Wie man KI zur Analyse von Antworten einer Umfrage unter Doktoranden über die Laborkultur einsetzt

Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter Doktoranden über die Laborkultur mithilfe von KI-Tools und intelligenten Strategien analysieren können. Lassen Sie uns direkt einsteigen.

Die richtigen Werkzeuge zur Analyse von Umfrageantworten auswählen

Wie Sie die Umfrageanalyse angehen, hängt stark vom Format und der Struktur Ihrer Daten ab. Praktisch bedeutet das:

• Quantitative Daten: Dinge wie Likert-Skala-Antworten („Stimme voll zu“ bis „Stimme überhaupt nicht zu“) oder Einzel-/Mehrfachauswahlfragen sind unkompliziert. Wenn Sie wissen möchten, wie viele Studierende eine bestimmte Antwort zur Laborverwaltung gewählt haben, reichen Excel oder Google Sheets aus – Sie zählen einfach, erstellen Diagramme und fertig.
• Qualitative Daten: Offene Antworten oder Folgefragen – „Beschreiben Sie Ihre Erfahrungen mit der Zusammenarbeit im Labor“ – sind eine andere Herausforderung. Bei Dutzenden oder Hunderten solcher Antworten können Sie nicht einfach jede einzeln lesen. KI ist wirklich der einzige Weg, große Mengen qualitativen Feedbacks effektiv und effizient zu analysieren.

Es gibt zwei Hauptansätze für Tools zur Analyse qualitativer Antworten:

ChatGPT oder ähnliche GPT-Tools für KI-Analyse

Sie können exportierte Umfragedaten kopieren und in ChatGPT zur Analyse einfügen. So können Sie über die Antworten chatten und die KI bitten, Themen oder Kernideen herauszufiltern.

Aber die Daten so zu handhaben ist nicht ideal. Es ist umständlich. Sie müssen die Daten formatieren, sie eventuell in Abschnitte aufteilen, wenn sie zu groß sind (ChatGPT und andere haben Eingabegrößenbeschränkungen), und zwischen verschiedenen Chats oder Sitzungen den Kontext wechseln. Nuancen zu verstehen – etwa welche Folgefrage zu welcher ursprünglichen Antwort gehört – kann kompliziert werden.

All-in-One-Tool wie Specific

Specific ist ein KI-Umfragetool, das diesen Prozess nahtlos gestaltet. Es analysiert nicht nur, sondern hilft Ihnen, von Anfang an bessere Daten zu sammeln. Wenn Studierende eine Umfrage ausfüllen, stellt der KI-Interviewer spontan Folgefragen – so werden direkt im Moment tiefere und reichhaltigere Antworten gewonnen. Sehen Sie, wie automatische KI-Folgefragen funktionieren.

Nach dem Sammeln der Antworten analysiert die KI von Specific alles sofort. Sie fasst zusammen und entdeckt zentrale Themen, Stimmungen und umsetzbare Erkenntnisse – automatisch und in Sekundenschnelle. Keine Tabellenkalkulationen, kein manuelles Durchforsten. Möchten Sie verstehen, was wirklich heraussticht? Sie können direkt mit den Daten chatten – genau wie mit ChatGPT, aber speziell für Umfrageanalysen entwickelt. Außerdem haben Sie feine Kontrolle darüber, welchen Kontext die KI verwendet.

Wenn Sie mehr Details möchten, sehen Sie sich an, wie das in unserem Deep Dive zur KI-Umfrageantwortanalyse funktioniert.

Nützliche Eingabeaufforderungen für die Analyse der Umfrage zur Laborkultur von Doktoranden

Um aus Umfragedaten sinnvolle Erkenntnisse zu gewinnen, kommt es oft darauf an, die richtigen Fragen zu stellen – buchstäblich. Ob Sie ChatGPT oder ein All-in-One-Tool wie Specific verwenden, die folgenden Eingabeaufforderungen erleichtern und vereinheitlichen die Gewinnung von Erkenntnissen.

