OpenPLS
DE
Kostenlos starten
KI-Forschungsassistent Neu · Beta

Ambient-KI, die dein Projekt kennt.

Kontextsensitive Hinweise erscheinen direkt beim Arbeiten. Ein Chat-Drawer beantwortet offene Fragen zum Modell, immer geerdet in den Zahlen, die du schon berechnet hast.

Proaktive Step-Hinweise

Ein Blick pro Tab

Öffne Results, Editor, MGA oder Advanced und siehe 1 bis 3 Vorschläge oben im Tab. Jeder Hinweis liest dein Live-Modell und zitiert deine eigenen Zahlen.

Results › KI-Hinweise
IPMA auf Loyalty laufen lassen
R² = 0.51 (substanziell). IPMA plottet Importance gegen Performance, damit du Vorgänger priorisieren kannst.
HTMT-Problem: Trust ↔ Quality
HTMT = 0.87 überschreitet die konservative Schwelle von 0.85. Diskriminanzvalidität vor Publikation prüfen.

KI-Chat-Drawer

Fragen, geerdete Antworten

Öffne den Roboter unten rechts und frage alles zu Modell, Daten oder Ergebnissen. Vier Read-Only-Tools geben dem Modell Zugriff auf Projekt-Struktur, niemals auf Rohdaten.

KI-Companion
Was sollte ich als nächstes rechnen?
Bei substanziellem R² (Loyalty 0.51, Satisfaction 0.71) und einer `gender`-Spalte im Dataset: IPMA um Vorgänger zu priorisieren, dann MICOM gefolgt von MGA um Pfad-Unterschiede nach Geschlecht zu testen.
genutzt: getResults, getDataset
  • Niemals Datensatz-Zeilen
  • Nur Struktur und Aggregate verlassen den Browser
  • 100 Freikalls pro Feature pro Monat
  • Standardmäßig aus, ein Klick zum Aktivieren
Die Lücke

PLS-SEM hat mehr Schwellenwerte, als sich ein einzelner Forscher merken kann.

Hair, Ringle und Sarstedts Primer on PLS-SEM umfasst 428 Seiten. Chins R²-Stufen, Henselers HTMT, Cohens f², Roemers HTMT2, Shmuelis Out-of-Sample-Regeln - jeder Schritt einer sauberen Analyse hat einen Cut-off, eine Zitierung und einen Vorbehalt zur Domänen-Variation. Selbst erfahrene Autoren haben den Primer neben dem Editor offen und prüfen Werte zwischen den Absätzen nach.

Der KI-Companion nimmt nichts von dieser Sorgfalt weg. Er nimmt die Lookup-Steuer weg. Er liest dein Live-Projekt, kennt die passende Schwelle, nennt die Quelle und flaggt genau die Stelle, an der du kurz davor bist etwas zu publizieren, das ein Reviewer aufgreifen würde.

15+
Qualitätskriterien pro Compute-Run
7
Workflow-Steps mit KI-Support
10+
zitierte PLS-SEM Klassiker
< 4 s
von der Frage zur belegten Antwort
Jetzt live

Vom Compute-Output zum Manuskript-Entwurf, der Peer-Review übersteht.

Die letzten drei Phasen schließen den Kreis. Die richtigen fortgeschrittenen Methoden werden vorgeschlagen, Method / Results / Discussion aus deinem Live-Output entworfen, und jede Behauptung lässt sich zu einem kuratierten Paper zurückverfolgen, das der Assistent beim Namen nennt.

Live

Advanced-Methods-Assistent

Liest dein Modell, deine Stichprobengröße und deine Ergebnisse und schlägt eine geordnete Pipeline vor. IPMA vor MGA. MICOM vor MGA. FIMIX weglassen unter n = 200. Jeder Vorschlag kennt die Schwelle, die er gerade überschritten hat.

Dein Projekt · Loyalty-Studie
n = 214 · 4 LVs · R² substanziell
Empfohlene nächste Schritte
  1. IPMA auf Loyalty - Ringle & Sarstedt 2016
  2. PLSpredict k = 10 für Out-of-Sample - Shmueli 2019
  3. MICOM → MGA nach Markt - Henseler et al. 2016
Ein Klick öffnet das Panel mit voreingetragenen Parametern.
Live

Report-Entwürfe + Reviewer-Defense

Method-, Results- und Discussion-Absätze direkt aus deinem Live-Compute-Output als LaTeX oder Word. Inklusive Reviewer-Simulation: was ein skeptischer Reviewer einwenden würde und mit welcher Zitierung du antwortest.

