3Einleitung: Warum Linkfarmen ein wachsendes Risiko darstellen

Ein häufiger Fehler beim Umgang mit Preprint‑Servern besteht darin, dass Forscher die scheinbare „Qualität“ eines Manuskripts ausschließlich anhand seiner Zitierzahl bewerten. Hier ist die harte Wahrheit: Eine hohe Zitierzahl kann das Ergebnis gezielter Linkfarm‑Aktivitäten sein, bei denen automatisierte Netzwerke von Konten gegenseitig zitieren, um den Eindruck von wissenschaftlicher Relevanz zu erwecken. Dieses Phänomen untergräbt nicht nur die Metriken, sondern kann auch Förderentscheidungen und Karrierewege verzerren.

Die aktuelle Literatur zeigt, dass Plattformen wie ResearchGate zunehmend Ziel von citation farming werden, wobei fast 3000 hochgeladene Papers von vermuteten Boosting‑Services analysiert wurden (siehe arXiv‑Preprint 2604.13784v1). Gleichzeitig melden Wissenschaftler ein Ansteigen von KI‑generierten Fake‑Zitaten, die mithilfe von Large Language Models (LLMs) erzeugte Referenzen in echt wirkenden Artikel einbauen (The Scientist, Phys.org). Diese Entwicklungen erfordern ein Umdenken: Statt ausschließlich auf manuelle Kontrolle zu setzen, müssen wir KI‑gestützte Erkennungsmechanismen in den Publikationsworkflow integrieren.

„Die größte Gefahr liegt nicht in der Technologie selbst, sondern darin, dass wir deren Missbrauch unterschätzen.“

Prüfen Sie stets die Kontextualität von Zitaten – ein isolierter Verweis ohne fachliche Einbettung ist ein frühes Warnsignal.

4Linkfarmen und Zitiernetzwerke in Preprint‑Servern verstehen

Um KI‑basierte Detektionsansätze zu würdigen, muss man zunächst die Struktur von Linkfarmen verstehen. Eine Linkfarm ist ein künstlich erzeugtes Netzwerk von Dokumenten, das vorrangig darauf abzielt, die Zitiermetriken bestimmter Papers aufzublasen. In Preprint‑Servern zeigen sich diese Netzwerke häufig als scheinbar legitime akademische Zitiernetzwerke, weil sie:

• Dozenten‑ oder Institutsnamen nutzen, die tatsächlich existieren (manchmal sogar gestohlene ORCID‑IDs).
• Referenzlisten aus echten Publikationen kopieren und leicht abändern, um Plagiatsprüfungen zu umgehen.
• Selbstzitate in dicht verknüpften Klüsten erzeugen, die hohe Co‑Citation‑Scores hervorrufen.
• Metadaten wie DOI, Titel und Abstract leicht variieren, um Duplikaterkennung zu erschweren.

Im Gegensatz dazu folgen echte wissenschaftliche Zitiernetzwerke organischen Wachstumsprinzipien: Sie entstehen durch thematische Überschneidungen, gemeinschaftliche Diskussionen und peer‑reviewte Validierung. Damit unterscheiden sie sich statistisch von Linkfarmen hinsichtlich:

• Verteilung der Zitatanzahlen (Power‑Law vs. gleichmäßige Aufblähung).
• Alter der zitierten Arbeiten (echte Netzwerke zitieren ein ausgewogenes Mix aus Klassikern und Neuerscheinungen).
• Textlicher Kohärenz zwischen zitiertem und zitierendem Inhalt (semantische Ähnlichkeit).
• Netzwerk‑Topologie (echte Netzwerke zeigen kleine‑Welt‑Eigenschaften mit moderatem Clustering; Linkfarmen neigen zu übermäßigem Clustering und kurzen durchschnittlichen Pfaden).

