Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten von einer Umfrage unter Doktoranden zum Thema Autorenschaftspraktiken mit KI-gestützten Methoden und praktischen Aufforderungen analysieren können.
Die richtigen Tools zur Analyse von Umfragedaten von Doktoranden auswählen
Wie Sie bei der Analyse von Umfrageantworten vorgehen, hängt ganz von der Art und Struktur der erhobenen Daten ab. Es gibt einige grundlegende Unterscheidungen:
Quantitative Daten: Wenn Ihre Umfrage Fragen enthält wie „Wie viele Veröffentlichungen haben Sie mitverfasst?“ oder „Haben Sie klare Richtlinien zur Autorenschaft erhalten?“, können Sie die Antworten einfach in einem Tabellenkalkulationsprogramm wie Excel oder Google Sheets erfassen. Diese Tools ermöglichen es Ihnen, Daten zu zählen, zu grafisch darzustellen und zu pivotieren, um schnelle Erfolge zu erzielen.
Qualitative Daten: Offene Umfrageantworten – etwa warum jemand eine bestimmte Reihenfolge bei der Autorenschaft gewählt hat oder Überlegungen zur Fairness – sind eine wahre Fundgrube für Einblicke. Aber all diesen Text zu lesen und manuell zu codieren, dauert ewig, und es gibt nur so viel Kaffee, den man trinken kann. Hierbei müssen Sie sich auf KI-Tools stützen.
Es gibt zwei Ansätze für den Einsatz von Tools bei der Arbeit mit qualitativen Antworten:
ChatGPT oder ein ähnliches GPT-Tool für die KI-Analyse
Kopieren, einfügen und chatten: Ein einfacher Ansatz besteht darin, Ihre offenen Antworten zu exportieren und in ChatGPT, Claude oder ähnliches einzufügen. Dann geben Sie der KI Anweisungen für Erkenntnisse oder Zusammenfassungen.
Nicht so reibungslos, wie es klingt: Auf diese Weise viele Umfragedaten zu verarbeiten, macht keinen Spaß. Es erfordert viel Kopieren und Einfügen, Erfassung von Aufforderungen, Verwaltung von KI-Kontextgrenzen und Organisation. Dennoch ist es ein kostengünstiger Einstiegspunkt – insbesondere, da ChatGPT bereits von 66% der Studierenden genutzt wird, die KI für akademische Arbeiten einsetzen [1].
All-in-One-Tool wie Specific
Zweckmäßig für die Umfrageanalyse: Tools wie Specific vereinen Umfrageerstellung, Nachverfolgung und KI-gesteuerte Analyse unter einem Dach. Sie sind darauf ausgelegt, Ihnen bei der Sammlung von reichhaltigeren qualitativen Daten zu helfen – in Echtzeit kann die KI von Specific Nachfragen stellen, um bei schwierigen Themen wie akademischem Kredit, Transparenz oder Konflikten tiefer zu gehen.
Kein manuelles Ringen mehr: Sobald die Antworten vorliegen, fasst Specific die wichtigsten Themen für Sie zusammen, clustert und taggt sie. Sie können direkt mit den Daten chatten (wie Sie es mit ChatGPT tun würden), nach Trends fragen, Kohorten vergleichen und sogar filtern, welche Antworten die KI sieht. Der Arbeitsablauf ist sauber, kollaborativ und auf Skalierbarkeit ausgelegt.
Neugierig, wie es sich anfühlt, einen solchen Arbeitsablauf Ende-zu-Ende zu nutzen? Schauen Sie sich den Survey-Generator für Doktorand-Autorenschaftspraktiken an oder erfahren Sie mehr über die KI-Umfrageantwortenanalyse Funktionen von Specific.
Nützliche Aufforderungen, die Sie verwenden können, um Umfragedaten von Doktoranden über Autorenschaftspraktiken zu analysieren
Die richtige KI-Aufforderung verwandelt eine Fülle von Rohtext schnell in umsetzbare Erkenntnisse. Hier sind einige praktische Beispiele, die ich empfehle, um das Beste aus Ihrer Umfrageanalyse mit ChatGPT, Claude oder Specific herauszuholen.
Aufforderung für Kernthemen: Wenn Sie nur die Hauptthemen möchten, ist diese Aufforderung (von Specific verwendet) goldrichtig, um wirklich herauszuarbeiten, was Doktoranden über ihre Erfahrungen mit Autorenschaftspraktiken denken:
Ihre Aufgabe ist es, Kernthemen in Fettdruck (4-5 Wörter pro Kernthema) + bis zu 2 Sätze lang zu erklären, zu extrahieren.
