AIEd-WissensbasisAIEd KB
Auf dieser Seite

Diese Seite wurde maschinell ins Deutsche übersetzt; die Artikelseiten sind weiterhin auf Englisch verfasst. Diese Seite auf Englisch lesen

Konzepte

Qualitative Forschung

Erstellt 2026-08-24 · Aktualisiert 2026-10-10

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

Qualitative Forschung — die Familie empirischer Methoden, die untersuchen, wie Menschen Phänomene erleben, interpretieren und mit Sinn versehen, typischerweise durch Worte, Beobachtungen und Artefakte statt durch Zahlen. In KI in der Bildung offenbaren qualitative Methoden, wie Studierende und Lehrende KI-Werkzeuge tatsächlich erleben — die Bedeutungen, Spannungen, Schäden und Mechanismen, die standardisierte Maße übersehen. Weil KI in der Bildung sich schnell bewegt und ihre Effekte häufig durch Kontext, Wahrnehmung und bestrittene Konstrukte wie Vertrauen und Handlungsfähigkeit vermittelt sind, ist qualitative Arbeit neben quantitativen Designs unverzichtbar (siehe Forschungsmethoden in der AIED).

Fragen zum Nachdenken

  • Eine Umfrage sagt Ihnen, dass 40% der Studierenden einem KI-Tutor misstrauen; eine Fokusgruppe sagt Ihnen, warum sie ihm misstrauen. Welche Zahl fühlt sich für Sie handlungsleitender an, und was fügt das „Warum" hinzu, das der Prozentwert nicht kann?
  • Qualitative Befunde sind meist nicht statistisch generalisierbar, aber oft „konzeptuell generalisierbar" — Mechanismen und Dynamiken, die sich anderswohin übertragen. Was bedeutet es, bevor Sie weiterlesen, dass ein Befund im Konzept, aber nicht in der Statistik generalisierbar ist?
  • Die Seite mahnt, dass Übereinstimmung zwischen Mensch und LLM beim Kodieren nicht dasselbe ist wie Kodierqualität, wenn menschlicher Konsens nicht die Grundwahrheit ist. Haben Sie „zwei Gutachtende stimmten überein" schon einmal als Beweis behandelt, dass etwas korrekt war? Wann ist Übereinstimmung ein Signal für Wahrheit, und wann ist sie nur geteilter Irrtum?
  • Wenn KI heute qualitatives Kodieren im großen Maßstab unterstützen kann, bedroht das die interpretative Tiefe, die qualitative Forschung wertvoll macht, oder automatisiert es bloß ihre Plackerei? Wie würden Sie entscheiden, welches davon in einer bestimmten Studie geschieht?
  • Qualitative Arbeit zentriert unterrepräsentierte Stimmen — Studierende ethnischer Minderheiten, skeptische Nichtnutzerinnen und Nichtnutzer —, die große Umfragen oft übersehen. Denken Sie an eine Behauptung zu KI in der Bildung, die Sie gehört haben. Wessen Erfahrung damit wird von der Überschriftenzahl wahrscheinlich nicht erfasst?
  • Wählen Sie ein bestrittenes Konstrukt, das Ihnen wichtig ist — Vertrauen, Handlungsfähigkeit oder Schaden. Skizzieren Sie vor dem Lesen, wie Sie es mit Worten und Beobachtungen statt mit Zahlen untersuchen würden, und notieren Sie, was Sie dabei verlieren würden.

Einführung

Qualitative Forschung ist keine einzelne Methode, sondern eine Familie, die danach organisiert ist, was sie untersucht und wie Evidenz erhoben und analysiert wird. Was sie eint, ist die Betonung von Sinngebung, Kontext und Tiefe gegenüber Breite und kausaler Kontrolle. Qualitative Befunde sind typischerweise nicht im statistischen Sinne generalisierbar, aber oft konzeptuell generalisierbar — sie offenbaren Mechanismen, Kategorien und Dynamiken, die sich in andere Settings übertragen. Im Korpus der Wissensbasis ist qualitative Arbeit prominent für die Untersuchung von KI-Akzeptanz, Vertrauen, Schaden, Unterrichtspraxis und Lernprozessen.