Ergebnis-Sektion · Auto-Entwurf
"Das strukturelle Modell erklärt 51 % der Varianz in Loyalty (R² = 0.51, substanziell nach Chin 1998). Trust hat den stärksten direkten Effekt (β = 0.42, p < 0.001), konsistent mit…"
Reviewer-Defense
Reviewer 2: „HTMT Trust ↔ Quality = 0.87 überschreitet 0.85."
→ Verfeinert über HTMT2 (Roemer et al. 2021) - die Geometric-Mean-Korrektur ergibt 0.83, deutlich unter der konservativen Schwelle.
Live

Zitate aus einem kuratierten Corpus

Jede Aussage wird in einer vektor-indexierten Bibliothek von 50+ PLS-SEM-Klassikern verankert. Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli. Jeder Zitat-Chip öffnet das Abstract des Papers im Drawer.

KI-Antwort mit verankerten Zitaten
"Ein R² von 0.51 gilt in der PLS-SEM-Literatur als substanziell (Chin-Stufen 1998)."
Chin 1998 · §22.4 Hair et al. 2022 · Kap. 6
50+ PLS-SEM-Quellen indexiert
KI-first Workflow

Zwei Designer, ein zusammenhängender Flow.

Aus einer Forschungsfrage wird in Sekunden ein Starter-Modell. Aus dem Modell kommt ein validierter Fragebogen zurück. Daten erheben, dann mit demselben Assistenten interpretieren.

KI-Modell-Designer

Live

Gib deine Forschungsfrage ein. Der Assistent schlägt 3-6 latente Variablen mit Modes (reflektiv/formativ), hypothetisierte Pfade mit Zitierungen und 2-3 Blueprint-Referenzen aus der PLS-SEM-Literatur vor. Ein Klick erstellt ein neues Modell mit LVs und Pfaden bereits eingezeichnet.

Model › AI designer
Forschungsfrage
"Was treibt Kundenbindung im Online-Lebensmittelhandel?"
↓
KI-Vorschlag
Trust · Reflektiv Perceived Quality · Reflektiv Satisfaction · Reflektiv Loyalty · Reflektiv
H1: Trust → Loyalty (+) - Zeithaml et al. 1996

Fragebogen-Builder

Live

Zum bestehenden Modell erzeugt der Assistent 4-6 validierte Umfrage-Items pro LV mit Quellenzitat (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Oder von Hand starten und selbst schreiben. Inline editieren, Demografie ergänzen, als CSV / Markdown / JSON für Qualtrics, LimeSurvey oder SoSci Survey exportieren.

Dataset › Questionnaire builder
Trust · Davis (1989)
trust1 Ich vertraue darauf, dass dieser Shop seine Versprechen einhält.
trust2 Dieser Shop wirkt zuverlässig in seinen Transaktionen.
trust3 Der Shop geht sorgfältig mit meinen persönlichen Daten um.
Alter · Geschlecht · Land
Wo er hilft

Ambient-Support in jedem Schritt deines PLS-SEM-Projekts.

Der Companion ist kein Chatbot der auf ein Formular gepatcht wird. Er ist in die Panels eingewoben, die du sowieso nutzt, und liest nur was er braucht.

01

Modell-Editor

Während du LVs und Pfade zeichnest, liest der Assistent die aktuelle Struktur und meldet reflektive-formative-Mode-Mismatches, LVs mit weniger als 3 Indikatoren und unverbundene Konstrukte. Er schlägt Higher-Order-Constructs vor wenn korrelierte LVs sich zusammenfassen lassen und zitiert Sarstedt et al. (2019) zum Disjoint-Two-Stage-Ansatz.

Beispiel
Deine Trust-LV hat 2 Indikatoren. Reflektive Messung wird typischerweise ab 3 Items empfohlen (Hair et al. 2019). Füge ein drittes Item hinzu oder wechsle zu Mode B, falls diese Items formative Facetten sind.
02

Dataset-Upload

Sample-Size-Adäquanz gegen die 10-fache Regel, Missing-Value-Audit pro Spalte, Sentinel-Code-Erkennung (−99, −999), Skalen-Range-Konsistenz zwischen Indikatoren derselben LV. Alles aus Spalten-Aggregaten - nie aus deinen Daten.

Beispiel
n = 84 unterschreitet die 10-fache Regel für dein Modell (größte LV hat 4 eingehende Pfade). Erhöhe die Stichprobe oder interpretiere die Bootstrap-CIs mit Vorbehalt.
03

Ergebnis-Interpretation

R²-Stufen mit benannten Cut-offs (Chin 1998), HTMT-Verletzungen pro Paar, Reliabilitäts-Fehler pro LV, SRMR-Fit-Warnung und die eine sinnvollste nächste Methode gegeben deinen aktuellen Zahlen. Der wichtigste Step - die meisten Manuskripte werden hier gewonnen oder verloren.

Beispiel
R² für Loyalty = 0.51 (substanziell). Pfad Trust → Loyalty = 0.42 (p < 0.001), respektabel. Aber HTMT Trust ↔ Quality = 0.87 überschreitet die konservative Schwelle 0.85 (Henseler et al. 2015). Rechne HTMT2 (Roemer et al. 2021) für die Geometric-Mean-Korrektur, bevor du Diskriminanzvalidität behauptest.
04

Multi-Group-Analyse

Der Assistent scannt dein Dataset auf kategoriale Spalten mit 2–5 Ausprägungen (Gender, Markt, Treatment) und schlägt MGA-Kandidaten vor. Er erzwingt die MICOM-vor-MGA-Reihenfolge, warnt wenn eine Gruppe unter n = 30 fällt, und nennt die Pfade auf die es sich lohnt zu vergleichen.

Beispiel
Spalte market hat 4 Levels (DE, US, UK, JP). Gruppe JP hat n = 27 - unter der Untergrenze für stabiles Bootstrap. Verbinde JP mit einem anderen Asien-Markt oder lass es aus der MGA.
05

Auswahl fortgeschrittener Methoden

Welche der 15+ Methoden passt wirklich auf dein Modell? Der Assistent liest deine R²s, Sample-Size, Modell-Shape und Reliabilitäts-Metriken und schlägt eine geordnete Pipeline vor. Die Frage "was rechne ich als nächstes" bekommt eine konkrete, belastbare Antwort mit Zitierung.

Beispiel
Bei substanziellem R² und Policy-Bezug im Papier: IPMA zuerst um Vorgänger zu priorisieren (Ringle & Sarstedt 2016). Wenn Out-of-Sample-Verallgemeinerung in der Diskussion wichtig ist, PLSpredict mit k = 10 (Shmueli et al. 2019). FIMIX-PLS lieber lassen - dein n = 180 ist an der Untergrenze.
06

Bericht-Erstellung

Methoden-Sektion, Ergebnis-Sektion, Limitations-Diskussion - direkt aus deinem Live-Compute-Output als LaTeX- oder Word-Absätze. Inklusive Reviewer-Defense: was ein skeptischer Reviewer fragen würde und mit welcher Zitierung du antwortest.

Beispiel
Ergebnis-Absatz auto-erstellt: "Das strukturelle Modell erklärt 51 % der Varianz in Loyalty (R² = 0.51, substanziell nach Chin 1998). Trust hat den stärksten direkten Effekt (β = 0.42, p < 0.001)…" - einmal ins Manuskript einfügen, einmal für den Ton bearbeiten.
In der Literatur verwurzelt

Jede Schwelle nennt ihre Quelle.

Der Companion erfindet keine Zahlen. Wenn er einen Cut-off nennt, ist die Zitierung im System-Prompt einprogrammiert und stammt aus der kanonischen PLS-SEM-Literatur, gegen die auch OpenPLS validiert wird.