Ausgabebedingungen:
- Vermeiden Sie unnötige Details
- Geben Sie an, wie viele Personen das jeweilige Kernthema erwähnt haben (verwenden Sie Zahlen, keine Wörter), am häufigsten erwähnt oben
- keine Vorschläge
- keine Hinweise
Beispielausgabe:
1. **Kernthementext:** Erklärungstext
2. **Kernthementext:** Erklärungstext
3. **Kernthementext:** Erklärungstext
Geben Sie der KI mehr Kontext: KI funktioniert immer besser mit Details zu Ihrer Umfrage und Ihren Forschungszielen. Zum Beispiel:
Sie analysieren offenes Feedback aus einer Umfrage unter Doktoranden zu Autorenschaftspraktiken an US-Universitäten. Das Ziel ist es, Schwachstellen rund um Autorenschaftsrichtlinien, Klarheit und Fairness in den MINT- und Geisteswissenschaften aufzudecken. Priorisieren Sie Probleme, die sich auf Zusammenarbeit und Veröffentlichungseinreichungen auswirken.
Gehen Sie tiefer auf große Erkenntnisse ein: Fordern Sie mehr Details zu einem Muster oder Kernthema:
Erzählen Sie mir mehr über „fehlende klare Richtlinien zur Autorenschaft“
Bestätigen Sie spezifische Bedenken: Um zu sehen, ob jemand eine rote Flagge gehisst oder etwas erwähnt hat, das Sie verfolgen, fordern Sie auf:
Hat jemand über „Konflikte in der Autorreihenfolge“ gesprochen? Zitate einfügen.
Aufforderung für Personas: Um die unterschiedlichen „Typen“ von Doktoranden in Ihrem Datensatz zu entdecken und wie sie über Autorenschaft sprechen:
Basierend auf den Umfrageantworten, identifizieren und beschreiben Sie eine Liste verschiedener Personas – ähnlich wie „Personas“ im Produktmanagement eingesetzt werden. Für jede Persona fassen Sie ihre Hauptmerkmale, Motivationen, Ziele und relevante Zitate oder Muster aus den Gesprächen zusammen.
Aufforderung für Schmerzpunkte und Herausforderungen: Um gängige Herausforderungen zu erkennen, mit denen Doktoranden konfrontiert sind:
Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die erwähnt wurden. Fassen Sie jede zusammen und beachten Sie Muster oder Häufigkeit.
Motivationen und Anreize: Finden Sie heraus, was die Studierenden antreibt oder was ihren Ansatz zur Autorenschaft beeinflusst:
Extrahieren Sie aus den Umfragegesprächen die Hauptmotivationen, Wünsche oder Gründe, die die Teilnehmer für ihre Verhaltensweisen oder Entscheidungen äußern. Gruppieren Sie ähnliche Motivationen und liefern Sie unterstützende Beweise aus den Daten.
Sentimentanalyse: Beurteilen Sie, ob das allgemeine Stimmungsbild positiv, negativ oder gemischt ist:
Bewerten Sie die allgemeine Stimmung, die in den Umfrageantworten zum Ausdruck gebracht wird (z. B. positiv, negativ, neutral). Heben Sie wichtige Aussagen oder Feedback hervor, die zu jeder Stimmungskategorie beitragen.
Weitere Fragenideen, die speziell auf dieses Publikum und Thema zugeschnitten sind, finden Sie in unserem Leitfaden zu den besten Fragen für eine Umfrage unter Doktoranden zu Autorenschaftspraktiken.
Wie Specific qualitative Daten aus verschiedenen Fragetypen analysiert
Einer der schwierigsten Teile bei der Umfrageanalyse ist die Behandlung aller komplexen Fragetypen, die Sie verwenden könnten. Specific ist speziell entwickelt, um dies automatisch herunterzubrechen:
Offene Fragen (mit oder ohne Nachfragen): Specific gruppiert und fasst jede Antwort auf diese Fragen zusammen und, falls es Nachfragen gibt, verbindet es die Antworten, um zu ergründen, warum Studenten bestimmte Ansichten zu Themen wie Autorenschaftsreihenfolge, Fairness oder Transparenz haben.