Eingabeaufforderung für Kernideen: Verwenden Sie diese, um die Hauptthemen oder Kernkonzepte aus einer großen Menge offener Antworten zu extrahieren. Diese genaue Eingabeaufforderung wird von Specific verwendet und funktioniert auch anderswo gut:

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 (verwenden Sie Zahlen, keine Worte), die meistgenannte oben - keine Vorschläge - keine Hinweise Beispielausgabe: 1. **Kernidee Text:** Erklärungstext 2. **Kernidee Text:** Erklärungstext 3. **Kernidee Text:** Erklärungstext

Eingabeaufforderungen funktionieren immer besser mit mehr Kontext. Wenn Sie der KI die Ziele Ihrer Umfrage mitteilen (z. B. „Untersuchung von Kommunikations- und Kollaborationsherausforderungen für Doktoranden im Laborumfeld“) und etwas zu Ihrer Situation erzählen, erhalten Sie intelligentere, zielgerichtetere Ergebnisse. Hier ein Beispiel mit Kontext:

Hier ist der Kontext: Wir haben eine Umfrage unter 65 Doktoranden durchgeführt, um Schmerzpunkte in der Laborkultur zu verstehen, insbesondere Erfahrungen rund um Governance, Kommunikation, Arbeitsbelastung und Unterstützung. Ihre Aufgabe: Bitte extrahieren Sie die Hauptthemen und fassen Sie Punkte zu Laborstruktur und Betreuerbeziehungen zusammen.

Sobald Sie Ihre Liste der Kernideen haben, verwenden Sie Folgefragen wie „Erzählen Sie mir mehr über [Kernidee]“, um tiefer in jedes Thema einzutauchen.

Eingabeaufforderung für spezifische Themen: Möchten Sie schnell erkennen, ob etwas erwähnt wurde? Versuchen Sie: „Hat jemand über Geschlechterdynamiken gesprochen?“ Tipp: Fügen Sie „Zitate einbeziehen“ hinzu, wenn Sie direkte Beispiele möchten. Das kann mächtig sein, um Erfahrungen hervorzuheben, die sonst übersehen werden könnten. Studien zeigen, dass unstrukturierte Laborumgebungen häufig zu geschlechtsspezifischen Rollenteilungen führen, wenn niemand eingreift. [1]

Eingabeaufforderung für Personas: Das Verständnis unterschiedlicher Personas unter Ihren Befragten ist nützlich, um gezielte Verbesserungen zu entwickeln. Versuchen Sie: „Basierend auf den Umfrageantworten identifizieren und beschreiben Sie eine Liste unterschiedlicher Personas – ähnlich wie ‚Personas‘ im Produktmanagement verwendet werden. Fassen Sie für jede Persona deren Hauptmerkmale, Motivationen, Ziele und relevante Zitate oder Muster zusammen.“

Eingabeaufforderung für Schmerzpunkte und Herausforderungen: „Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeiten.“

Eingabeaufforderung für Motivationen & Antriebe: „Extrahieren Sie aus den Umfragegesprächen die Hauptmotivationen, Wünsche oder Gründe, die die Teilnehmenden für ihr Verhalten oder ihre Entscheidungen angeben. Gruppieren Sie ähnliche Motivationen und liefern Sie unterstützende Belege aus den Daten.“

Eingabeaufforderung für Sentiment-Analyse: „Bewerten Sie die allgemeine Stimmung in den Umfrageantworten (z. B. positiv, negativ, neutral). Heben Sie Schlüsselphrasen oder Feedback hervor, die zu jeder Stimmungskategorie beitragen.“ Dies ist besonders wichtig, da mehr als 50 % der Doktoranden unangemessenes Verhalten berichten und viele mit Isolation und Angst kämpfen. [4][5]

Eingabeaufforderung für Vorschläge & Ideen: „Identifizieren und listen Sie alle Vorschläge, Ideen oder Wünsche der Umfrageteilnehmer auf. Ordnen Sie sie nach Thema oder Häufigkeit und fügen Sie relevante direkte Zitate hinzu.“

Eingabeaufforderung für unerfüllte Bedürfnisse & Chancen: „Untersuchen Sie die Umfrageantworten, um unerfüllte Bedürfnisse, Lücken oder Verbesserungsmöglichkeiten zu erkennen, wie von den Befragten hervorgehoben.“

Wenn Sie mehr darüber erfahren möchten, wie Sie Umfragefragen für diese Zielgruppe und dieses Thema formulieren, sehen Sie unseren Leitfaden: beste Fragen für eine Umfrage zur Laborkultur von Doktoranden.

