KI anwenden: Empirisches Arbeiten

In frühen Projektphasen können insbesondere LLMs dabei unterstützen, ein Themenfeld zu strukturieren und unterschiedliche Zugriffe auf einen Gegenstand sichtbar zu machen. Aus einem allgemeinen Forschungsinteresse lassen sich mögliche Fragestellungen ableiten, Begriffe differenzieren oder verschiedene Designoptionen vergleichend profilieren. Der Nutzen liegt primär in der heuristischen Breite solcher Systeme: Sie erzeugen Varianten, Alternativen und mögliche Anschlussstellen, jedoch erfolgt dies ohne ein theoretisches Verständnis derselben. Dabei können leicht formal plausible, inhaltlich aber nur gering differenzierte Vorschläge entstehen. Forschungsfragen wirken dadurch zunächst präzise, bleiben theoretisch jedoch unscharf oder methodisch unverbunden. Insbesondere Literaturhinweise oder begriffliche Vorschläge gewinnen ihren Wert erst durch die Rückbindung an belastbare Quellen. Die eigenständige Verhältnisbestimmung von Fragestellung, Forschungsstand, Begrifflichkeiten, Materialbasis und Verfahren kann durch die Nutzung von KI-Systemen angeregt werden, sie jedoch nicht ersetzen.

Bei Leitfäden, Fragebögen, Beobachtungsrastern und erhebungsleitenden Kategorienschemata können KI-gestützte Systeme die Entwicklung von Entwürfen unterstützen. Sie können Interviewimpulse, Nachfragen, Itemfassungen, Antwortformate, Beobachtungskategorien oder Varianten für unterschiedliche Zielgruppen aufzeigen. Ihr methodischer Wert liegt im Vergleich dieser Instrumentvarianten. An ihnen lässt sich prüfen, welche Datenform ein Instrument erzeugt, welche Vorannahmen in seine Anlage eingehen, welche Antwort- oder Beobachtungsmöglichkeiten eröffnet werden und welche Aspekte des Gegenstands unberücksichtigt bleiben. Die Grenze der Nutzung liegt dort, wo ein KI-generierter Entwurf mit einem belastbaren Erhebungsinstrument verwechselt wird. LLM-Ausgaben hängen von Prompt, Modell und Trainingsdaten ab; einfache Prompts liefern allenfalls erste Orientierungen und erreichen für elaborierte Verfahren meist keine hinreichende methodische Tiefe. Bei Übersetzungen oder sprachlicher Elementarisierung kommt hinzu, dass bereits kleine Bedeutungsverschiebungen die Anlage eines Instruments verändern können. Für die Entwicklung geeigneter Erhebungsinstrumente heißt das: KI-generierte Vorschläge sind als prüfbedürftige Entwürfe zu behandeln. Theoretische Zugriffe müssen in empirisch belastbare Formen übersetzt werden; die Beziehung zwischen Erkenntnisinteresse, Instrument, Zielgruppe und späterer Auswertbarkeit ist fachlich und methodisch herzustellen. Bei realem Fallmaterial oder personenbezogenen Kontextangaben ist ausschließlich die Nutzung institutionell freigegebener Systeme vertretbar.

Potenzielle Einsatzfelder KI-gestützter Systeme liegen beispielsweise in der Transkription von Audio- oder Videodaten, in der formalen Erschließung größerer Dokumentbestände, in der Erkennung von Dubletten und Inkonsistenzen oder in ersten Übersichten zu unstrukturiertem Material. Denkbar sind auch Zusammenfassungen einzelner Dokumente, Sortierungen nach formalen Merkmalen oder Hinweise auf wiederkehrende Themen in einem Korpus. Solche Verfahren können den Zugang zum Material erleichtern, bleiben aber Vorarbeiten zur Analyse. Entscheidend ist, dass die Materialaufbereitung selbst Teil des Forschungsprozesses ist. Durch die Nutzung KI-gestützter Systeme entsteht kein neutraler Zwischenschritt, sondern eine bearbeitete Fassung des Materials. Für den Einsatz von KI-gestützten Systemen zur Materialaufbereitung ist deshalb bereits aus methodischen Erwägungen Zurückhaltung geboten. Hinzu kommen Fragen der Vertraulichkeit, der Verarbeitung personenbezogener Daten und der institutionellen Zulässigkeit: Personenbezogenes, sensibles oder vertrauliches Forschungsmaterial darf nur im Rahmen der universitären Datenschutzvorgaben und in freigegebenen technischen Verfahren verarbeitet werden.

Für qualitative Auswertungen sind KI-gestützte Systeme nicht als eigenständige Analyseinstanz anzusetzen. In Betracht kommen allenfalls eng begrenzte Hilfsoperationen innerhalb eines bereits bestimmten Verfahrens: Suche nach Textstellen, Zusammenfassung codierter Segmente, Vergleich von Kategorieentwürfen, Hinweise auf ähnliche Passagen oder Gegenlesarten zu einer bereits entwickelten Interpretation. Damit beginnt der Einsatz sinnvollerweise erst dort, wo Materialauswahl, Analyseinteresse und methodischer Zugriff bereits geklärt sind. Während sich in kategorienorientierten Verfahren generierte Entwürfe für Kategorien, Codierungen oder die Arbeit mit codiertem Material noch prüfen lassen, ist der Spielraum in rekonstruktiven Verfahren enger, weil Sequenz, Fallaufbau und Kontextbezug selbst analytisch bedeutsam sind. Problematisch dabei ist vor allem die sprachliche Geschlossenheit von LLM-Ausgaben, die plausible Texte auf Grundlage von Prompt, Modellarchitektur und Trainingsdaten erzeugen. Diese Texte können Ambivalenzen glätten, dominante Muster verstärken oder einen Zusammenhang herstellen, der am Material nicht tragfähig ist. Für die Praxis folgt daraus ein restriktiver Rahmen. Keine KI-Ausgabe sollte an die Stelle von Materiallektüre, Codierentscheidung, Fallvergleich oder Interpretation treten. Verwendbar sind solche Ausgaben nur als dokumentierte Arbeitsimpulse: mit benanntem Materialausschnitt, verwendetem System, Promptgestaltung und nachvollziehbarer Entscheidung über Übernahme oder Verwerfung. Bei QDA-Software mit integrierten KI-Funktionen ist zusätzlich zu prüfen, ob Modellzugriffe und Verarbeitungsschritte transparent bleiben. Personenbezogenes, sensibles oder vertrauliches Material darf ausschließlich im Rahmen der universitären Datenschutzvorgaben und freigegebenen technischen Verfahren verarbeitet werden.

