Wie man KI zur Analyse von Antworten aus einer Umfrage unter Doktoranden zum Klima von Vielfalt und Inklusion an Hochschulen nutzt

Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter Doktoranden zum Klima von Vielfalt und Inklusion an Hochschulen analysieren können. Wenn Sie nach praktischen Möglichkeiten suchen, Umfrageanalysen in umsetzbare Erkenntnisse zu verwandeln, sind Sie hier genau richtig.

Die richtigen Werkzeuge für die Analyse von Umfrageantworten auswählen

Die Art und Weise, wie Sie Ihre Umfragedaten von Doktoranden zum Klima von Vielfalt und Inklusion analysieren, hängt von der Struktur Ihrer Antworten ab. Sowohl die von Ihnen gewählten Werkzeuge als auch Ihr Ansatz sind wichtig.

• Quantitative Daten: Wenn Sie sich auf einfache Zahlen konzentrieren – wie viele Doktoranden zum Beispiel mit „Ja“ geantwortet haben oder die Verteilung demografischer Daten – können klassische Werkzeuge wie Excel oder Google Sheets Ihnen helfen, Trends zu erkennen und einfache Diagramme zu erstellen. Diese eignen sich am besten für Antworten, die sich in übersichtliche, zählbare Kategorien aufteilen lassen.
• Qualitative Daten: Wenn Sie offene Fragen stellen wie „Wie empfinden Sie das Klima in Ihrer Abteilung?“ oder Folgefragen einbeziehen, bringt eine altmodische Analyse Sie nicht weit. Sie benötigen KI-Werkzeuge, um diese unübersichtlichen, textlastigen Daten effizient zu verarbeiten und Erkenntnisse daraus zu gewinnen.

Es gibt zwei Ansätze für Werkzeuge bei der Verarbeitung qualitativer Antworten:

ChatGPT oder ähnliches GPT-Werkzeug für KI-Analyse

Sie können Ihre Antworten exportieren und in ChatGPT oder ein anderes GPT-Werkzeug einfügen. So können Sie direkt mit der KI über Ihre Umfragedaten chatten und Muster oder Zusammenfassungen extrahieren. Der Prozess ist jedoch oft mühsam: Das Kopieren und Einfügen großer Antwortmengen, das Aufteilen in Abschnitte, um Chat-Limits zu vermeiden, und das Nachverfolgen von Fragen zwischen den Eingaben zwingt Sie in eine Kopier-Einfüge-Schleife.

Datenschutz- und Workflow-Bedenken. Sie müssen auf sensible Daten achten, und es ist leicht, den Kontext zu verlieren oder vollständige Daten-Einblicke zu verpassen, wenn Sie die Daten auf verschiedene Gespräche aufteilen.

All-in-One-Werkzeug wie Specific

Specific ist speziell für konversationelle Umfragen und KI-gestützte Analysen entwickelt. Das Werkzeug sammelt Daten und analysiert Antworten in einem System. Es zeichnet sich dadurch aus, dass es live Folgefragen stellt, was Ihre Umfrageergebnisse unter Doktoranden viel reichhaltiger und umsetzbarer macht – diese dynamischen Folgefragen sind entscheidend, um den Kontext, die Motivationen und Gefühle der Studierenden zu erfassen, insbesondere bei Themen zu Vielfalt und Inklusion.

KI-gestützte Analyse ist integriert und sofort verfügbar. Die Plattform fasst Antworten automatisch zusammen und kategorisiert sie, hebt wichtige Trends hervor und ermöglicht es Ihnen, mit der KI über Ihre Ergebnisse zu chatten – genau wie ChatGPT, aber speziell für Umfragedaten entwickelt. Sie haben eine feinere Kontrolle und können Daten filtern, segmentieren oder tiefgehend analysieren, wie Sie möchten. Mehr dazu erfahren Sie unter AI survey response analysis features.

Zweckgebundene Funktionen für Umfrageanalysen. Specific verwaltet den Datenkontext automatisch, sodass die Einschränkungen, die Sie bei manuellen GPT-Chats erleben, weniger problematisch sind. Außerdem können Sie Filter setzen, über Segmente chatten, und die Plattform gewährleistet Datenschutz und Sicherheit für sensible akademische Daten.

Es ist erwähnenswert, dass Organisationen wie Divrsity und TigerGPT ähnliche adaptive Umfrageplattformen oder KI-Chatbots für Klimaumfragen entwickelt haben, die erfolgreich große Kohorten (wie Doktoranden) einbinden und umsetzbareres Feedback liefern als statische Umfrageformulare. [4][5]

Nützliche Eingabeaufforderungen für die Analyse der Umfrage unter Doktoranden zu Vielfalt und Inklusion

Um das Beste aus Ihren Umfragedaten herauszuholen, sollten Sie intelligente Eingabeaufforderungen verwenden, die darauf ausgelegt sind, Erkenntnisse aus qualitativen Rückmeldungen zu gewinnen. KI-Werkzeuge funktionieren viel besser, wenn sie klare Anweisungen und zusätzlichen Kontext zur Umfrage und Ihren Zielen erhalten.

