibt, verlaufen Kanten von einer Quelle oder Abhängigkeitsressource zu einer Analyse und von einer Analyse zu einem Claim.

Knotentypen

K = Kohorte oder Stichprobenquelle.
D = Datensatz, Register, Messarchiv oder Analysebestand.
S = Studie oder eigenständige Analyse.
R = Bericht oder Publikation zu einer Studie.
A = Autorengruppe oder besonders relevante Überschneidung in der Autorenschaft.
M = methodische Pipeline, Kodierung oder analytische Abhängigkeit.
C = Claim beziehungsweise Schlussfolgerung.

Kantentypen

K → S: Studie nutzt Personen aus dieser Kohorte.
D → S: Studie nutzt diesen Datensatz.
S → R: Publikation berichtet diese Studie.
A → S: Autorengruppe ist an der Studie beteiligt; diese Kante ist zunächst nur ein Abhängigkeitshinweis.
M → S: Studie nutzt eine gemeinsame oder abgeleitete Methodik.
S → C: Studie stützt, relativiert oder widerspricht einem Claim.
S1 → S2: S2 ist direkt aus Daten, Schätzern oder einer Analyse von S1 abgeleitet.

Schematische Darstellung

Kohorte K1 ─────→ Studie S1 ─────→ Claim C1
      └─────────→ Studie S2 ─────→ Claim C1
Datensatz D1 ───→ Studie S1
      └─────────→ Studie S2
Methode M1 ─────→ Studie S1
      └─────────→ Studie S3 ─────→ Claim C1
Studie S1 ──────→ Bericht R1
      └─────────→ Bericht R2

Unabhängige Kohorte K2 ─→ Studie S4 ─→ Claim C1

In diesem Beispiel wären S1 und S2 wegen gemeinsamer Kohorte und gemeinsamen Datensatzes keine zwei unabhängigen Evidenzlinien. R1 und R2 sind zwei Berichte zu S1. S4 bildet dagegen eine potenziell unabhängige Evidenzlinie. S3 ist bezüglich der Daten unabhängig von S1, teilt aber die Methodenpipeline M1; deshalb sollte eine zusätzliche methodische Sensitivitätsprüfung erwogen werden.

Harte und weiche Abhängigkeiten

Für robuste Inferenz ist es hilfreich, Abhängigkeiten nicht undifferenziert zusammenzuwerfen.

Abhängigkeit	Bedeutung	Konsequenz für die Synthese
gleiche Personen	direkte Stichprobenüberlappung	als harte Abhängigkeit gruppieren
gleicher Datensatz	gemeinsame Datenbasis	als harte Datenabhängigkeit gruppieren
abgeleitete Schätzer oder Reanalyse	spätere Analyse hängt direkt von früheren Daten oder Ergebnissen ab	als harte Provenienzabhängigkeit markieren
gemeinsamer Studienarm	korrelierte Vergleiche	Korrelation berücksichtigen oder Doppelzählung vermeiden
gemeinsame Autoren	möglicher gemeinsamer Forschungs- oder Entscheidungsprozess	als weichen Hinweis dokumentieren, nicht automatisch als Datenabhängigkeit behandeln
gleiche Methodenpipeline	potenziell gemeinsame Modell- oder Messfehler	separate methodische Sensitivitätsprüfung

Abhängige Evidenzgruppen bilden

Eine abhängige Evidenzgruppe umfasst alle Studien, die über eine harte Daten- oder Teilnehmerlinie miteinander verbunden sind. Bei partieller Überlappung solltest Du die Verbindung dokumentieren, auch wenn der genaue Überlappungsgrad unbekannt ist. Gibt es lediglich gemeinsame Autoren oder ähnliche Methoden, bleibt diese Beziehung zunächst eine separate, weichere Abhängigkeitsdimension.