5Wie KI Anomalien erkennt: Methoden und Modelle

Die Detektion von Linkfarmen reduziert sich letztlich auf ein Link Prediction‑ bzw. Anomaly Detection‑Problem innerhalb von Zitiergraphen. Moderne KI‑Ansätze kombinieren mehrere Ebenen:

1. Feature‑Engineering auf Ebene der Metadaten: Autoren‑Disambiguation via ORCID, Affiliation‑Consistency, Finanzierungs‑ und Förderungsangaben, sowie zeitliche Publikationsmuster.
2. Textbasierte Embeddings: Nutzung von Modellen wie SciBERT oder BioClinicalBERT, um die semantische Ähnlichkeit zwischen zitiertem und zitierendem Papier zu quantifizieren. Eine niedrige Cosinus‑Ähnlichkeit trotz hoher Zitierhäufigkeit weist auf manipulierte Links hin.
3. Graph‑Neural‑Networks (GNNs): Modelle wie GraphSAGE oder GAT lernen Knoten‑ und Kantendarstellungen, die strukturelle Unregelmäßigkeiten (plötzliche Dichteanstiege, atypische Grad‑Verteilung) erfassen.
4. Statistische Baselines: PageRank‑Abweichungen, HITS‑Scores und Gemeinschafts‑Erkennung mittels Louvain‑Algorithmus dienen als Interpretierbarkeits‑Anker.
5. Unsupervised Outlier‑Detektion: Autoencoder‑basierte Ansätze rekonstruieren Subgraphen; hohe Rekonstruktionsfehler deuten auf generierte Strukturen hin.

Ein besonders wirkungsvoller Ansatz ist die Kombination von graph‑contrastive learning mit contrastive loss, wodurch das Modell lernt, echte Zitiergemeinschaften von künstlich aufgeblasenen Clustern zu unterscheiden. In aktuellen Benchmarks auf arXiv‑ und bioRxiv‑Datensätzen erreichten solche hybride Modelle eine Precision von über 0,92 bei einer Recall‑Rate von 0,88.

92% — durchschnittliche Precision bei GNN‑gestützter Linkfarm‑Detektion auf Mixed‑Preprint‑Datensätzen
Die genannten Werte stammen aus Peer‑Review‑Studien der letzten 12 Monate und können je nach Datenbasis variieren.

6Praxisbeispiele: Von ResearchGate bis zu Fake‑Author‑Netzwerken

Um die Relevanz der vorgestellten Methoden zu untermauern, werfen wir einen Blick auf dokumentierte Fälle:

1. ResearchGate Citation Farming: Eine Analyse von fast 3000 hochgeladenen Papieren offenbarte koordinierte Boosting‑Services, die über dummy‑Accounts gegenseitige Zitate austauschten, um den h‑Index bestimmter Nutzer künstlich zu erhöhen. Die Muster zeigten auffällig hohe Reziprozität und einheitliche Zeitstempel – ein klassisches Indiz für koordiniertes Verhalten.
2. Fake‑Author‑Zitierungen auf Preprint‑Servern: Wie von The Scientist berichtet, nutzten Akteure LLMs, um vorhandene Literatur umzuformulieren und anschließend fictive Autor*innen‑Profile zu erzeugen, die diese umformulierten Werke zitierten. Die generierten Texte wiesen zwar hohe fluency auf, doch die semantische Kohärenz zwischen Zitier‑ und zitiertem Fragment lag signifikant unter dem Schwellenwert echter wissenschaftlicher Diskurse.
3. KI‑generierte Fakerezitate in Zeitschriften: Eine Untersuchung über 4000 Publikationen großer Verlage (Elsevier, Springer, Sage) zeigte, dass etwa 1,8 % der Referenzen KI‑generiert waren – häufig mit plausibel klingenden Titeln, aber fehlendem DOI oder falscher Jahresangabe. Diese Einträge entgingen oft der ersten automatischen Prüfung, weil sie das Format korrekter Referenzen einhielten.

Alle drei Fälle gemeinsam weisen auf die Notwendigkeit hin, mehrstufige Prüfverfahren zu etablieren: Erstens, eine schnelle KI‑Screening‑Schicht auf Metadaten‑ und Text‑Ebene; zweitens, eine manuelle Prüfung bei auffälligen Scores; drittens, ein Feedback‑Loop, bei dem bestätigte Fälle das Modell weiter trainieren.

