Forschungswerkstatt QUIMLA

Verfahren der qualitativen Inhaltsanalyse (u.a. Kuckartz & Rädiker, 2024; Mayring, 2022; Schreier, 2012) ermöglichen es, qualitative Daten systematisch und regelgeleitet zu analysieren. Ihre Besonderheit liegt unter anderem darin, dass sich Kodierungen in quantitative Daten transformieren und mit statistischen Verfahren weiter auswerten lassen. Dadurch können qualitative Analysen um quantitative Perspektiven erweitert werden, beispielsweise zur Untersuchung von Zusammenhängen zwischen Kategorien oder Typen von Fällen.

Zugleich bietet die qualitative Inhaltsanalyse aufgrund der Analyse manifester Inhalte auf der Textoberfläche einen geeigneten Ausgangspunkt für den Einsatz von LLMs. Damit stellt sich die Frage, unter welchen Bedingungen LLMs welche Analyseschritte unterstützen oder sogar übernehmen können und wie sich deren Qualität methodisch prüfen lässt.

Eine zentrale Verbindung zwischen qualitativer Inhaltsanalyse und Mixed Methods besteht in der Transformation qualitativer Daten in quantitative Daten (Quantifizierung). In sogenannten Conversion-Mixed-Methods-Designs (Tashakkori et al., 2021) werden beispielsweise qualitative Kodierungen quantifiziert, mit statistischen Methoden analysiert und die Ergebnisse anschliessend wieder mit qualitativen Interpretationen und dem ursprünglichen Datenmaterial in Beziehung gesetzt. Auf diese Weise können unterschiedliche Analyseperspektiven miteinander verbunden werden (Galle & Iten, in press).

Solche Datentransformationen werfen grundlegende methodische und methodologische Fragen auf: Welche Informationen bleiben bei der Quantifizierung erhalten, welche gehen verloren? Welche neuen Erkenntnisse können statistische Analysen qualitativer Daten ermöglichen? Und wie lassen sich qualitative und quantitative Ergebnisse sinnvoll integrieren?

Mit dem Einsatz von LLMs gewinnen diese Fragen zusätzlich an Bedeutung, denn auch LLMs quantifizieren Textdaten und verarbeiten diese mit statistischen Methoden.

Large Language Models können heute textbezogene Aufgaben mit einer Qualität und Geschwindigkeit bearbeiten, die sie für einzelne Schritte der qualitativen Datenanalyse interessant machen. Sie können Texte strukturieren, zusammenfassen, vergleichen, kategorisieren und kodieren und damit möglicherweise Tätigkeiten unterstützen oder sogar übernehmen, die bislang von Forschenden ausgeführt wurden.

Die technische Funktionsweise von LLMs beruht auf der Transformation textuellen Informationen: Texte werden in numerische Repräsentationen überführt, mathematisch und probabilistisch verarbeitet und die Ergebnisse wieder als Text ausgegeben. Hier lassen sich zum Beispiel die Frage zum Verhältnis zwischen sprachlicher Bedeutung, numerischer Repräsentation und maschineller sowie menschlicher Interpretation diskutieren.

Der Einsatz von LLMs eröffnet zudem Möglichkeiten, qualitative Analysen auf grössere Datenbestände auszuweiten. Damit stellen sich Fragen nach der methodischen Qualität, Validität und Nachvollziehbarkeit solcher Analysen von grossen qualitativen Datensätzen. Grundlegender ist die Frage, inwiefern sich durch LLMs nicht nur einzelne Analyseschritte, sondern auch qualitative Forschungsprozesse und Formen wissenschaftlichen Erkenntnisgewinns verändern.

Galle, M., & Iten, G. (in press). Kodierungen analysieren und visualisieren. Mixed-Methods-Datenanalyse mit MAXQDA und R. Springer.

Kuckartz, U., & Rädiker, S. (2024). Qualitative Inhaltsanalyse. Methoden, Praxis, Umsetzung mit Software und künstlicher Intelligenz (6., überarbeitete und erweiterte Auflage). Beltz.

Mayring, P. (2022). Qualitative Inhaltsanalyse. Grundlagen und Techniken (13., überarbeitete Auflage). Beltz.

Schreier, M. (2012). Qualitative Content Analysis in Practice. Sage Publications Ltd.

Tashakkori, A., Johnson, R. B., & Teddlie, C. (2021). Foundations of mixed methods research: Integrating quantitative and qualitative approaches in the social and behavioral sciences (2nd ed.). SAGE.