Ein praktisches Vorgehen:

Beginne bei jeder Studie und notiere Kohorte, Rekrutierungszeitraum, Rekrutierungsort, Datensatzkennung, Registerquelle und Studienarme.
Verbinde Studien, sobald dieselben Personen, dieselbe Kohorte, derselbe Datensatz oder direkt abgeleitete Daten nachweisbar sind.
Fasse transitiv verbundene Studien zu einer harten Evidenzgruppe zusammen.
Dokumentiere Autoren- und Methodenüberschneidungen zusätzlich, ohne sie automatisch mit Stichprobenüberlappung gleichzusetzen.
Markiere unklare Beziehungen als ungeklärt statt sie als unabhängig zu behandeln.
Verlange für die Bezeichnung Replikation eine unabhängige Datenlinie.

Leave-one-dependency-group-out-Prüfung

Die zentrale Robustheitsfrage lautet nicht: „Wie viele Publikationen stützen den Claim?“, sondern: „Bleibt der Claim bestehen, wenn eine komplette abhängige Evidenzlinie entfernt wird?“

Für jede harte Evidenzgruppe G wird die Synthese gedanklich oder rechnerisch ohne G erneut bewertet. Dabei werden keine fehlenden Effektschätzer geschätzt oder erfunden.

Prüfschritt	Frage
1	Welche Studien gehören gemeinsam zu Gruppe G?
2	Welche Claims hängen ausschließlich von G ab?
3	Welche unabhängigen Evidenzlinien bleiben nach Entfernen von G übrig?
4	Gibt es unter den verbleibenden Linien Gegenbefunde?
5	Bleibt die Richtung der qualitativen Schlussfolgerung bestehen, wird sie schwächer oder ist sie nicht mehr beurteilbar?
6	Ändert sich die Unsicherheit wesentlich?

Ein Claim darf nach dieser Prüfung nur dann als gruppenrobust bezeichnet werden, wenn er nicht ausschließlich von einer einzigen harten Abhängigkeitsgruppe getragen wird und die verbleibende Evidenz den Claim weiterhin tatsächlich stützt. Diese Aussage ist qualitativ; ein numerischer Robustheitswert wird nur angegeben, wenn er aus den Originaldaten oder einer dokumentierten Analyse stammt.

AG-T01: Ergebnis der Ausschlussprüfung

Das AG-T01-Quellenregister liegt in der verfügbaren Quellenbasis dieses aiMOOCs nicht vor. Daher kann keine reale Abhängigkeitsgruppe identifiziert und kein AG-T01-Claim als „bestehen geblieben“ oder „nicht bestehen geblieben“ klassifiziert werden.

Prüfgegenstand	Quellenstand	Ergebnis	Begründete Unsicherheit
gemeinsame Kohorten	AG-T01-Register nicht verfügbar	nicht prüfbar	keine Kohortenkennungen oder Rekrutierungsinformationen vorhanden
gemeinsame Datensätze	AG-T01-Register nicht verfügbar	nicht prüfbar	keine Datensatzkennungen oder Zeitfenster vorhanden
gemeinsame Autoren	AG-T01-Register nicht verfügbar	nicht prüfbar	keine Autorenlisten vorhanden
methodische Abhängigkeiten	AG-T01-Register nicht verfügbar	nicht prüfbar	keine Methodenbeschreibungen vorhanden
Schlussfolgerungen nach gruppenweisem Ausschluss	AG-T01-Register nicht verfügbar	nicht bestimmbar	keine belastbare Zuordnung von Studien zu Abhängigkeitsgruppen möglich

Diese Nicht-Bewertung ist kein negatives Studienergebnis. Sie bedeutet ausschließlich, dass die für die verlangte Inferenz notwendige Quellenstruktur fehlt.

Claimledger

Ein Claimledger zwingt dazu, Behauptungen, Quellen, Abhängigkeiten, Gegenbefunde und Unsicherheit getrennt zu dokumentieren. Dadurch wird sichtbar, ob eine starke Formulierung tatsächlich durch mehrere unabhängige Evidenzlinien getragen wird.