Wichtige qualitative Ansätze

Thematische Analyse

Thematische Analyse identifiziert, kodiert und interpretiert Muster („Themen") in qualitativen Daten — typischerweise Interview- oder Fokusgruppen-Transkripten, offenen Antworten auf Umfragen oder Dokumenten. Es ist der am breitesten genutzte Ansatz in den qualitativen Studien der Wissensbasis. Interviews und offene Antworten sind selbst Selbstauskunftsdaten, teilen also die Grenzen dessen, was über Verhalten behauptet werden kann — siehe jene Seite dafür, wo Selbstauskunftsevidenz stark ist und wo sie zusammenbricht. Eine Studie zur Vertrauens-Nutzen-Lücke in der Physik nutzt thematische Analyse von Interviewdaten der Studierenden, um fachspezifische Skepsis und Übernahmepräferenzen sichtbar zu machen; ein Vergleich von GenAI- und Lehrkräftefeedback analysiert Wahrnehmungen von Nützlichkeit und Vertrauenswürdigkeit durch Studierende; und Leitlinien für KI-Lernen von Erwachsenen leiten Designprinzipien aus thematischer Kodierung von Eingaben von Expertinnen, Experten und Lernenden ab. Wie KI Unterrichtsabläufe verändert stützt sich auf thematische Analyse von Berichten Lehrender.

Kodierungsverlässlichkeit kann zu einem laufenden Verfahren statt einer einmaligen Prüfung gemacht werden. Galiç et al. (2026) kodieren 304 Noticing-Aussagen bei Krippendorffs α = .803, überwachen die Übereinstimmung an fünf überlappenden Fällen (gepoolt κ = 0,937) und kodieren bestrittene Aussagen neu, wann immer die Übereinstimmung unter eine Rekalibrierungsschwelle von 0,85 fiel, bevor sie fortfuhren; die kodierten Aussagen gehen dann in eine epistemische Netzwerkanalyse ein, die modelliert, welche Dimensionen gemeinsam auftreten, statt einer flachen Liste von Themen.

Grounded Theory

Grounded Theory bildet eine Theorie aus den Daten, statt ein vorab gesetztes Rahmenwerk zu testen, und nutzt dabei iteratives Kodieren (offen → axial → selektiv) bis zur theoretischen Sättigung. Sie ist ideal, um neue Theorie über aufkommende Phänomene in KI in der Bildung zu konstruieren. Liu et al. entwickeln eine Grounded Theory von Werkzeug, Tutor oder Krücke — eine Typologie von drei Modi, wie Studierende in der Programmierausbildung kognitiv auf KI stützen oder auslagern — und theoretisieren damit direkt kognitive Entlastung. Eine Grounded-Theory-Studie zu kritischen KI-Tutoren untersucht, ob solche Tutoren Lernende empowern oder versklaven. Humanzentriertes GenAI-Feedback-Design nutzt Grounded-Analyse über eine Multi-Standort-Studie hinweg. Siehe auch Theorieentwicklung in der AIED dafür, wie solche Grounded Theories die Theoriebildung des Felds speisen.

Phänomenologie und Phänomenographie

Phänomenologische Ansätze untersuchen die gelebte Erfahrung eines Phänomens — wie es ist, mit KI zu lernen —, während Phänomenographie die qualitativ unterschiedlichen Weisen untersucht, wie Menschen ein Phänomen erleben und verstehen (und dabei „Beschreibungskategorien" erzeugt). The Absent Cognitive Baseline schöpft aus den gelebten Erfahrungen von Studierenden mit Selbstbewertung unter KI, um eine strukturelle Lücke zu theoretisieren; eine phänomenologische Studie hält die Erfahrung fest, Arbeit mit KI abzuschließen, während man wissentlich nicht versteht; und eine soziokulturelle, interpretative Studie analysiert, wie GenAI in der akademischen Praxis der Mathematik zu einem „runaway object" wird.

Diskursanalyse

Diskursanalyse untersucht, wie Sprache im Gebrauch Bedeutung, Identitäten und Macht konstruiert — indem sie Kursraumgespräche, geschriebenen Text oder interaktionale Sequenzen analysiert. NSPA führt langfristige Kursraum-Diskursanalyse durch (hier rechnerisch unterstützt), um dialektische Verzerrung im Verständnis von Kursrauminteraktion abzumildern; eine Studie zu vorbereitenden Studierenden ethnischer Minderheiten analysiert kollaborativen Diskurs in Prompt-Engineering-Aufgaben. Diskursanalyse überbrückt qualitative Interpretation und rechnerische Methoden, wenn sie mit NLP in der Bildung kombiniert wird.

