Wie man KI zur Analyse von Antworten aus einer Umfrage unter Mittelstufenschülern zum Thema Mobbing einsetzt

Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter Mittelstufenschülern zum Thema Mobbing mithilfe KI-gestützter Analysewerkzeuge für Umfrageantworten auswerten können, um Klarheit und umsetzbare Erkenntnisse zu gewährleisten.

Die richtigen Werkzeuge für die Umfrageanalyse auswählen

Eine effektive Umfrageanalyse beginnt immer damit, zu überlegen, welche Art von Antworten Sie gesammelt haben – denn die Werkzeuge, die Sie verwenden, hängen von der Struktur Ihrer Daten ab.

• Quantitative Daten: Wenn Sie Fragen als Kontrollkästchen strukturiert haben (zum Beispiel: „Welche dieser Situationen haben Sie erlebt?“), lassen sich Ihre Antworten relativ einfach in Tools wie Excel, Google Sheets oder jeder einfachen Tabellenkalkulation zählen und zusammenfassen. Zahlen wie „Ungefähr 26,3 % der Mittelstufenschüler berichteten, während des Schuljahres 2021–2022 Mobbing erlebt zu haben“ stammen direkt aus dieser Art der Analyse. [1]
• Qualitative Daten: Wenn Ihre Umfrage offene oder konversationelle Fragen enthielt („Erzählen Sie uns von einer Zeit, in der Sie oder jemand, den Sie kennen, gemobbt wurde“), ist es nahezu unmöglich, jede Antwort selbst zu lesen und Trends zu erkennen – besonders wenn Sie Folgefragen für detailliertere Informationen stellen. Dafür benötigen Sie ein KI-gestütztes Tool.

Bei der qualitativen Antwortanalyse haben Sie zwei gute Werkzeugoptionen:

ChatGPT oder ähnliches GPT-Tool für KI-Analyse

Sie können Ihre Umfragedaten – oft als große Textdatei – exportieren und diese Ergebnisse in ChatGPT (oder ein anderes großes Sprachmodell-Tool) einfügen. Dann können Sie der KI Fragen zu Ihren Antworten stellen.

Diese Methode hat jedoch einige Herausforderungen:

Sie ist für große Datensätze nicht praktisch, da das Hochladen von mehr als wenigen Antworten auf einmal schnell die Fähigkeit der KI überfordert, den „Kontext“ zu verarbeiten. Das Kopieren und Einfügen aus Tabellenkalkulationen oder Exporten wird unübersichtlich, besonders wenn Sie eine klare Verbindung zu den ursprünglichen Umfrageantworten behalten möchten. Außerdem erhalten Sie keine spezialisierten Funktionen zur Verwaltung oder Bereinigung der Daten vor der Analyse.

All-in-One-Tool wie Specific

Specific ist ein KI-Tool, das speziell für Umfrageersteller und Analysten entwickelt wurde. Sie können Umfrageantworten sammeln und sofort analysieren – alles an einem Ort. Hier ist, warum es besonders stark bei qualitativen Daten ist:

Automatische Folgefragen: Beim Sammeln der Daten stellt Specific automatisch intelligente Folgefragen, die die Qualität und Tiefe jeder Antwort erhöhen. Bei Mobbing-Umfragen, bei denen der Kontext wichtig ist, machen diese Folgefragen einen großen Unterschied. Sehen Sie sich an, wie automatische KI-Folgefragen die Umfragetiefe verbessern.

Automatisierte Analyse: Specific nutzt KI, um Ergebnisse zusammenzufassen, die am häufigsten genannten Themen hervorzuheben und Handlungsvorschläge zu machen, sodass Sie nicht in Rohtexten oder manueller Zählung versinken. Möchten Sie die drei wichtigsten Umgebungen wissen, in denen Mobbing stattfindet? Sie erhalten eine Zusammenfassung – inklusive relevanter Zahlen.

Konversationelle Analytik: Sie können mit der KI über Ihre Ergebnisse chatten – genau wie bei ChatGPT! Aber hier basiert es auf Ihrem tatsächlichen Datensatz, sodass Sie tiefer graben können („Welche Themen nannten Schüler am häufigsten, wenn sie Online-Mobbing beschrieben?“). Funktionen wie Datenfilterung, Zuschneiden und Kontextmanagement machen es zuverlässig für echte Forschung und Berichterstattung.