Eingabeaufforderung für Kernideen: Verwenden Sie diese, um schnell Themen aus großen Datensätzen zu extrahieren. Specific nutzt dies als Standard, und Sie werden auch mit anderen GPTs gute Ergebnisse erzielen:

Ihre Aufgabe ist es, Kernideen fettgedruckt (4-5 Wörter pro Kernidee) + eine bis zu 2 Sätze lange Erklärung zu extrahieren. Ausgabeanforderungen: - Vermeiden Sie unnötige Details - Geben Sie an, wie viele Personen eine bestimmte Kernidee erwähnt haben (Zahlen verwenden, keine Wörter), die meistgenannte oben - keine Vorschläge - keine Hinweise Beispielausgabe: 1. **Kernidee Text:** Erklärungstext 2. **Kernidee Text:** Erklärungstext 3. **Kernidee Text:** Erklärungstext

Starke Eingabeaufforderungen funktionieren noch besser, wenn Sie mehr Hintergrund hinzufügen. Beispiel:

Analysieren Sie die Umfrageantworten von Doktoranden zum Klima von Vielfalt und Inklusion in ihrer Abteilung. Unser Ziel ist es, Problembereiche und umsetzbare Verbesserungen zu identifizieren. Die Antworten umfassen sowohl offene als auch Folgeantworten. Fassen Sie die Kernprobleme zusammen und erwähnen Sie bedeutende Muster in Bezug auf Geschlecht oder Ethnie, falls vorhanden.

Versuchen Sie auch: Erzählen Sie mir mehr über XYZ (Kernidee) — bitten Sie die KI, eine Zusammenfassung oder einen wichtigen Punkt zu erweitern, um mehr Details zu erhalten.

Eingabeaufforderung für spezifische Themen: Wenn Sie sehen möchten, ob ein Thema wie Ungleichheiten bei der Abteilungsfinanzierung oder Mentoring-Möglichkeiten angesprochen wurde:

Hat jemand über Finanzierungsunterschiede für unterrepräsentierte Studierende gesprochen? Bitte Zitate einfügen.

Eingabeaufforderung für Schmerzpunkte und Herausforderungen: Wenn Sie eine Liste der häufigsten Probleme oder Frustrationen im Klima erhalten möchten:

Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die von Doktoranden in Bezug auf Vielfalt und Inklusion in ihrem Programm genannt wurden. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeiten.

Eingabeaufforderung für Personas: Neugierig, ob es „Typen“ von Studentenerfahrungen gibt?

Basierend auf den Umfrageantworten identifizieren und beschreiben Sie eine Liste von unterschiedlichen Personas – ähnlich wie „Personas“ im Produktmanagement verwendet werden. Fassen Sie für jede Persona deren Hauptmerkmale, Motivationen, Ziele und relevante Zitate oder Muster aus den Gesprächen zusammen.

Eingabeaufforderung für Sentiment-Analyse: Möchten Sie wissen, wie die Studierenden insgesamt fühlen?

Bewerten Sie die allgemeine Stimmung in den Umfrageantworten (z. B. positiv, negativ, neutral). Heben Sie Schlüsselphrasen oder Feedback hervor, die zu jeder Stimmungskategorie beitragen.

Weitere Beispiele für Eingabeaufforderungen und Best Practices für genau dieses Publikum und Thema finden Sie in diesem Leitfaden zu den besten Fragen für Umfragen unter Doktoranden zu Vielfalt und Inklusion.

Wie Specific qualitative Daten basierend auf Fragetyp analysiert

Der Fragetyp Ihrer Umfrage bestimmt, wie Sie die Daten analysieren sollten, und Specific hat seinen Ansatz entsprechend angepasst:

• Offene Fragen mit oder ohne Folgefragen: Die KI fasst die übergreifenden Themen und Muster aller Antworten zusammen – einschließlich aller Folgegespräche, die die KI selbst initiiert hat. Dies ist entscheidend, um nuancierte Erkenntnisse zu erhalten, bei denen Studierende Themen wie Zugehörigkeitsgefühl oder wahrgenommene Barrieren vertiefen.
• Multiple-Choice-Fragen mit Folgefragen: Jede Antwortoption erhält eine eigene detaillierte Zusammenfassung der zugehörigen Folgeantworten. Bei einer Frage wie „Haben Sie Diskriminierung erlebt?“ mit Folgefragen sehen Sie segmentierte Zusammenfassungen für jedes Szenario, das die Studierenden ausgewählt haben.
• NPS (Net Promoter Score): Jede Gruppe – Kritiker, Passive und Befürworter – erhält eine Zusammenfassung aller Folgekommentare zu ihrem Score. So lassen sich Unzufriedenheitsfaktoren leicht mit positiven oder neutralen Aspekten vergleichen.