Bei einem Pilotprojekt auf einem europäischen Preprint‑Server sank die Rate falscher Zitate um 63 % nach Einführung eines wöchentlichen KI‑Rescans.

7Nutzen, Grenzen und Best Practices für Forschung und Verlagswesen

Der Einsatz von KI zur Erkennung von Linkfarmen bringt klare Vorteile, birgt aber auch Herausforderungen, die bewusst adressiert werden müssen.

Best Practices für eine verantwortungsvolle Integration:

• Transparente Modell‑Governance: Dokumentieren Sie Trainingsdaten, Features und Entscheidungsschwellenwerte.
• Mensch‑in‑der‑Schleife (Human‑in‑the‑Loop): Lassen Sie KI‑Scores als Priorisierungshilfe dienen, aber endgültige Entscheidungen von Fachkundigen treffen.
• Kontinuierliches Retraining: Führen Sie quartalsweise Updates mit neu bestätigten Linkfarm‑Beispielen durch, um Konzept‑Drift zu begegnen.
• Interoperable Standards: Nutzen Sie offene Formate wie Citation‑JSON und Schema.org‑ScholarlyArticle, um Datenaustausch zwischen Servern, Verlagen und Drittanbietern zu erleichtern.
• Ethik‑ und Datenschutz‑Check: Stellen Sie sicher, dass Autoren‑Profile nicht unrechtmäßig profiliert werden und dass GDPR‑konforme Datenverarbeitung gewährleistet ist.

Ein übermäßiges Vertrauen in automatisierte Scores kann zu falschen Beschuldigungen führen – immer eine sekundäre Prüfung einplanen.

8Ausblick und Handlungsempfehlungen für die Wissenschaftsgemeinschaft

Die Zukunft liegt in der Verflechtung von KI‑gestützter Qualitätskontrolle mit offenen Wissenschaftsprinzipien. Einige konkrete Schritte, die sowohl Einzelpersonen als auch Institutionen ergreifen können:

1. Community‑Basierte Blacklists: Erstellen und pflegen Sie offene Listen von verdächtigen Konten, DOI‑Bereichen und Instituts‑Kurzzeichen, die von Preprint‑Servern abgefragt werden können.
2. Anreize für Transparenz: Vergeben Sie Fördergelder oder Auszeichnungen an Gruppen, die offen über ihre Zitierpraktiken berichten und ggf. eigene Detektionstools zur Verfügung stellen.
3. Standardisierte Audit‑Protokolle: Entwickeln Sie gemeinsam mit Organisationen wie COPE und FORRT ein Checklist‑Framework für Preprint‑Einreichungen, das Punkte wie „Zitat‑Kontextprüfung“, „Autor‑Konsistenz“ und „Referenz‑Vollständigkeit“ umfasst.
4. Investition in Explainable AI (XAI): Fördern Sie Forschung, die nicht nur detektiert, sondern auch nachvollziehbar macht, warum ein bestimmtes Muster als anomal eingestuft wird – das stärkt das Vertrauen der Community.
5. Bildung und Sensibilisierung: Integrieren Sie Modulen zur Erkennung von Zitatmanipulation in Doktorandenkurse und Postdoc‑Workshops, damit die nächste Generation von Wissenschaftlern ein kritisches Auge entwickelt.

Nur durch ein gemeinsames Vorgehen lässt sich das Vertrauen in Preprint‑Server als Motor der offenen Wissenschaft bewahren – und gleichzeitig sicherstellen, dass KI ein Werkzeug zur Integrität bleibt, nicht ein Instrument zur Täuschung.

68% — Anteil der Forscher, die laut jüngerer Umfrage (Nature 2024) KI‑gestützte Plagiatsprüfung als „sehr nötig“ empfinden
Die größte Hebelwirkung liegt in der Kombination aus automatisierter Screening‑Technik und menschlicher Fachkritik – ein Duo, das sowohl Geschwindigkeit als auch Genauigkeit maximiert.

9Häufig gestellte Fragen (FAQ)