Nützliche Eingabeaufforderungen für die Analyse der Mobbing-Umfrage unter Mittelstufenschülern

KI-gestützte Analyse ist nur so gut wie Ihre Eingabeaufforderungen. Hier ist, was ich aus der Arbeit mit Umfrageergebnissen gelernt habe – diese bewährten Optionen funktionieren für Mobbing-Umfragen, egal ob Sie Specific oder etwas wie ChatGPT verwenden.

Eingabeaufforderung für Kernideen: Verwenden Sie diese, wenn Sie einen schnellen Überblick über wiederkehrende Themen und deren Bedeutung möchten:

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 Wörter), die meistgenannten oben - keine Vorschläge - keine Hinweise Beispielausgabe: 1. **Kernidee Text:** Erklärungstext 2. **Kernidee Text:** Erklärungstext 3. **Kernidee Text:** Erklärungstext

Tipp: Fügen Sie Ihrer Eingabeaufforderung immer so viel Kontext wie möglich hinzu! Zum Beispiel:

Wir haben diese Umfrage mit 120 Mittelstufenschülern an zwei städtischen Schulen durchgeführt. Unser Ziel war es, ihre Erfahrungen mit persönlichem und Online-Mobbing zu verstehen, mit Fokus darauf, wo Mobbing stattfindet und welche Unterstützung die Schüler von Erwachsenen wünschen. Bitte fassen Sie die wichtigsten berichteten Herausforderungen unter Verwendung der obigen Struktur zusammen.

Eingabeaufforderung für tiefgehende Analyse: Nachdem Sie ein Kernthema erkannt haben, fragen Sie die KI: „Erzähle mir mehr über XYZ (Kernidee)“, um detaillierte Beispiele und direkte Zitate aus Ihrem Umfragesatz zu erhalten.

Eingabeaufforderung für spezifische Themen: Um zu prüfen, ob jemand ein bestimmtes Thema erwähnt hat: „Hat jemand über Online-Mobbing gesprochen?“ Sie können immer „Zitate einbeziehen“ hinzufügen. Das ist großartig, um aufkommende Trends zu verfolgen – 21,6 % der Schüler, die Mobbing berichteten, sagten, es habe online oder per Text stattgefunden, laut aktueller Forschung. [1]

Eingabeaufforderung für Personas: Möchten Sie die „Typen“ von Schülern besser verstehen? Versuchen Sie dies: „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 Schmerzpunkte und Herausforderungen: „Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die von Mittelstufenschülern genannt wurden. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeiten.“ In der Mobbingforschung konzentrieren sich Schmerzpunkte oft auf Umgebungen – 39 % berichten von Mobbing im Klassenzimmer und 37,5 % in Fluren oder Treppenhäusern [1].

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 vermittelt ein Gefühl für Atmosphäre und Dringlichkeit des Themas.

Für weitere Inspiration sehen Sie sich unseren Leitfaden zu den besten Fragen für eine Mobbing-Umfrage unter Mittelstufenschülern an – er ist voll mit praktischen Tipps und Vorlagen, die Sie für die Eingabeaufforderung und Strukturierung Ihrer Umfrage verwenden können.

Wie Specific qualitative Daten nach Fragetyp analysiert

Einer der herausragenden Vorteile der Verwendung einer Umfrageplattform wie Specific – oder eines anderen fortschrittlichen Tools – ist, dass die Analyse automatisch an die Art der von Ihnen gestellten Fragen angepasst wird:

• Offene Fragen mit oder ohne Folgefragen: Sie erhalten eine Zusammenfassung aller Antworten (einschließlich Folgefragen), sodass Sie nicht nur sehen, was Schüler zuerst sagen, sondern auch den zusätzlichen Kontext, den sie auf Nachfrage geben.
• Auswahlbasierte Fragen mit Folgefragen: Für jede gewählte Option (wie „Wurden Sie jemals im Klassenzimmer gemobbt?“) liefert Specific eine fokussierte Zusammenfassung nur der Folgefragen zu dieser Auswahl – hilfreich, um beispielsweise Mobbing im Klassenzimmer mit dem im Flur zu vergleichen.
• NPS (Net Promoter Score): Jede Kategorie – Kritiker, Passive, Promotoren – erhält eine gezielte Analyse, die Besonderheiten ihrer Erfahrungen und Folgefeedback hervorhebt. Das ist essenziell, um Stimmung und Risiko zu verfolgen.

Sie können diese Logik in ChatGPT nachbilden, müssen Ihre Daten jedoch manuell segmentieren. Es erfordert etwas mehr Aufwand, ist aber durchaus machbar, wenn Sie Ihre Fragen/Antworten systematisch für die KI vorbereiten.

Vertiefen Sie diesen Workflow und sehen Sie praktische Beispiele in unserer Ressource zur KI-Umfrageantwortanalyse.

Umgang mit KI-Kontextgrößenbeschränkungen

Eines der häufigsten Ärgernisse bei der Verwendung von KI für Umfrageanalysen (wie ChatGPT) sind die „Kontextfenster“- oder Größenbeschränkungen – die KI kann nur eine begrenzte Textmenge auf einmal verarbeiten. Wenn Sie Dutzende oder Hunderte von Schülerantworten haben, passt Ihr gesamter Datensatz möglicherweise nicht hinein.

Ich verwende zwei Hauptstrategien – beide werden von Specific standardmäßig unterstützt – um diese Grenzen zu umgehen und dennoch zuverlässige Analysen zu erhalten:

• Antworten filtern: Vor der Analyse filtern Sie, um nur Gespräche einzubeziehen, in denen Schüler auf bestimmte Fragen geantwortet oder bestimmte Antworten ausgewählt haben. Das schärft den Fokus, hilft der KI, relevant zu bleiben, und verhindert, dass wichtige Daten abgeschnitten werden.
• Nach Frage zuschneiden: Statt alle Fragen auf einmal an die KI zu senden, schicken Sie nur ausgewählte Fragen (vielleicht nur jene zum Online-Mobbing oder abschließende Kommentare). So können Sie größere Schülergruppen in das „Gehirn“ der KI für die wichtigsten Fragen einpassen.

Dieser Ansatz stellt sicher, dass Sie keine Erkenntnisse verlieren, nur wegen Systembeschränkungen.

Eine praktische Anleitung finden Sie in unserem Analyse-Deep-Dive.

Zusammenarbeitsfunktionen für die Analyse von Umfrageantworten von Mittelstufenschülern

Die Analyse von Mobbing-Umfragen kann eine Teamarbeit sein – Schulberater, Lehrer und Forscher möchten oft die Daten aus verschiedenen Blickwinkeln betrachten oder separate Hypothesen testen.

Einfache kollaborative KI-Chats: In Specific kann jeder, der zum Projekt eingeladen ist, Ergebnisse analysieren, indem er einfach ein Gespräch mit der KI startet. Jeder Chat ist ein eigener Thread, sodass ein Pädagoge sich auf Online-Mobbing konzentrieren kann, während ein anderer Unterstützungsstrategien untersucht, die von Schülern genannt wurden.

Parallele Chats mit Filtern: Mehrere Analyse-Chats können gleichzeitig laufen – jeder mit eigenen Filtern (wie „nur 8. Klässler“ oder „Schüler, die Online-Mobbing erlebt haben“). Die Zusammenarbeit wird verbessert, indem angezeigt wird, wer welchen Chat geöffnet hat, was Zuordnung und Teamarbeit erleichtert.

Identität und Verantwortlichkeit: Jede Nachricht im kollaborativen KI-Chat zeigt ein Absender-Avatar und die Identität, sodass Sie immer wissen, wer welche Erkenntnis eingebracht hat. Das hält alle auf dem gleichen Stand und erleichtert Folgegespräche.

Für diejenigen, die neue Anti-Mobbing-Initiativen entwickeln, macht dies die Datenexploration schneller und zuverlässiger – kein Hin- und Herschicken von Tabellen mehr per E-Mail.

Möchten Sie lernen, wie Sie Ihre eigene Umfrage mit Zusammenarbeit im Blick erstellen? Sehen Sie sich unseren Leitfaden zur Umfrageerstellung für Mobbingforschung an.

Erstellen Sie jetzt Ihre Mittelstufen-Umfrage zum Thema Mobbing

Erhalten Sie tiefere Einblicke, intelligentere Folgefragen und sofortige KI-Analyse – erstellen Sie noch heute eine Umfrage für Ihre Schüler und nehmen Sie das Rätselraten bei der Mobbingprävention heraus.