Methodisches Claimledger

Claim	Quellenstand	Gegenbefund oder Einschränkung	Unsicherheit
In systematischen Reviews ist die Studie und nicht der einzelne Bericht die zentrale Einheit.	Cochrane Handbook, Kapitel 4 und 5	Mehrere Berichte können dennoch unterschiedliche relevante Informationen enthalten und dürfen nicht einfach verworfen werden.	gering für die methodische Regel; die Zuordnung von Berichten zu einer Studie kann im Einzelfall schwierig sein
Teilnehmerüberlappung und gemeinsame Datenquellen können Evidenz-Doppelzählung erzeugen.	Cochrane Handbook; Public-Health-Methodenliteratur zur Doppelzählung	Nicht jede gemeinsame Datenquelle führt automatisch zu identischen Analysepopulationen; Zeitfenster und Einschlusskriterien müssen geprüft werden.	abhängig von Transparenz und Granularität der Primärberichte
Gemeinsame Autoren sind ein Hinweis auf mögliche Abhängigkeit, aber kein Beweis für statistische Stichprobenabhängigkeit.	methodische Ableitung aus der Trennung von Publikations-, Daten- und Analyseebene	Autorengruppen können unabhängige Replikationen durchführen; verschiedene Autoren können umgekehrt dieselben Daten verwenden.	mittel, wenn nur bibliografische Angaben vorliegen
Gemeinsame Methoden können korrelierte Fehlerquellen erzeugen, auch bei getrennten Stichproben.	methodische Plausibilitätsregel; DAG-Literatur betont die Bedeutung expliziter Modellannahmen	Gleiche Methode bedeutet nicht automatisch gleichen Fehler; tatsächliche Abhängigkeit muss inhaltlich begründet werden.	je nach Methode und Dokumentation mittel bis hoch
Ein gruppenweiser Ausschlusstest kann zeigen, ob eine Schlussfolgerung ausschließlich von einer abhängigen Evidenzlinie getragen wird.	logische Sensitivitätsprüfung auf Grundlage der Provenienzstruktur	Ohne quantitative Originaldaten liefert die Prüfung nur qualitative Robustheitsaussagen.	abhängig von Vollständigkeit des Evidenzgraphen

AG-T01-Claimledger

Claim	Quellenstand	Tragende Evidenz	Gegenbefund	Ergebnis nach Entfernen abhängiger Gruppen	Begründete Unsicherheit
AG-T01-spezifische Schlussfolgerungen	Quellenregister nicht verfügbar	nicht bestimmbar	nicht bestimmbar	nicht prüfbar	sehr hoch, weil die verlangte Primärstruktur fehlt; keine Effektschätzer werden ergänzt oder erfunden

Quellenprüfung im Detail

Beim Prüfen eines Quellenregisters solltest Du für jede Studie mindestens folgende Felder erfassen:

Feld	Zweck
Studien-ID	eindeutige Identifikation der Analyseeinheit
Berichts-ID	mehrere Publikationen derselben Studie erkennen
Kohorte oder Rekrutierungsbasis	gemeinsame Teilnehmerquelle erkennen
Zeitraum	potenzielle zeitliche Überlappung bestimmen
Ort oder Institution	Rekrutierungsüberschneidungen eingrenzen
Datensatz oder Register	gemeinsame Datenbasis erkennen
Stichprobengröße	Plausibilitätsprüfung, nicht alleiniger Nachweis von Identität
Autoren	personelle Überschneidungen markieren
Methodenpipeline	gemeinsame analytische Annahmen sichtbar machen
abgeleitete Daten	direkte Provenienz zwischen Analysen dokumentieren
Claim-Bezug	stützend, neutral, relativierend oder widersprechend dokumentieren
Effektangaben	nur übernehmen, wenn sie in der Quelle tatsächlich berichtet sind

Entscheidungsregeln gegen Doppelzählung

Bericht ≠ Studie: Zwei Artikel zählen nicht als zwei unabhängige Studien, wenn sie dieselbe Studie berichten.
Sekundäranalyse ≠ Replikation: Eine neue statistische Analyse derselben Kohorte ist keine unabhängige Replikation.
Teilüberlappung bleibt Abhängigkeit: Unvollständige Stichprobenüberlappung wird dokumentiert und nicht als volle Unabhängigkeit behandelt.
Autorenüberschneidung allein reicht nicht: Sie löst eine Prüfung aus, ersetzt aber keine Daten-Provenienzprüfung.
Methodenähnlichkeit allein reicht nicht: Sie begründet eine Sensitivitätsfrage, aber nicht automatisch eine gemeinsame Stichprobengruppe.
Unklar bleibt unklar: Fehlende Angaben werden als Unsicherheit ausgewiesen, nicht durch Vermutung ergänzt.
Keine erfundenen Effekte: Fehlen Effektgrößen, Standardfehler, Konfidenzintervalle oder Rohdaten, werden sie nicht konstruiert.
Gegenbefunde bleiben sichtbar: Widersprechende Evidenz wird nicht aus dem Ledger entfernt, nur weil sie die Hauptthese schwächt.

