Mixed-Methods-Forschung

Dies ist eine automatische Übersetzung der englischen Seite; sie wurde noch nicht von einer muttersprachlichen Person geprüft.

Mixed-Methods-Forschung — die Gestaltung und Praxis, quantitative und qualitative Stränge innerhalb einer einzelnen Studie absichtlich zu kombinieren, sodass ihre Stärken sich ergänzen und ihre Schwächen einander ausgleichen. In der KI in der Bildung werden Mixed-Methods-Designs breit genutzt, weil KI-Effekte gleichzeitig messbar (Lernzuwächse, Engagement) und bedeutungsgeladen (Vertrauen, Handlungsfähigkeit, Identität) sind – und weder eine Erhebung noch ein Interview allein beides erfasst.

Fragen zum Nachdenken

• Angenommen, eine Erhebung zeigt, dass Studierende hohe Zufriedenheit mit einem KI-Werkzeug berichten, aber Testpunktzahlen sich nicht verbessern. Welche Zahl ist „richtig"? Die Seite argumentiert, dass die Kombination quantitativer und qualitativer Stränge jeden den anderen erklären lässt – wie könnte ein Interview erklären, was die Zahlen allein nicht können?
• Eine verbreitete Ansicht ist, dass Zahlen objektiv und Interviews anekdotisch sind, deshalb sei quantitative Evidenz überlegen. Die Seite behandelt die beiden stattdessen als komplementär – Breite und Präzision von Zahlen, Tiefe und Bedeutung von Wörtern. Wann führt eine Zahl ohne Kontext mehr in die Irre als ein Interview?
• Ein Designmuster (sequenziell erklärend) erhebt zuerst quantitative Daten und nutzt dann Interviews, um überraschende Ergebnisse zu erklären. Kennen Sie ein Bildungsergebnis, das numerisch rätselhaft war, bis qualitative Berichte den Mechanismus offenlegten?
• Triangulation ist der zentrale Wert: wenn unabhängige Stränge konvergieren, steigt die Konfidenz, und wenn sie divergieren, ist die Diskrepanz selbst informativ. Hatten Sie je zwei Evidenzquellen über dieselbe Sache, die sich widersprachen – und was lernten Sie aus dem Konflikt?
• Mixed Methods können gleichzeitig Effekte (wie viel Lernzuwachs) und Bedeutung (Vertrauen, Identität, Handlungsfähigkeit) erfassen – Dinge, die keine einzelne Erhebung und kein einzelnes Interview allein erfassen. Wenn Sie untersuchten, ob ein KI-Werkzeug Studierenden hilft, welche quantitativen und qualitativen Fragen würden Sie paaren, und in welcher Reihenfolge?

Einführung

Mixed-Methods-Designs integrieren die Breite, Präzision und kausale Kraft quantitativer Methoden mit der Tiefe, dem Kontext und der Bedeutung qualitativer Methoden. Das Wertversprechen ist Triangulation: wenn unabhängige Stränge auf dieselbe Schlussfolgerung konvergieren, steigt die Konfidenz; wenn sie divergieren, ist die Diskrepanz selbst informativ.

Verbreitete Designmuster

• Sequenziell erklärend (QUAN → qual). Quantitative Daten werden zuerst erhoben, dann erklären oder kontextualisieren qualitative Daten überraschende oder signifikante quantitative Befunde. Eine Mixed-Methods-Studie zu generativer KI und nachhaltigem Lernen paart dreiwellige Erhebungen mit Interviews von Lehrenden, um das quantitative Muster von Erweiterung zu Überabhängigkeit zu erklären.
• Sequenziell explorativ (QUAL → quan). Qualitative Arbeit baut Theorie, erzeugt Hypothesen oder informiert Instrumentendesign, das dann quantitativ getestet wird. Eine qualitative Typologie der ChatGPT-Adoption ergibt Kategorien, die späteres Erhebungsdesign informieren können.
• Explorativ sequenziell mit Messinvarianz. Bu und Li (2026) kodieren Interviews, um die vier Dimensionen des Modells zu identifizieren, bauen ein 22-Item-Instrument daraus und testen dann konfigurale, metrische und skalare Invarianz über Geschlecht und Fachbereich hinweg an einer analytischen Stichprobe von 642 – und zeigen so einen qualitativen Strang, der ein Erhebungsinstrument speist, und einen Invarianztest, der bestätigt, dass die Konstrukte sich über Gruppen hinweg gleich verhalten.
• Konvergent/parallel. Quantitative und qualitative Stränge laufen gleichzeitig und werden in der Analyse integriert. Die Kompetenzparadox-Studie nutzt Fokusgruppen von Dozierenden, eine Studierenden-Erhebung und Folge-Interviews parallel; die Studie zur Vertrauens-Nutzen-Lücke kombiniert Erhebungs- und Interview-Evidenz zur KI-Adoption von Physikstudierenden.

Wie Mixed Methods in der Wissensbasis erscheinen

• Mechanismen erklären. Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts kombiniert Stränge, um die Mechanismen KI-vermittelten Lernens über Fach-Institutions-Kontexte hinweg zu entpacken, wo quantitative Unterschiede allein opak wären.