Kriterium Cut-off Quelle
R²-Stufen 0.19 / 0.33 / 0.67 Chin (1998)
Cohens f²-Stufen 0.02 / 0.15 / 0.35 Cohen (1988)
HTMT Diskriminanzvalidität < 0.85 (konservativ), < 0.90 (liberal) Henseler et al. (2015)
HTMT2-Verfeinerung Geometric-Mean-Korrektur Roemer et al. (2021)
SRMR Model-Fit < 0.08 Hu & Bentler (1999)
Cronbachs α, Composite Reliability ≥ 0.70 Nunnally & Bernstein (1994)
10-fache Regel für Sample-Size n ≥ 10 × max Pfade in eine LV Barclay et al. (1995)
Bootstrap-Iterationen (Publikation) ≥ 5000 Hair et al. (2022)
IPMA Importance × Performance Total Effects × Mean Latent Scores Ringle & Sarstedt (2016)
PLSpredict k-Fold-Panel RMSE, MAE vs. Linear-Model-Benchmark Shmueli et al. (2019)

Wenn der Assistent nach einer Schwelle gefragt wird, die er nicht sicher kennt, sagt er das statt zu raten. Diese Regel steht im System-Prompt fest: "Wenn du eine Schwelle nicht sicher kennst, sag es und erfinde keine Zahl."

Drei Researcher-Journeys

Reale Workflows die der Companion beschleunigt.

Illustrative Zusammenfassungen aus OpenPLS-User-Sessions und typischen PLS-SEM-Kontexten. Keine echten Personen.

Marketing-Doktorand:in
Cumulative Stichprobe von 214 Online-Shopping-Befragten. Trust → Satisfaction → Loyalty. Abgabe in 6 Wochen.
Editor

Companion flaggt Loyalty mit nur 2 Indikatoren und zitiert Hair et al. 2019 zur Item-Mindestzahl. Drittes validiertes Item aus Watanabe et al. 2018 wird ergänzt.

Ergebnis

R² = 0.62 für Loyalty. HTMT Trust ↔ Satisfaction = 0.88 auffällig. HTMT2-Verfeinerung schlägt sauber mit 0.83 durch. Reviewer-Defense abgesichert.

Advanced

IPMA auf Loyalty. Trust rangiert auf Platz 1 (Importance 0.42, Performance 61). Fertige Vorlage für die Managerial-Implications-Sektion.

3 Tage Literatur-Recherche zu 90 Minuten fokussierter Arbeit verdichtet.
Health-Services-Forscher:in
Patient-Experience-Umfrage, n = 512 in 4 Kliniken. Daten mit Sentinel-Code −99 für "nicht beantwortet" hochgeladen.
Dataset

Companion bemerkt verdächtig niedriges R². Merkt an dass −99 nicht als Missing registriert ist. Empfiehlt −99 in die Missing-Codes des Datasets aufzunehmen.

Recompute

R² für Care-Quality → Satisfaction springt von 0.09 auf 0.44 nach korrektem Missing-Handling. Ergebnis wird publikationsreif.

MGA

Hospital-ID hat 4 Levels. Companion erzwingt MICOM zuerst - Partial Invariance gegeben. MGA zeigt signifikante Trust → Loyalty Unterschiede zwischen zwei Häusern.

Analysefehler kurz vor Manuskript-Einreichung abgefangen.
Consulting-Analyst:in
B2B-Kundenzufriedenheits-Studie für Mid-Cap-Hersteller. Deliverable: 20-Seiten-Report mit klaren Handlungsempfehlungen.
Editor

Companion schlägt Formative-Reflective-HOC für Service-Quality vor. Zitiert Sarstedt et al. 2019 zum Disjoint-Two-Stage. 6 Items werden zu einem sauberen zweidimensionalen Konstrukt.

Advanced

PLSpredict k = 10. Modell schlägt Linear-Model-Benchmark bei RMSE. Erklärung des Unterschieds zwischen In-Sample-R² und Out-of-Sample-Validität für den Kunden.

Report

LaTeX-Tabellen und IPMA-Prioritäten direkt exportiert. Report-Entwurf zwei Tage vor Deadline fertig.

Kunde bekommt ein belastbares Modell und klare Priorisierung - keine Statistik-Wand.
Vertrauen statt Abkürzung

Der Assistent hilft dir zu entscheiden. Er entscheidet nicht für dich.

Jedes PLS-SEM-Paper trägt deinen Namen, deine Verteidigung. Der Companion ist bewusst so gebaut dass er dein Urteil stärkt statt es zu ersetzen.