Beispiel ohne erfundene Effektschätzer

Angenommen, ein Register enthält vier Publikationen. Zwei stammen aus derselben Kohorte und demselben Datensatz, eine dritte ist eine Reanalyse dieser Daten, und eine vierte nutzt eine neue, unabhängig erhobene Stichprobe. Dann gibt es nicht automatisch vier unabhängige Evidenzlinien. Die ersten drei Publikationen bilden mindestens eine gemeinsame Provenienzgruppe. Die vierte kann eine unabhängige Replikationslinie darstellen, sofern keine weitere Datenüberlappung besteht.

Wenn die erste Gruppe entfernt wird und nur die vierte Studie übrig bleibt, darfst Du nur das berichten, was diese Studie tatsächlich zeigt. Du darfst aus dem bloßen Vorhandensein einer unabhängigen Studie weder eine Effektgröße noch eine Richtung erfinden. Gibt es keine berichteten Informationen zum Claim, lautet das Ergebnis nicht beurteilbar.

Qualitätskontrolle des Evidenzgraphen

Vor einer Schlussfolgerung sollte der Graph auf folgende Punkte geprüft werden:

Sind alle Publikationen einer zugrunde liegenden Studie korrekt zusammengeführt?
Sind gemeinsame Rekrutierungsbasen und Zeiträume sichtbar?
Sind Datensätze eindeutig benannt?
Sind direkte Reanalysen als Provenienzkanten eingetragen?
Sind gemeinsame Studienarme erkannt?
Sind Autoren- und Methodenkanten von harten Datenkanten unterschieden?
Sind ungeklärte Beziehungen als ungeklärt markiert?
Ist jeder Claim mit stützender und widersprechender Evidenz verknüpft?
Wurde jede harte Abhängigkeitsgruppe einmal vollständig entfernt?
Wurden keine fehlenden Kennzahlen ergänzt?

Medien und Vertiefung

Das Cochrane-Video „What are systematic reviews?“ erläutert, warum systematische Reviews Studien nach transparenten Regeln zusammenführen. Für die hier behandelte Aufgabe ist die zusätzliche Provenienzprüfung entscheidend: Mehrere Berichte können auf derselben Studie beruhen und dürfen dann nicht als unabhängige Bestätigungen gezählt werden.

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Was ist in einem systematischen Review die zentrale Einheit, wenn mehrere Berichte dieselbe Untersuchung beschreiben? (Die Studie) (!Jeder einzelne Artikel) (!Jede Tabelle) (!Jede Autorin und jeder Autor)

Wann liegt am ehesten Evidenz-Wiederverwendung vor? (Mehrere Analysen beruhen auf derselben Kohorte) (!Zwei unabhängige Stichproben werden getrennt erhoben) (!Ein Ergebnis wird in einem Lehrbuch erklärt) (!Zwei Studien verwenden verschiedene Datensätze)

Was ist ein starkes Signal für harte Datenabhängigkeit? (Dieselben Teilnehmenden kommen in mehreren Analysen vor) (!Die Titel der Artikel ähneln sich) (!Die Studien erscheinen im selben Jahr) (!Die Artikel verwenden dieselbe Zitierweise)

Was beweist gemeinsame Autorenschaft allein? (Keine statistische Stichprobenabhängigkeit) (!Dass dieselben Personen untersucht wurden) (!Dass dieselbe Effektgröße vorliegt) (!Dass eine Replikation ausgeschlossen ist)

Was kennzeichnet eine unabhängige Replikationslinie am besten? (Eine neue unabhängige Datenbasis prüft denselben Claim) (!Dieselbe Kohorte wird mit einem neuen Modell analysiert) (!Ein Artikel wird in zwei Zeitschriften erwähnt) (!Eine Tabelle wird neu formatiert)