Poudyal (2026) zeigt, wie Diskurskodierung auditierbar wird, wenn sie als zählbare Regeln dargestellt wird: Über 366 Abstracts und 91.405 Tokens zählt eine Assoziation nur, wenn einem Prädikat ein Akteur innerhalb von sechs dazwischenliegenden Wörtern vorausgeht, und nominale Nähe ist ausgeschlossen, sodass „AI governance" nie als Beleg dafür zählt, dass KI regiert — eine regelbasierte Annäherung, keine Abhängigkeitsanalyse, deren Grenzen das Design benennt.

Beobachtungen und Ethnografie

Beobachtungsstudien beobachten Verhalten im Kontext; Ethnografie erweitert das zu nachhaltiger, immersiver Untersuchung eines Settings, oft mit der Forscherin oder dem Forscher als teilnehmende Beobachterin oder Beobachter. Eine Trio-Ethnografie von LLM-unterstützter Programmierausbildung verfolgt, wie sich die Interpretationen der Studierenden entwickeln; eine Kursraum-Fallstudie beobachtet die Integration von KI-Kompetenz in der Biologie. Beobachtungsmethoden erfassen tatsächliches Verhalten (was Lernende mit KI tun) statt berichtetes Verhalten — und ergänzen damit die Selbstauskunftsumfragen, die die quantitative Messung von Einstellungen dominieren.

Fallstudien

Eine Fallstudie ist eine vertiefte Untersuchung eines begrenzten Falls (ein Kurs, eine Institution, eine einzelne lernende Person) unter Nutzung mehrerer Datenquellen. Eine Business-School-Fallstudie erzeugt ein von Studierenden informiertes Lehr- und Lernrahmenwerk für GenAI; eine Biologie-Fallstudie dokumentiert die Integration von KI-Kompetenz. Fallstudien tauschen Breite gegen Tiefe und sind stark für Theoriegenerierung und übertragbare Einsicht statt Generalisierung. Khlaif et al. (2026) bieten eine qualitative Fallstudie von 21 sehbeeinträchtigten Studierenden an drei palästinensischen Universitäten und nutzen thematische Analyse halbstrukturierter Interviews, um zu zeigen, wie GenAI als assistive Technologie für inklusives Lernen funktioniert — ein Beispiel für Fallstudienforschung, die Mechanismen sichtbar macht (personalisierte Anpassung, Augmentation der Lehrkraft, Bildungsparität), die quantitative Maße übersehen.

Swidan (2026) trianguliert Video, die eigenen Protokolle des Alarmsystems und Stimulus-Recall-Interviews für eine Lehrkraft und acht Studierende und zeigt, dass ein affektives Signal erst durch die Reaktion der Lehrkraft Bedeutung erwarb; die zweistufige Episodenkodierung durch eine einzelne Autorin, ohne unabhängige Kodierung oder validierte Affekterkennung, markiert die Grenze dessen, was eine Ein-Kodierende-Fallanalyse begründen kann.

Interviews und Fokusgruppen

Halbstrukturierte Interviews und Fokusgruppen sind die primären Datenerhebungsinstrumente über alle obigen Ansätze hinweg. Sie rufen reiche, kontextuelle Berichte hervor. Das qualitative Korpus der Wissensbasis ist wesentlich auf Interviews aufgebaut (etwa Expertisepfade) und Fokusgruppen (etwa das Kompetenzparadox bei Text-zu-Bild-GenAI, Guidelines for Designing AI Technologies to Support Adult Learning). Qualität hängt von sorgfältigem Fragendesign, Sampling auf Variation hin und rigoroser Analyse ab.

Wie qualitative Forschung in der Wissensbasis erscheint

KI und qualitative Analyse

Eine unverwechselbare neuere Entwicklung ist, LLMs zu nutzen, um qualitatives Kodieren zu unterstützen. Die Evidenz der Wissensbasis ist mahnend: Comparing human and LLM ordered coding of qualitative data: How coding differences cascade through temporal analysis zeigt, dass LLM- und menschliche Kodierung auseinandergehen, wobei sich Fehler durch die temporale Analyse fortpflanzen; Agreement Is Not Quality zeigt, dass Übereinstimmung zwischen Mensch und LLM beim Kodieren nicht dasselbe ist wie Kodierqualität, wenn menschlicher Konsens nicht die Grundwahrheit ist. LLM-unterstütztes Kodieren kann qualitative Analyse skalieren und beschleunigen, aber seine Ausgaben verlangen Verifikation gegen menschliches Urteilsvermögen — ein wichtiger Schnittpunkt qualitativer Forschung mit NLP in der Bildung und Evaluation von KI in der Bildung.