Auswahlmöglichkeiten mit Nachfragen: Bei Fragen wie „Wurde Ihr Beitrag im endgültigen Manuskript anerkannt? (Ja/Nein)+Warum?“ erstellt Specific eine separate Zusammenfassung für die Nachfolgeres Antworten auf der Grundlage jeder Antwort. Dieser Ansatz hebt Unterschiede hervor, beispielsweise zwischen denen, die das Gefühl haben, dass ihre Arbeit wertgeschätzt wurde, und denen, die das nicht tun.
NPS: Wenn Sie den Net Promoter Score (NPS) zur Zufriedenheit mit Autorenschaftspraktiken messen, segmentiert Specific automatisch Zusammenfassungen der Nachantworten für Kritiker, Passive und Promotoren. Dies erleichtert es, das zu erkennen, was einige begeistert und andere frustriert – äußerst nützlich, um Lücken oder Vorurteile in bestehenden Autorenschaftsrichtlinien aufzudecken.
Sie können diese Schichtung in ChatGPT nachbilden, aber es erfordert mehr Arbeit – manuelles Filtern von Antworten und deren Eingabe an die KI in getrennten Chargen.
Taktiken zur Umgehung von KI-Kontextgrößenbeschränkungen
Sobald Sie genügend Feedback von Doktoranden gesammelt haben, werden Sie bald auf KI-„Kontext“-Grenzen stoßen – die maximale Menge an Daten, die Sie einem Modell wie ChatGPT zuführen können, bevor es den Anfang Ihres Textes vergisst.
Filtern: Reduzieren Sie die Geräuschkulisse, indem Sie die KI nur jene Gespräche überprüfen lassen, bei denen die Studierenden tatsächlich auf eine ausgewählte Frage geantwortet haben, etwa zu Autorenschaftskonflikten oder -richtlinienklarheit. Weniger ist mehr, wenn es um Einsichtsdichte geht.
Zuschneiden nach Fragen: Wählen Sie nur die wichtigsten Fragen für die Analyse aus, wenn Sie sie an die KI senden. Dadurch bleiben Sie unter der Kontextgrenze, während Sie dennoch tief auf die Themen eingehen können, die für Ihre Forschungsziele am wichtigsten sind.
Specific integriert beide Ansätze in den Arbeitsablauf, sodass Sie sich auf Erkenntnisse konzentrieren und nicht darauf, Kontexterrors zu beheben. Für einen NPS-gesteuerten Analysepfad testen Sie den College Doctoral Student NPS Survey Builder.
Kollaborative Funktionen zur Analyse von Antworten auf Umfragen von Doktoranden
Die Koordinierung der Analyse über ein Forschungsteam hinweg oder die Einbindung von Fakultätsberatern kann ein Kopfschmerz sein, insbesondere bei großen qualitativen Datensätzen.
Analysieren durch Chatten mit KI: Auf Specific starten Sie einfach einen neuen KI-Chat mit Ihren Umfragedaten und tauchen in Themen zur Autorenschaftspraxis ein – von „Wie unterscheiden sich STEM-Studierende von Geisteswissenschaftlern?“ bis „Was sind die Hauptursachen von Autorenschaftskonflikten?“
Mehrere Chat-Threads und Filter: Sie können so viele parallele Chats führen, wie Sie möchten, jeder mit eigenen Filtern (z.B. segmentiere nach Studienjahr, Mentorenunterstützung oder Land). Jeder Chat zeigt klar an, wer ihn gestartet hat, was die Teamarbeit nahtlos macht.
Verfolgen, wer was gesagt hat: Während Sie und Ihre Kollegen zusammenarbeiten, zeigt jede Nachricht das Avatar des Absenders an. Dies hält Ihre Analysediskussionen transparent, und es ist viel einfacher, auf den Erkenntnissen anderer aufzubauen, wenn Sie wissen, wer welche Beobachtung gemacht hat.
Möchten Sie die kollaborative Datenanalyse für dieses Publikum ausprobieren? Der Leitfaden zum Erstellen von Umfragen zur Autorenschaftspraxis von Doktoranden ist ein praktischer Einstiegspunkt.
Erstellen Sie jetzt Ihre Umfrage zur Autorenschaftspraxis von Doktoranden
Beginnen Sie damit, umsetzbare Einblicke zu sammeln und echte Meinungen zu Autorenschaftspraktiken zu entdecken – mühelos, kollaborativ, mit KI-gestützter Analyse, die auf das Publikum der Doktoranden zugeschnitten ist.