Was geschieht bei einer Leave-one-dependency-group-out-Prüfung? (Eine gesamte abhängige Evidenzgruppe wird entfernt) (!Nur der älteste Artikel wird gelöscht) (!Alle Gegenbefunde werden entfernt) (!Fehlende Effekte werden geschätzt)

Wie soll mit fehlenden Effektgrößen umgegangen werden? (Sie werden nicht erfunden) (!Sie werden aus dem Titel geschätzt) (!Sie werden aus ähnlichen Studien übernommen) (!Sie werden durch Standardwerte ersetzt)

Was ist ein Claimledger? (Eine strukturierte Zuordnung von Claims, Quellen, Gegenbefunden und Unsicherheit) (!Eine Liste nur positiver Ergebnisse) (!Ein Verzeichnis aller Autorennamen) (!Eine automatische Rangliste von Zeitschriften)

Wie wird eine unklare Datenüberlappung korrekt behandelt? (Als ungeklärte Abhängigkeit dokumentieren) (!Automatisch als unabhängig einstufen) (!Automatisch als identische Stichprobe einstufen) (!Ohne Dokumentation ignorieren)

Was kann der vorliegende aiMOOC ohne AG-T01-Quellenregister über konkrete AG-T01-Effekte aussagen? (Keine konkreten AG-T01-Effekte) (!Eine genaue Effektgröße) (!Ein exaktes Konfidenzintervall) (!Eine vollständige Replikationsquote)

Memory

Kohorte	gemeinsame Rekrutierungsbasis
Datensatz	strukturierte Datenquelle
Replikation	unabhängige erneute Prüfung
Wiederverwendung	erneute Analyse derselben Evidenzbasis
Claimledger	dokumentierte Behauptungs- und Evidenzspur
Provenienz	Herkunft und Ableitung von Daten

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Replikation	neue unabhängige Datenbasis
Wiederverwendung	gleiche oder überlappende Datenbasis
Harte Abhängigkeit	gleiche Personen oder direkt gemeinsame Daten
Weiche Abhängigkeit	gemeinsame Autorenschaft oder Methoden als Prüfsignal
Claimledger	Quellenstand Gegenbefund und Unsicherheit dokumentieren

Kreuzworträtsel

Kohorte	Wie heißt eine gemeinsam rekrutierte Gruppe von Untersuchungspersonen?
Datensatz	Wie heißt eine strukturierte Sammlung von Daten?
Replikation	Wie heißt eine unabhängige erneute Prüfung eines Befunds?
Provenienz	Wie heißt die dokumentierte Herkunft und Ableitung von Evidenz?
Unsicherheit	Was muss bei fehlender oder uneindeutiger Evidenz ausdrücklich ausgewiesen werden?
Abhängigkeit	Wie heißt eine Beziehung, durch die Evidenzlinien nicht vollständig unabhängig sind?

LearningApps

Lückentext

In einer systematischen Evidenzsynthese ist die zentrale Einheit häufig die

und nicht jeder einzelne Bericht. Wenn mehrere Analysen dieselben Personen enthalten, liegt eine Form von

vor. Eine neue Analyse derselben Kohorte ist keine unabhängige

. Die Herkunft und Ableitung von Daten wird als

dokumentiert. Gemeinsame Autorenschaft ist zunächst ein

und beweist allein keine statistische Datenabhängigkeit. Bei einer gruppenweisen Sensitivitätsprüfung wird eine gesamte abhängige

entfernt. Widersprechende Studien werden als

sichtbar gehalten. Fehlende Effektgrößen dürfen nicht

werden. Ein Claimledger dokumentiert neben Quellen auch die

. Ohne das AG-T01-Quellenregister bleiben konkrete AG-T01-Schlussfolgerungen

.

