Generative KI in der qualitativen Forschung — Werkzeug, Mitautor:in oder methodisches Risiko? Ein Vorab-Blick auf die Fragestellung, die drei Kernkonzepte und das Format des Pre-Symposium Workshops am Vorabend des Qual.met Symposiums 2026.
Meine Antwort auf die Eingangsfrage lautet: Es hängt davon ab, wie transparent der Analyseprozess gestaltet wird. Genau daran arbeitet der Workshop am 15. September 2026 an der UMIT Tirol.
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.
Der Workshop adressiert genau diese Lücke. Er knüpft 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 führt einen Schritt weiter: vom einzelnen KI-Werkzeug zur methodisch kontrollierten Analysepipeline, mit den Forschenden als Architekt:innen des Prozesses.
Drei Konzepte für eine audit-fähige Analyse
Im Zentrum des Workshops stehen drei Konzepte, die zusammen einen kontrollierten Analyseprozess tragen:
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.
Der Workshop: Live, praktisch, tool-agnostisch
Am 15. September 2026, 18:00–20:30 Uhr, an der UMIT Tirol wird ein mehrstufiger Analyseworkflow live durchlaufen — mit kurzen Originaltexten der Teilnehmenden: Interviewausschnitte, Fallprotokolle, Feldnotizen aus dem Gesundheitsversorgungskontext. Der Abend gliedert 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
Dabei gilt ausdrücklich: Es ist nicht das Ziel, eine fertige Analyse zu produzieren. Das Ziel ist, den Prozess selbst zu erleben — einschließlich der Momente, in denen korrigiert, ergänzt oder verworfen wird.
Das Format ist bewusst tool-agnostisch gestaltet: Die erarbeiteten Konzepte und Dokumentationslogiken sind auf alle gängigen LLM-Umgebungen übertragbar — Claude, ChatGPT, Gemini oder lokale Modelle. Die Live-Demonstration erfolgt mit Claude Code, da dessen Konversationsstruktur die Pipeline-Logik besonders anschaulich sichtbar macht. Die Teilnehmenden erhalten ein begleitendes Materialpaket: Arbeitsblätter, Prompt-Vorlagen, ein Demo-Transkript sowie eine ausführliche Fassung des Analysestufen-Logs und eine Ressourcenliste für die spätere Anwendung im eigenen Projekt.
Fazit
Wir reden nicht über KI in der Forschung — wir machen es, und sehen sofort, wo die Pipeline trägt und wo sie reißt. 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.
Datum: Dienstag, 15. September 2026 · Uhrzeit: 18:00–20:30 Uhr
Ort: UMIT Tirol — Private Universität für Gesundheitswissenschaften und ‑technologie, Eduard-Wallnöfer-Zentrum 1, 6060 Hall in Tirol
Leitung: Marc Crepaz
Rahmen: Pre-Symposium Workshop zum Qual.met Symposium 2026