Sprachmodelle gehören im qualitativen Forschungsalltag längst dazu — etablierte Standards für ihre methodische Kontrolle fehlen. Drei Konzepte schließen diese Lücke: Research Persona, Kontrollschleife und Audit Trail. Im Pre-Symposium Workshop des Qual.met Symposiums 2026 wurden sie an mitgebrachtem Textmaterial erprobt.
Die Ausgangslage: Der Einsatz wächst, die Standards fehlen
Der Einsatz generativer KI in der qualitativen Forschung hat sich in den letzten Jahren von einer technischen Kuriosität zu einer methodisch ernst zu nehmenden Option entwickelt. Im Praxisalltag vieler Forschungsprojekte gehören Sprachmodelle längst dazu — beim Offenen Kodieren, beim Thematisieren, beim Verdichten von Interviewmaterial.
Gleichzeitig fehlen weitgehend etablierte Standards dafür, wie ein KI-gestützter Analyseprozess methodisch kontrolliert, transparent dokumentiert und gegenüber den Gütekriterien qualitativer Forschung argumentiert werden kann. Das ist keine Randnotiz: Wer Analyseergebnisse nicht nachvollziehbar machen kann, kann sie auch nicht verteidigen — nicht im Peer Review und nicht in der Publikation.
Diese Lücke lässt sich nicht durch ein besseres Werkzeug schließen. Sie verlangt eine Prozessarchitektur: den Schritt vom einzelnen KI-Werkzeug zur methodisch kontrollierten Analysepipeline, mit den Forschenden als Architekt:innen des Prozesses.
Drei Konzepte für eine audit-fähige Analyse
1. Research Persona :: die KI methodisch konfigurieren
Die Research Persona ist die explizite methodische Konfiguration des KI-Agenten: Paradigma, Analyserahmen und Rollenverständnis werden als nachvollziehbare Forschendenentscheidung festgelegt. Statt ein Modell bloß zu „fragen“, konfigurieren Forschende es so, dass jede Analysehandlung auf eine dokumentierte methodische Entscheidung zurückgeht.
2. Kontrollschleife :: Überprüfung als Methode, nicht als Fehlerkorrektur
Die Kontrollschleife etabliert menschliche Überprüfung, Korrektur und Begründung auf jeder einzelnen Analysestufe. Damit ist keine nachgelagerte Fehlerbereinigung gemeint, sondern eine methodische Anforderung, die zum festen Bestandteil des Workflows wird — vergleichbar der permanenten Gütesicherung in klassischen Auswertungsprozessen.
3. Audit Trail :: lückenlose Dokumentation
Der Audit Trail umfasst die vollständige Dokumentation aller Zwischenschritte. Er ist die Grundlage für Transparenz, Peer Review und Publikationsfähigkeit — und, wie ein Fall aus unserer eigenen Forschungspraxis zeigt, vor allem eines: der Apparat, mit dem Forschende die eigenen Fehler finden, solange es noch geht. Ein Verfahrensartefakt, für das man eine gute Geschichte hat, sieht nämlich aus wie ein Befund. Ohne Protokoll bleibt es unerkannt.
Im Praxistest: der Pre-Symposium Workshop
Am 15. September 2026 wurden diese drei Konzepte am Vorabend des Qual.met Symposiums an der UMIT Tirol in die Praxis überführt. Der Workshop knüpfte an eine vorangegangene Einheit an, in der der komparative Einsatz von Large Language Models (LLMs) für strukturierende, typisierende und reflexiv-thematische Analyseverfahren erprobt wurde — und ging einen Schritt weiter.
Die Teilnehmenden durchliefen einen mehrstufigen Analyseworkflow live, in Tandems und an kurzen Originaltexten aus dem eigenen Projekt: Interviewausschnitte, Fallprotokolle, Feldnotizen aus dem Gesundheitsversorgungskontext. Der Abend gliederte sich in drei Einheiten:
- Vom Werkzeug zur Pipeline — Konzeptioneller Rahmen und Konfiguration des eigenen Workflows
- Die Pipeline live durchlaufen — Arbeit in Tandems am eigenen Material
- Audit Trail, Güte und Grenzen — Reflexion und Dokumentationspraxis
Es war nicht Ziel eine fertige Analyse zu produzieren. Das Ziel war, den Prozess selbst zu erleben – einschließlich der Momente, in denen korrigiert, ergänzt oder verworfen wird. Ein Analysestufen-Log begleitete jede Stufe: Was wurde vorgeschlagen, was übernommen, was verworfen – und warum.
Das Format war bewusst tool-agnostisch angelegt. Die erarbeiteten Konzepte und Dokumentationslogiken sind auf alle gängigen LLM-Umgebungen übertragbar – Claude, ChatGPT, Gemini oder lokale Modelle. Die Live-Demonstration erfolgte mit Claude Code, da dessen Konversationsstruktur die Pipeline-Logik besonders anschaulich sichtbar macht.
Was Forschende für die eigene Anwendung brauchen
Die Konzepte setzen keine KI-Vorkenntnisse voraus — wohl aber Methodenerfahrung. Wer die Pipeline im eigenen Projekt erproben will, braucht wenig mehr als einen kurzen Textausschnitt von ein bis zwei Seiten und ein Protokoll, in dem jede Stufe festgehalten wird.
Zwei Voraussetzungen sind zu erfüllen: Das Material muss zumindest pseudonymisiert sein, und die Freigabe durch Ethikvotum bzw. Einverständniserklärung muss die Verarbeitung durch externe Dienste abdecken. Wo das nicht gegeben ist, gehört das Material nicht in ein cloudbasiertes Modell – dann bleiben lokal betriebene Modelle..
Fazit
Über KI in der Forschung zu reden, ist etwas anderes, als sie laufen zu lassen und zu sehen, wo die Pipeline trägt und wo sie nicht mehr hält. Methodische Kontrolle bleibt bei den Forschenden, nicht beim Modell. Das ist keine Absicherung für Gutachter:innen, sondern das Fundament für belastbare qualitative Forschung mit KI-Unterstützung.
Der Beitrag geht auf den Pre-Symposium Workshop „Qualitative Analyse mit KI: Kontrolle, Transparenz und Audit Trail im Forschungsprozess“ zurück, der am 15. September 2026 an der UMIT Tirol — Private Universität für Gesundheitswissenschaften und ‑technologie, Hall in Tirol, im Rahmen des Qual.met Symposiums 2026 stattfand. Leitung: Marc Crepaz.
AI Diligence Statement
Dieser Beitrag wurde mit Unterstützung eines Large Language Models (Claude, Anthropic) strukturiert und sprachlich überarbeitet. Fragestellung, Argumentation und alle inhaltlichen Aussagen stammen vom Autor, der jede Formulierung geprüft hat und für den Text verantwortet. Der Entstehungsweg folgt damit denselben Prinzipien, die der Beitrag beschreibt: Kontrollschleife und nachvollziehbare Entscheidung auf jeder Stufe.