Liest nur Struktur und Aggregate

Modell-Shape, Spalten-Summaries, R², p-Values, HTMT-Matrizen, Reliabilität - das ist alles. Nie Dataset-Zeilen, nie Uploader-Identität, nie Dateinamen. Das ist im Code erzwungen, nicht im Prompt.

Nennt seine benutzten Tools

Jede Antwort zeigt welche der vier Read-Only-Tools das Modell aufgerufen hat. Wenn eine Zahl behauptet wird, kannst du prüfen aus welchem Tool sie kam. Kein Black-Box.

Rechnet nie selbst

Der Companion kann "rechne IPMA auf Loyalty" vorschlagen - den Compute-Aufruf kann er nicht selbst auslösen. Bei jedem irreversiblen Step bleibst du am Ruder.

Sagt "weiß ich nicht" wenn er's nicht weiß

Harte Regel im System-Prompt: wenn eine Schwelle oder Methoden-Eignung unsicher ist, sagt der Assistent das statt zu halluzinieren. Verweigerung ist ein Feature.

Standard aus, ein Klick an

Companion steht hinter einem expliziten Opt-In mit klarer Consent-Fläche. Wenn an, ein Klick auch wieder aus - keine versteckten Abhängigkeiten, kein Re-Onboarding.

Transparente Quota

100 Chat-Turns und 100 Hint-Calls pro User pro Monat im Beta. Du siehst immer wie viele übrig sind. Kein Auto-Billing, keine Überraschungsrechnung.

Roadmap

Wohin es mit dem Companion geht.

Alle 7 Phasen sind live. Jeder Schritt eines PLS-SEM-Manuskripts, von der Forschungsfrage bis zur Reviewer-Defense, hat jetzt seinen eigenen KI-Companion.

  1. ✓

    Phase 1 · Interpretations-Chat

    Beantwortet offene Fragen zu deinem Modell über vier Read-Only-Tools. Live seit 2026-07-27.

  2. ✓

    Phase 2 · Kontextuelle Step-Hinweise

    Proaktive 1–3 Vorschläge oben in jedem Projekt-Tab. Live seit 2026-07-27.

  3. ✓

    Phase 3 · Modell-Design-Assistent

    Verwandelt deine Forschungsfrage in ein Starter-Modell mit LVs, Modes, Pfaden und Blueprint-Zitaten. Ein Klick schreibt es als neues Modell mit allem bereits eingezeichnet. Live seit 2026-07-27.

  4. ✓

    Phase 4 · Fragebogen-Design

    Pro LV 4-6 validierte Items mit Zitierungen (Davis TAM, Zeithaml SERVQUAL, Cronin & Taylor …). Oder manuell starten und selbst schreiben. Inline-Editor, Demografie-Presets, CSV/Markdown/JSON-Export. Live seit 2026-07-27.

  5. ✓

    Phase 5 · Automatische Methodenwahl

    Liest das vollständige Projekt (Modell + Daten + Ergebnisse) und entwirft eine geordnete Advanced-Methods-Pipeline - IPMA vor MGA, MICOM vor MGA, PLSpredict wo Out-of-Sample zählt. Jeder Vorschlag zitiert die Schwelle, die er gerade überschritten hat. Live seit 2026-08-03.

  6. ✓

    Phase 6 · Reporting + Reviewer-Defense

    Methoden-, Ergebnis- und Diskussions-Absätze aus deinem Live-Compute-Output als LaTeX oder Word. Inklusive Reviewer-Simulation: was ein skeptischer Reviewer einwenden würde und mit welcher Zitierung du antwortest. Live seit 2026-08-03.

  7. ✓

    Phase 7 · RAG mit kuratierter Literatur

    Jede Aussage wird in einer vektor-indexierten Bibliothek von 50+ PLS-SEM-Klassikern verankert (Chin, Henseler, Hair, Sarstedt, Ringle, Shmueli). Zitat-Chips öffnen den Quell-Absatz im Drawer. Live seit 2026-08-03.

Aktiviere ihn und sieh dein Projekt mit den Augen des Companions.

Gratis im Beta. Standardmäßig aus. Keine Kreditkarte. Ein Klick in den Kontoeinstellungen - oder direkt beim Öffnen des Roboters unten rechts in der App.

Loslegen Anmelden