Prof. Dr. Mathias Christmann, Bob Barthel

Laborpraktika gehören zum Chemiestudium – und damit auch viele Laborprotokolle. Also müssen Doktorand*innen jedes Semester eine große Menge an Reports lesen und kommentieren.

Kann KI sie dabei unterstützen?, fragte sich Chemieprofessor Mathias Christmann und probierte es aus. Gibt man einen Laborreport in ein großes Sprachmodell ein, kann die KI bereits hilfreiche Hinweise liefern – etwa auf fehlende Einheiten bei Messwerten oder unklare Formulierungen. Das Problem: Viele dieser Tools laufen über externe Server. Sensible Daten möchte man dort nicht einfach hochladen. Deswegen wollte Mathias Christmann eine eigene KI-Lösung für die Bewertung von Laborprotokollen entwickeln.

Lokale Sprachmodelle nutzen

Möglich wird das durch lokal laufende Sprachmodelle, etwa mit LM Studio. Diese Modelle sind kleiner als Systeme wie ChatGPT, können aber viele Aufgaben zuverlässig erledigen. Um sie im Praktikumsbetrieb nutzbar zu machen, entwickelt Masterstudent Bob Barthel eine eigene Infrastruktur: Ein Client konvertiert hochgeladene PDFs zunächst in Text und teilt sie in Abschnitte auf. Das KI-Modell analysiert diese Abschnitte und markiert mögliche Probleme oder Unklarheiten. Die Daten werden dabei innerhalb des Systems verwaltet und nicht an externe Dienste weitergegeben. Doktorand*innen können sich einfach einloggen und die Vorschläge der KI als Ausgangspunkt für ihre Korrekturen nutzen. 

Das System analysiert Laborprotokolle abschnittsweise. Für jeden Abschnitt können die Nutzenden angeben, welcher Inhalt erwartet wird und welche typischen Fehler häufig auftreten. Zusätzlich lassen sich eigene Regex-Regeln definieren, mit denen formale Probleme automatisch erkannt werden – zum Beispiel fehlende Einheiten, Tippfehler oder Formatierungsprobleme. In der Benutzeroberfläche werden die entsprechenden Stellen im Text markiert. Kommentare können direkt ergänzt oder angepasst werden. Am Ende lässt sich das Protokoll als kommentiertes PDF exportieren und an die Studierenden zurückgeben.

Weitere Wissensquellen einbinden

Die kleineren Modelle haben auch ihre Grenzen. Tiefgehende konzeptionelle Fragen der Chemie sind für sie teilweise noch schwierig. Sehr gut funktionieren dagegen Aufgaben mit klarer Logik – etwa das Prüfen einzelner Aussagen oder das Auffinden konkreter Fehler. Künftig sollen die Modelle zusätzlich mit externen Wissensquellen verbunden werden. So könnten sie Fakten automatisch überprüfen und noch fundierteres Feedback geben.

Das Projekt zeigt auch, wie schnell sich heute neue KI-Tools entwickeln lassen. Mit sogenannten „Vibe“ oder „Agentic Coding“-Ansätzen können Ideen oft schon mit einfachen Sprachbeschreibungen umgesetzt werden. Damit Studierende lernen, solche Werkzeuge selbst zu nutzen, startet im nächsten Semester ein neuer Kurs zu KI-gestützter Programmierung.