Wie die Analyse verschiedener Fragetypen in Specific funktioniert

Specific wendet KI-gesteuerte Analysen an, die auf jeden Fragetyp zugeschnitten sind, was es erleichtert, auch aus komplexen Umfragen aussagekräftige Erkenntnisse zu gewinnen:

• Offene Fragen (mit oder ohne Folgefragen): Sie erhalten eine Zusammenfassung aller Erstantworten plus gruppierte Erkenntnisse aus den Folgefragen, die jeweils zugeordnet sind.
• Auswahlfragen mit Folgefragen: Für jede Antwortoption fasst die KI die zugehörigen Folgeantworten zusammen. Das ist ideal, um zu verstehen, warum Studierende eine bestimmte Antwort gewählt haben oder den Kontext ihrer Begründung.
• NPS: Jede Gruppe (Kritiker, Passive, Promotoren) erhält eine eigene Zusammenfassung, die einzigartige Perspektiven dieser Segmente hervorhebt. Das ist nützlich, um Muster zwischen sehr zufriedenen und unzufriedenen Gruppen zu erkennen.

Ähnliches können Sie in ChatGPT machen, aber Sie müssen bewusst gruppieren, aufteilen und Eingabeaufforderungen für jede Frage erstellen. Das ist viel arbeitsintensiver und Fehler passieren leicht, wenn Sie nicht organisiert sind. Wenn Sie eine Anleitung zum Erstellen Ihrer Umfrage möchten, sehen Sie wie man eine Umfrage zur Laborkultur von Doktoranden erstellt.

Umgang mit KI-Kontextgrenzen bei großen Umfragedaten

Jedes KI-Tool hat eine Kontextgrenze – wenn Ihre Umfrage zur Laborkultur viele offene Antworten erhält, stoßen Sie schnell an diese Grenze. So gehen Sie damit um (diese Ansätze sind in Specific integriert, aber Sie können ähnliche Strategien auch anderswo verwenden):

• Filtern: Beschränken Sie die Antworten, bevor Sie sie an die KI senden. Analysieren Sie zum Beispiel nur Gespräche, in denen Studierende Probleme mit der Labor-Kommunikation berichteten, oder konzentrieren Sie sich auf Antworten zur Frage „Arbeitsbelastungsmanagement“. Das reduziert das Datenvolumen und erhöht die Relevanz.
• Zuschneiden: Senden Sie nur ausgewählte Fragen oder Abschnitte an die KI. Möchten Sie Perspektiven zur Governance verstehen? Schneiden Sie diesen Abschnitt aus und senden Sie nur diesen, damit Ihr Kontext passt und Ihre Erkenntnisse fokussiert sind.

Das ist besonders hilfreich, da Studien zeigen, dass zentrale Herausforderungen in der Laborkultur oft Kommunikation und Arbeitsbelastung betreffen – gezielte Analysen zahlen sich also aus. [2][3]

Zusammenarbeit bei der Analyse von Umfrageantworten von Doktoranden

Einer der schwierigsten Teile bei der Analyse qualitativer Umfragen zur Laborkultur ist die Zusammenarbeit mit Kolleg:innen – Ergebnisse teilen, aufeinander aufbauen und sehen, wer was beigetragen hat.

In Specific analysieren Sie Daten kollaborativ, indem Sie direkt mit der KI chatten. Mehrere Teammitglieder können verschiedene Chats starten, jeweils mit eigenen Filtern und Fragestellungen. Das ist perfekt für verteilte Forschungsteams – jemand kann Erfahrungen zu sozialen Dynamiken erforschen, während ein Kollege sich auf Arbeitsbelastung oder Betreuerbeziehungen konzentriert. Jeder Chat zeigt klar, wer ihn erstellt hat, sodass Threads leicht verwaltet und Ergebnisse koordiniert werden können.

Jede KI-Chatnachricht hebt den Beitragenden hervor. Bei der Zusammenarbeit sehen Sie die Avatare der Absender – das sorgt für Transparenz und erleichtert die Nachverfolgung, wer was gesagt hat. Das ist wichtig, wenn Sie mit großen Gruppen von Doktorand:innen oder über mehrere Abteilungen hinweg arbeiten, wo klare Kommunikation und Dokumentation entscheidend sind.

Erstellen Sie jetzt Ihre Umfrage zur Laborkultur von Doktoranden

Beginnen Sie, echtes, umsetzbares Feedback mit KI-gestützten Umfragen zu sammeln, die Datenanalyse schnell, kollaborativ und aufschlussreich machen – und so die Kultur Ihres Labors und die Ergebnisse der Studierenden verbessern.