Offene Aufgaben

Leicht

Quellenvergleich: Suche zwei wissenschaftliche Artikel zu demselben Thema und prüfe, ob Autoren, Datensatz oder Rekrutierungsort übereinstimmen.
Evidenzgraph: Zeichne für drei fiktive Studien einen einfachen Graphen mit Kohorte, Datensatz, Studie und Claim.
Replikation: Formuliere in eigenen Worten den Unterschied zwischen einer Replikation und einer Reanalyse.
Unsicherheit: Schreibe drei Formulierungen, mit denen Du fehlende Quelleninformationen transparent kennzeichnen kannst.

Standard

Provenienzprüfung: Wähle eine kleine Publikationsgruppe und dokumentiere für jede Publikation Kohorte, Zeitraum, Datensatz und mögliche Ableitungen.
Claimledger: Erstelle ein Ledger mit mindestens drei Claims, stützender Evidenz, Gegenbefund und Unsicherheit.
Sensitivitätsanalyse: Simuliere das Entfernen einer abhängigen Evidenzgruppe und beschreibe, welche qualitativen Aussagen übrig bleiben.
Methodenvergleich: Vergleiche zwei Studien mit unabhängigen Stichproben, aber gleicher Methodenpipeline, und diskutiere mögliche gemeinsame Fehlerquellen.

Schwer

Evidenznetzwerk: Konstruiere aus mindestens acht Publikationen einen gerichteten Provenienzgraphen und begründe jede Kante.
Teilnehmerüberlappung: Entwickle Regeln, wie Du vollständige, partielle und ungeklärte Überlappung in einem Review getrennt dokumentieren würdest.
Robustheitsprüfung: Führe für jeden harten Abhängigkeitscluster eine Leave-one-group-out-Prüfung durch und protokolliere alle Änderungen im Claimledger.
Reproduzierbare Forschung: Entwirf ein maschinenlesbares Schema für Studien-ID, Berichts-ID, Kohorte, Datensatz, Autoren, Methoden, Claims und Abhängigkeitskanten.

Lernkontrolle

Transfer auf neue Quellenlage: Du erhältst fünf Publikationen, von denen drei dieselbe nationale Gesundheitsdatenbank nutzen. Entwickle eine begründete Gruppenstruktur und erläutere, welche Informationen Du noch brauchst, bevor Du Unabhängigkeit behauptest.
Konfliktanalyse: Zwei Studien stützen einen Claim, eine dritte widerspricht. Eine der stützenden Studien ist eine Reanalyse der anderen. Erkläre, wie sich dadurch die qualitative Evidenzbilanz verändert.
Graphkritik: Prüfe einen Evidenzgraphen, in dem gemeinsame Autoren automatisch als identische Datenbasis kodiert wurden. Erkläre den methodischen Fehler und verbessere die Modelllogik.
Sensitivität: Beschreibe, wie sich Deine Schlussfolgerung ändern sollte, wenn nach Entfernen der größten abhängigen Evidenzgruppe nur eine einzelne unabhängige Studie verbleibt.
Unsicherheitskommunikation: Formuliere eine Schlussfolgerung für den Fall, dass zwei Publikationen möglicherweise dieselbe Kohorte verwenden, die Berichte dies aber nicht eindeutig erkennen lassen.
Keine Effekterfindung: Ein Quellenregister nennt nur Richtung und Signifikanz, aber keine Effektgröße. Erkläre, welche Aussagen zulässig sind und welche nicht.

Lernnachweis

Für einen Lernnachweis zu diesem Thema solltest Du zeigen, dass Du:

Berichte, Studien, Kohorten und Datensätze auseinanderhalten kannst.
einen gerichteten Evidenzgraphen mit klar definierten Knoten und Kanten erstellen kannst.
harte Datenabhängigkeiten von weicheren Autoren- und Methodenhinweisen trennst.
Replikation und Wiederverwendung nachvollziehbar klassifizierst.
unklare Abhängigkeiten ausdrücklich als unklar dokumentierst.
für jede harte Evidenzgruppe eine gruppenweise Ausschlussprüfung durchführen kannst.
Gegenbefunde im Claimledger sichtbar hältst.
Schlussfolgerungen an die tatsächlich verbleibende unabhängige Evidenz anpasst.
keine nicht berichteten Effektgrößen, Unsicherheitsintervalle oder Replikationsraten erfindest.
Quellenstand und begründete Unsicherheit transparent formulierst.