Potenzielle Einsatzfelder KI-gestützter Systeme liegen in der technischen Umsetzung bereits begründeter Auswertungsschritte. Sie können Syntax für Statistikprogramme vorbereiten, Fehlermeldungen erläutern, Umcodierungen skizzieren oder Diagrammvarianten vorschlagen. Damit fungieren sie primär als Übersetzer zwischen Analyseplan und Softwarebefehl. Die entscheidende Differenz liegt zwischen technischer Berechnung und methodischer Begründung: Ein lauffähiges Skript ist kein Nachweis für ein geeignetes Verfahren. Quantitative Analyse verlangt bereits vor der Berechnung eigenständige Festlegungen über Messniveau, Fallauswahl, den Umgang mit fehlenden Werten und die Zulässigkeit von Vergleichen. Insbesondere LLMs können diese methodischen Voraussetzungen sprachlich verdecken, indem sie aus Modellausgaben unmittelbar flüssige Ergebnistexte formulieren. Dabei besteht die Gefahr, statistische Zusammenhänge vorschnell als kausale Erklärungen oder tragfähige Aussagen über den Gegenstand zu behandeln. KI-gestützte Beiträge sind daher konsequent als prüfbedürftige technische Entwürfe zu behandeln. Die methodische Prüfung muss den gesamten Weg vom Datensatz bis zur Aussage abdecken, insbesondere Variablenbildung, Modellannahmen, Berechnungsschritte und Einordnung der Kennzahlen. Zu dokumentieren sind verwendete Skripte, Softwareversionen, eingesetzte Systeme und übernommene Änderungen. Personenbezogenes, sensibles oder vertrauliches Material darf ausschließlich im Rahmen der universitären Datenschutzvorgaben und freigegebenen technischen Verfahren verarbeitet werden.

Potenzielle Einsatzfelder generativer KI-Systeme liegen in der redaktionellen Bearbeitung bereits geprüfter Ergebnisse. Sie können Ergebnisabschnitte straffen, Kurzfassungen entwerfen, Tabellenbeschreibungen vorbereiten, Bildunterschriften formulieren oder Texte für Poster, Berichte und Präsentationen verdichten. Der Einsatz betrifft damit die sprachliche und formale Darstellung; die empirische Auswertung sollte zuvor nachvollziehbar vorliegen. Für die Ergebnisdarstellung ist entscheidend, dass der Aussagegrad erhalten bleibt. Eine Formulierung muss erkennen lassen, worauf sie sich stützt: auf einen berechneten Wert, eine codierte Materialstelle, einen Vergleich oder eine Interpretation. Sprachliche Überarbeitung darf diese Ebenen nicht ineinanderschieben. Besonders bei Verdichtungen ist darauf zu achten, dass Materialbasis, Auswertungsverfahren, Einschränkungen und Begründungsweg sichtbar bleiben. KI-gestützte Textbearbeitung ist daher als redaktioneller Entwurf zu behandeln. Zu prüfen sind sachliche Genauigkeit, Quellenbezug, Begrifflichkeit, argumentative Reichweite und Übereinstimmung mit den vorliegenden Ergebnissen. Werden generative Modelle für Textproduktion, Verdichtung oder Übersetzung eingesetzt, ist der Einsatz nach den geltenden Vorgaben transparent zu machen; die Verantwortung für das wissenschaftliche Ergebnis verbleibt bei den Forschenden.

Buck, I. (2026). Wissenschaftliches Schreiben mit KI. UVK. Link

Kempny, C., Yilmaz-Aslan, Y., Brzoska, P. (2025). Potenziale und Risiken beim Einsatz von KI in der qualitativen Forschung. Zeitschrift für Evidenz, Fortbildung und Qualität im Gesundheitswesen. Link

Kuckartz, U., Rädiker, S. (2024). Integrating artificial intelligence (AI) in qualitative content analysis. Link

Lang, F. (2025). Künstliche Intelligenz in Seminar- und Abschlussarbeiten: Ein Praxisleitfaden für Studierende mit Handlungsempfehlungen, Prompt-Beispielen und kritischer Einordnung. Springer Vieweg. Link

Morgan, D. L. (2023). Exploring the use of artificial intelligence for qualitative data analysis: The case of ChatGPT. International Journal of Qualitative Methods, 22. Link

Rosenbohm, S. (2025). Mit Künstlicher Intelligenz forschen? Anwendungsmöglichkeiten und Herausforderungen in der arbeitssoziologischen Forschungspraxis (IAQ-Report 2025-09). Institut Arbeit und Qualifikation (IAQ), Universität Duisburg-Essen. Link