Das Problem flüssiger Ausgaben und die Begründbarkeit. Holster (2026) verschärft, warum Genauigkeit und Offenlegung als Standards für KI-unterstützte qualitative Arbeit unzureichend sind. Weil LLMs Korpora in Minuten in flüssige Themen, Zitate und Prävalenzbehauptungen reorganisieren, können sie den analytischen Pfad verbergen, der sie erzeugt hat — und Menschen neigen dazu, leicht verarbeitbare, flüssige Ausgaben als wahrer einzuschätzen. Holster schlägt Warrantability (Begründbarkeit) als Ergänzung zu Genauigkeit und Offenlegung vor: Eine KI-unterstützte Interpretation ist begründbar, wenn der Pfad von Quelldaten zur Behauptung inspizierbar, bestreitbar und revidierbar bleibt. Ihre konstruktive Maschinerie sind semantische Linsen (dokumentierte Reorganisationen eines Korpus über Abstraktionsebenen hinweg) und ein behauptungsrelatives Repertoire von Begründungsartefakten — quellenverlinkte Thementabellen, Linsenstapel und Evidenzflüsse —, die in Werkzeuge hinein entworfen sind, sodass flüssige Analyse auch einen nachverfolgbaren Pfadbericht erzeugt. Das erweitert die Audit-Trail-Tradition des Felds in die generative Ära und gibt Gutachtenden etwas Konkretes zu bestreiten jenseits einer endgültigen Interpretation.

  • Verlässlichkeit ist nicht Genauigkeit beim Kodieren mit mehreren Agenten in LLMs. Eine literaturinformierte Pipeline, in der zwei KI-Kodierende unabhängig kodierten, debattierten und Meinungsverschiedenheiten aussöhnten, erzeugte Inter-Kodierende-Übereinstimmung über Cohen's Kappa 0,85 auf jedem Datensatz und Label, während das Kriterium F1 von 0,31 bis 0,89 reichte (Mittelwert 0,68, SD 0,16) — hohe Übereinstimmung zwischen Agenten, die beide falsch lagen. Längere Codebücher (t = -11,702) und ähnlichere Auszüge (t = -9,249) senkten die anfängliche Genauigkeit, und Diskussionsrunden korrelierten positiv mit Genauigkeit (t = 7,997), während korrekt aufgelöste Konflikte und kollaborierende Modi negativ korrelierten (t = -9,720 und -8,420), sodass Konvergenz ein schwacher Stellvertreter für Korrektheit ist. Die praktische Implikation ist, dass KI-unterstütztes Kodieren eine schlichtende Prüfung auf Checklisten-Niveau gegen eine menschliche Referenz braucht statt Übereinstimmung zwischen Agenten als Qualitätssignal. (How AI Coders Discuss, Disagree, and Reach Consensus: Challenges and Opportunities for LLM-Based Qualitative Coding)

Stärken und Grenzen

  • Stärken: tiefe ökologische und konzeptuelle Einsicht; macht unerwartete Phänomene, Risiken und Mechanismen sichtbar; unverzichtbar für Theoriebildung (siehe Theorieentwicklung in der AIED); erfasst Bedeutung, Kontext und bestrittene Konstrukte; zentriert unterrepräsentierte Perspektiven; stark für die Untersuchung sich schnell bewegender Phänomene, bei denen standardisierte Maße nachhinken.
  • Grenzen: begrenzte statistische Generalisierbarkeit; interpretativ und forscherabhängig (Verlässlichkeitsbedenken); kleine Stichproben; schwächere Unterstützung für Kausalbehauptungen; Befunde können schwer über Studien hinweg zu synthetisieren sein; zeit- und arbeitsintensiv.

Qualitative und quantitative Methoden sind Ergänzungen, keine Rivalen — siehe Forschungsmethoden in der AIED dafür, wie sie sich gegenüberstellen und triangulieren, und Mixed-Methods für Designs, die sie kombinieren.

Verbundene Konzepte

Verbundene Artikel

Metadaten

StudiendesignInterviews, Case Study
Forschungsmethoden und EvaluationQualitative Forschung, Forschungsmethoden in der AIED
SourceHistoryEditChat

Diese Seite einbetten

Kopieren Sie den Code unten, um diese Seite in ein Lernmanagementsystem oder eine andere Website einzubetten. Die eingebettete Version zeigt nur den Seiteninhalt — Kopfzeile, Navigation und Fußzeile der Website werden ausgeblendet.