• Ergebnisdaten mit Erleben ergänzen. Sicherheit von KI-Tutoren paart quantitative Schadensindikatoren mit qualitativen Berichten pädagogischen Schadens; The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students paart quantitative Erhebungsergebnisse mit qualitativen Berichten zur Aushandlung von Identität.

• Integration ohne Pooling. Wang und Zhao (2026) koordinieren eine Erhebung (N = 131), menschliche Kodierung von 66 Critical-Engagement-Texten und Programmier-Logs (N = 1,423), die aus verschiedenen Stichproben kommen und nie verschmolzen werden, und weisen dem KI-freien Spuren-Zweig eine Grenztest-Rolle statt einer bestätigenden zu – jeder Strang bekommt eine eigene inferentielle Aufgabe statt nebeneinander berichtet zu werden.

• Gestaltung und Evaluation. Ein multiständiges Experiment zu GenAI-Feedback-Design kombiniert experimentelle Ergebnismessung mit qualitativem Feedback von Lernenden und integriert quantitative Effektschätzung mit Designanleitung.

• Prozess-Evidenz innerhalb einer großen Studie. Mata et al. (2026) paaren Systembeobachtung und Diskussionen mit Administratorinnen und Administratoren gegen eine vierjährige randomisierte Evaluation von 8,708 Studierenden über acht Semester hinweg, gepowert um Effekte von 0.05 Standardabweichungen zu detektieren, sodass dieselbe Studie die organisatorischen Bedingungen erklärt, die ein Chatbot-Programm aufrechterhielten, und eng begrenzte Nulls auf GPA und Persistenz berichtet.

• Ein Politikphänomen triangulieren. Eine Studie zu Aufschieben von Studierendendatenschutz in EdTech paart zwölf semi-strukturierte Interviews mit einer Prüfung von 48 Plattform-Dokumenten, gepunktet von zwei Kodiererinnen und Kodierern auf Inter-Rater-Reliabilität (mean Cohen's κ = 0.781), und nutzt die Interviews, um zu erklären, warum Datenschutz aufgeschoben wird, und die Prüfung, um das Offenlegungsmuster zu zeigen, das Aufschieben produziert – ein konvergentes Design, in dem keiner der Stränge allein die Behauptung stützen könnte (Nair & Greenstadt, 2026).

Stärken und Grenzen

• Stärken: Triangulation erhöht die Konfidenz; quantitative Breite plus qualitative Tiefe; kann unerwartete Ergebnisse erklären und Mechanismus mit Größe überbrücken; produziert sowohl Effekte als auch Bedeutung; gut geeignet für komplexe, kontextuelle Phänomene der KI-Bildung.
• Grenzen: komplex, ressourcenintensiv und methodologisch anspruchsvoll; Integration kann flach sein, wenn Stränge bloß nebeneinander berichtet statt echt verschmolzen werden; erbt weiterhin die Schwächen jedes Strangs (z. B. Selbstauskunfts-Bias in Erhebungen, Forscherabhängigkeit in Interviews); erfordert Profizienz in beiden methodischen Traditionen.
• Eine Cluster-Grenze, die die Inferenz begrenzt. Alshehri et al. (2026) weisen zwei intakte Klassen zu (n = 31, n = 22), deshalb ignorieren mit nur zwei Clustern die berichteten t-Tests die Intraclass-Nestung und Multilevel-Modelle sind nicht schätzbar, was die Signifikanztests optimistisch darüber macht, was das Design stützen kann.

Beziehung zur weiteren Methodenlandschaft

Mixed Methods sitzt zwischen den quantitativen und qualitativen Traditionen, schöpft aus den Stärken jeder und fügt die Designdisziplin absichtlicher Integration hinzu. Sie ist eine methodologische Antwort auf die Erkenntnis, dass Phänomene der KI-Bildung sowohl wirkungsvoll als auch bedeutungsgeladen sind – und dass das Feld am schnellsten vorankommt, wenn Breite und Tiefe kombiniert werden (siehe Forschungsmethoden in der KI-Bildung). Sie verbindet sich mit Bildungsmessung (quantitative Instrumente), Theorieentwicklung (qualitativer Theorieaufbau) und Evaluation von KI in der Bildung (Integration von Ergebnis- und Erlebens-Evidenz).

Verbundene Konzepte

• Forschungsmethoden in der AIED
• Qualitative Forschung
• Quantitative Forschung
• Bildungsmessung
• Lerngewinne
• Theorieentwicklung in der KI in der Bildung
• Evaluation von KI in der Bildung
• Erleben der Studierenden

Verbundene Artikel

• From Enhancement to Over-Reliance: A Mixed-Method Study of Generative AI and Sustainable Learning Performance — From enhancement to over-reliance (surveys + interviews)
• The Competence Paradox: Negotiating Ease, Risk, and Creative Identity in Text-to-Image Generative AI Use Among Art and Design Students — The competence paradox (focus groups + survey + interviews)
• Trust-utility gap in introductory physics education: Students' adoption, domain-specific skepticism, and preferences for AI integration — Trust–utility gap (survey + interviews)
• Same AI, different pathways: Unpacking mechanisms of AI-mediated learning across discipline-institution contexts — Mechanisms of AI-mediated learning across contexts
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — Human-centered GenAI feedback design (multisite)
• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — AI tutor safety and pedagogical harms
• Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — A qualitative typology of ChatGPT adoption in physics
• "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech — „We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech