KI-Umfrage-Tools: Fragen schreiben, Antworten analysieren und Befragte simulieren
KI-Umfrage-Tools können Fragen entwerfen, menschliche Antworten analysieren oder synthetische Antworten generieren. Diese Funktionen lösen verschiedene Probleme. Klären Sie vor der Plattformwahl, ob das Tool beim Fragen, Erheben oder Interpretieren hilft oder simulierte Befragte liefert, statt menschliche Daten zu erheben.
Unser Überblick zur KI-Marktforschung erklärt die übergeordneten Kategorien. Hier geht es um den Fragebogenablauf: das Instrument schreiben, die Antwortquelle bestimmen und genügend Informationen erhalten, um die Bedeutung der Ergebnisse beurteilen zu können.
Trennen Sie die drei Aufgaben
| KI-Funktion | Eingabe | Ausgabe | Was die Ausgabe belegt |
|---|---|---|---|
| Fragebogenunterstützung | Forschungsbriefing und Instrumententwurf | Formulierungsvorschläge, Antwortoptionen und Prüfungen | Ein vorgeschlagenes Instrument, das noch Prüfung und Pretest braucht |
| Analyseunterstützung | Von Menschen erhobene Antworten | Codes, Zusammenfassungen, Fundstellen und Tabellen | Eine überprüfungsbedürftige Interpretation dieser Antworten |
| Synthetische Antwortgenerierung | Fragen, Zielgruppenspezifikation und Modell | Generierte Antworten oder Bewertungen | Was die konfigurierte Simulation erzeugt hat |
Ein Produkt kann alle drei Funktionen anbieten. Erhalten Sie die Herkunft jeder Ausgabe. Fragebogenformat, Teilnehmer-ID und Tabellenzeile belegen keine menschliche Teilnahme. Umgekehrt wird eine ursprüngliche menschliche Antwort durch KI-Analyse nicht synthetisch.
Timoshenko und Hauser (2019) zeigen diesen wichtigen Unterschied in ihrer Arbeit zu Kundenbedürfnissen. Ihr Verfahren wählte nützliche Passagen aus von Menschen erzeugtem Onlinematerial zur Prüfung durch Analysten. Die Evidenz stammte von Menschen; Automatisierung unterstützte die effizientere Analyse. Die Studie testete keine Generierung neuer Befragter.
Geben Sie dem Fragen-Tool ein brauchbares Briefing
Nennen Sie Entscheidung, Population, Bezugszeitraum und Thema. Ergänzen Sie vorhandenes Wissen und Annahmen, die nicht gemacht werden dürfen. „Schreibe eine Umfrage über unseren hervorragenden Service“ führt zu einem anderen Instrument als „Ermittle, warum Kunden, die den Service letzten Monat nutzten, ihn erneut nutzten oder nicht.“
Verlangen Sie einen Inhalt pro Frage. Fragt ein Item, ob ein Service „schnell und zuverlässig“ ist, kann jemand, der ihn schnell, aber unzuverlässig findet, nicht eindeutig antworten. Definieren Sie Zeiträume genau und verwenden Sie Sprache, die Teilnehmer ohne interne Terminologie verstehen.
Lassen Sie Annahmen jeder Frage identifizieren, nicht nur den Stil verbessern. „Warum haben Sie verlängert?“ schließt Nichtverlängerer aus und setzt die Verlängerung voraus. Screening und Verzweigungen müssen zur beschriebenen Population passen.
Das Pew Research Center erklärt, warum Formulierungen, Antwortoptionen und Reihenfolge sorgfältige Gestaltung und Pretests benötigen. KI kann Überarbeitungen vorschlagen; das Forschungsteam bleibt verantwortlich dafür, welche Bedeutung gemessen wird.
Prüfen Sie Antwortoptionen und Verzweigungen
Kontrollieren Sie, ob relevante Positionen möglich sind. Eine Nutzungsfrage benötigt womöglich „noch nie genutzt“, eine Bewertung „nicht genügend Informationen“. Das ist nicht notwendigerweise die niedrigste Zufriedenheit. Entscheiden Sie vorher, wie diese Antworten in die Analyse eingehen.
Prüfen Sie Verzweigungen mit konkreten Szenarien: eine geeignete Person mit einmaliger Nutzung, eine ausgestiegene Person, jemand ohne Kenntnis der gefragten Tatsache und jemand, der ausgeschlossen werden sollte. Folgen Sie jedem Pfad. Die Beschreibung einer Verzweigung durch ein Sprachmodell beweist nicht deren Umsetzung im bereitgestellten Formular.
Bei offenen Fragen behalten Sie Originaltext sowie Code oder Zusammenfassung. Bei geschlossenen Fragen bewahren Sie Wortlaut, Skalenrichtung und Nenner auf. Ein Prozentsatz ohne klaren Nenner kann auch bei echten Antworten irreführen.
Der Leitfaden zu Konzepttest-Fragen zeigt diese Entscheidungen in einer konkreten Anwendung.
Testen Sie das Instrument vor seiner Verwendung als Messung
Ein kleiner menschlicher Pretest zeigt, wie relevante Menschen die Fragen verstehen. Lassen Sie bei Bedarf ihre Interpretation erklären. Das prüft das Instrument; es ist keine Gelegenheit, eine kleine Gelegenheitsstichprobe als Marktschätzung darzustellen.
Zuvor kann eine synthetische Probe offensichtliche Mehrdeutigkeiten oder fehlende Optionen suchen. Sarstedt und Kollegen (2024) diskutieren solche vorbereitenden Aufgaben als vielversprechende Anwendungen von Silicon Sampling. Behalten Sie die Bedenken als Hypothesen, bis sie geprüft oder in menschlichen Pretests beobachtet wurden.