Ein ähnliches Ergebnis könnten Sie mit ChatGPT plus manueller Sortierung erzielen, aber das ist arbeitsintensiv und es ist leicht, den Kontext auf Fragenebene zu verlieren.

Mehr dazu erfahren Sie in unserem Leitfaden zur KI-gestützten Umfrageantwortanalyse und sehen, wie Specific automatische KI-Folgefragen nutzt, um die Umfragequalität zu verbessern: wie KI-Folgefragen funktionieren.

Wie man Herausforderungen mit den Kontextgrenzen von KI meistert

Eine der schwierigeren Hürden ist die Kontextgröße – KIs wie GPT „sehen“ nur eine bestimmte Datenmenge auf einmal. Wenn Ihre Umfrage Hunderte von Antworten hat, passt der gesamte Satz möglicherweise nicht in den Kontext, was zu unvollständigen Analysen führen kann.

• Filtern: Konzentrieren Sie die KI-Analyse, indem Sie nur Gespräche oder Antworten einbeziehen, bei denen Nutzer auf bestimmte Fragen geantwortet oder bestimmte Antworten gewählt haben. So analysiert die KI den relevantesten Teil und bleibt innerhalb der Kontextgrößenbeschränkungen.
• Zuschneiden: Begrenzen Sie die Fragen, die an die KI gesendet werden – analysieren Sie jeweils nur einen Teil Ihrer Umfrage, was die Anzahl der vollständigen Gespräche, die die KI in einer Sitzung berücksichtigen kann, drastisch erhöht.

Specific unterstützt beide Ansätze standardmäßig, was eine Menge manuellen Aufwand spart. Wenn Sie ChatGPT direkt verwenden, müssen Sie Ihre Chargen oder Abschnitte vor der Analyse planen und genau verfolgen, was in jeder Eingabe gesendet wird.

Mehr zum Umgang mit Workflow und Struktur? Schauen Sie in unseren Leitfaden zur Erstellung von Doktoranden-Umfragen.

Zusammenarbeitsfunktionen für die Analyse von Umfrageantworten unter Doktoranden

Die Zusammenarbeit bei der Umfrageanalyse kann schwierig sein. Besonders bei Umfragen zum Klima von Vielfalt und Inklusion – oft arbeiten Forschungsmitarbeiter, Abteilungsleiter und Administratoren zusammen. Feedback fließen zu lassen, Ergebnisse zu segmentieren und Perspektiven zu trennen, ist meist ein Balanceakt.

In Specific ist die Umfrageanalyse konversationell und kollaborativ. Teammitglieder können direkt in der App mit der KI chatten – ohne zwischen Werkzeugen wechseln zu müssen. Sie können mehrere parallele Chats für verschiedene Fragestellungen starten: einer konzentriert sich auf „Mentoring-Lücken“, ein anderer filtert Antworten von URM-Studierenden, ein weiterer auf positive Aspekte, die internationale Befragte genannt haben.

Jeder Chat ist sein eigener Kontext. Sie wenden benutzerdefinierte Filter auf jeden Analysechat an, konzentrieren sich auf relevante Segmente und sehen auf einen Blick, wer die Analyse gestartet hat. Das ist ein echter Fortschritt für Gruppenprojekte oder Ausschussarbeit.

Avatar-basierte Nachrichten sorgen für Klarheit. Bei der Zusammenarbeit sehen Sie, welches Teammitglied was im Analysechat gesagt hat, was Transparenz und Übersichtlichkeit bringt – kein „Wer hat das gemacht?“ mehr.

Mehr zum Erstellen und Anpassen solcher kollaborativen Umfragearbeitsbereiche finden Sie auf der Feature-Seite des KI-Umfrageeditors oder starten Sie direkt mit unserem speziellen Umfragegenerator für Doktoranden.

Erstellen Sie jetzt Ihre Umfrage unter Doktoranden zum Klima von Vielfalt und Inklusion

Verwandeln Sie reichhaltige Einblicke von Doktoranden in umsetzbare Veränderungen, indem Sie noch heute Ihre eigene KI-gestützte Umfrage erstellen – mit automatischen Folgefragen, tiefgehender KI-Analyse und müheloser Zusammenarbeit in einem System.