Dokumentieren Sie Versionsänderungen. Bei wesentlichen Formulierungsänderungen können Vergleiche mit früheren Antworten ihre ursprüngliche Bedeutung verlieren. Bewahren Sie eine saubere Endversion des Instruments zusammen mit den exportierten Ergebnissen auf.
Ausgearbeitetes Beispiel: Eine Servicekündigung verstehen
Stellen Sie sich einen lokalen Lieferdienst vor, der Kündigungen untersucht. Eine KI-entworfene Frage lautet: „Wie zufrieden waren Sie mit dem Preis-Leistungs-Verhältnis und der Pünktlichkeit unseres Services?“ Sie verbindet zwei Merkmale und setzt voraus, dass Befragte beide beurteilen können.
Das Team trennt Wert und Pünktlichkeit, definiert den Bezugszeitraum und ergänzt Eignungsprüfungen. Es fragt nach dem wichtigsten Kündigungsgrund, bevor mögliche Gründe angezeigt werden. Die spätere Liste erhebt strukturierte Informationen, ohne die ursprünglich spontan genannte Antwort umzuschreiben.
Ein Analysetool fasst mehrere offene Antworten unter „Preis“ zusammen. Die Originale zeigen drei Bedeutungen: absolute Gebühr, unerwarteter Aufschlag und geringer wahrgenommener Wert nach ausgefallenen Lieferungen. Daraus nur die Empfehlung einer Preissenkung abzuleiten, würde entscheidungsrelevante Informationen verlieren.
Eine synthetische Probe hätte manche Interpretationen antizipieren können, aber nicht belegt, dass tatsächliche Kunden sie erlebt haben. Dieses fiktive Beispiel illustriert Fragebogen- und Analyseentscheidungen, keine Ergebnisse einer abgeschlossenen Studie.
Bewerten Sie Analyse getrennt von Erhebung
Geben Sie dem Analysesystem Antworten, von denen einige durch einen menschlichen Analysten geprüft wurden. Kontrollieren Sie Bedeutungsverlust, erfundene Gründe und nicht erhaltenen Widerspruch. Ändern Sie nach Fehlern die Kodieranweisungen, prüfen Sie die Revision an weiteren Antworten statt ausschließlich an den Reparaturbeispielen.
Messen Sie den Teil der Arbeit, den Sie verbessern möchten. Relevante Passagen finden, vordefinierte Codes zuweisen und eine Managementzusammenfassung schreiben sind unterschiedliche Aufgaben. Eine gute Zusammenfassung kann schwache Kodierung verdecken; richtige Codezuweisung kann wichtige neue Themen außerhalb des ursprünglichen Codebuchs lassen.
Machen Sie Datenausschlüsse ausdrücklich. Berichten Sie den Umgang mit fehlenden Antworten, unvollständigen Datensätzen und Kommentaren zu mehreren Themen. Exportierbare Informationen sind wichtiger als ein buntes, nicht rekonstruierbares Diagramm.
Behandeln Sie synthetische Verteilungen als Modellausgaben
Beschreiben Sie generierte Antworten entsprechend. „Sechzig Prozent der simulierten Antworten wählten bei dieser Konfiguration Option A“ beschreibt einen Lauf. „Sechzig Prozent der Kunden bevorzugen A“ ist eine Populationsaussage und verlangt eine andere Evidenzbasis.
Der Preprint von Sun und Kollegen aus 2024 untersuchte demografische Konditionierung anhand US-amerikanischer Meinungsumfragen und berichtete Unterschiede nach Themen und Untergruppen. Zu den Grenzen gehört mögliche Exposition gegenüber den Referenzdaten im Modelltraining. Demografische Eingaben garantieren damit keine richtigen Antworten auf einen neuen kommerziellen Fragebogen.
Mehr generierte Antworten können die Stabilität einer Simulation verändern, ohne ein falsches Zielgruppenmodell zu korrigieren. Der Leitfaden zur Stichprobengröße erklärt, warum mehr synthetische Zeilen nicht automatisch mehr Wissen über Menschen bedeuten. Bei folgenreichen Anwendungen nutzen Sie das Protokoll zur externen Validierung.
Setzen Sie KI dort ein, wo ihr Nutzen überprüfbar ist. Bereiten Sie das Instrument vor, erhalten Sie die Antwortherkunft und prüfen Sie die Belege der Zusammenfassungen. Der quantitative Ablauf von SynthFolk unterstützt eine gekennzeichnete Simulation; prüfen Sie die aktuellen Preise und planen Sie die menschliche Forschung für die spätere Entscheidung.
Quellen und redaktionelle Methode
Das Kündigungsbeispiel und die Bewertungsliste sind eigene Lehrmaterialien. Die Studien stützen die Unterscheidung von Instrumentenvorbereitung, Analyse menschlicher Daten und synthetischem Sampling; sie validieren weder dieses Beispiel noch SynthFolk.
- Timoshenko, A., & Hauser, J. R. (2019). Identifying Customer Needs from User-Generated Content. Marketing Science. DOI: 10.1287/mksc.2018.1123.
- Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. DOI: 10.1002/mar.21982.
- Sun, S., et al. (2024). Random Silicon Sampling: Simulating Human Sub-Population Opinion Using a Large Language Model Based on Group-Level Demographic Information. arXiv:2402.18144, version 1.
- Pew Research Center. Writing Survey Questions.