Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter Studierenden eines Online-Kurses zur Nutzbarkeit der Plattform analysieren können. Egal, ob Sie mit rohen Antworten arbeiten oder die neuesten KI-Tools verwenden, klare Einsichten zu gewinnen ist einfacher als Sie denken.
Die richtigen Tools für die Analyse auswählen
Wie Sie Ihre Umfragedaten angehen und analysieren, hängt von deren Struktur und Art ab. Hier eine kurze Übersicht:
Quantitative Daten: Wenn Studierende hauptsächlich mit Auswahlmöglichkeiten geantwortet haben (wie das Bewerten von Funktionen oder die Auswahl von „Ja/Nein“), können Sie Ergebnisse oder Prozentsätze einfach mit Excel oder Google Sheets ermitteln. Es ist einfach, schnell und funktioniert für grundlegende Statistiken.
Qualitative Daten: Bei offenen Antworten—wenn Studierende schreiben, was funktioniert hat, was nicht oder detailliertes Feedback geben—wird die manuelle Überprüfung schnell überwältigend. KI-Tools können hier helfen, indem sie es Ihnen ermöglichen, Kernideen und Trends zu identifizieren, ohne jede Antwort selbst lesen zu müssen.
Es gibt zwei Ansätze für Tools, wenn Sie mit qualitativen Antworten umgehen:
ChatGPT oder ein ähnliches GPT-Tool für KI-Analyse
Exportieren und kopieren: Es ist möglich, Umfrageantworten zu exportieren und sie in ChatGPT oder andere Sprachmodelle zu kopieren. Sie können dann mit der KI über Themen, Schmerzpunkte oder Ideen „chatten“.
Komfortabstriche: Obwohl dies funktioniert, ist es nicht am bequemsten. Sie müssen Exporte verwalten, sich um Formatierungen kümmern und stoßen auf Begrenzungen, wie viel Text Sie auf einmal einfügen können. Es kann auch passieren, dass Sie den Überblick darüber verlieren, welche Antwort von welchem Studierenden kam. Trotzdem kann es ein guter Startpunkt sein—besonders für kurze oder einmalige Umfragen.
Alles-in-einem-Tool wie Specific
Zweckgerichtete Analyse: Tools wie Specific sind dafür ausgelegt. Sie analysieren nicht nur Antworten, sondern sammeln Umfragedaten im Gespräch und betreiben ihre Analyse mithilfe von KI. Das bedeutet besserer Kontext, qualitativ hochwertigere Antworten (dank Echtzeit-Nachfragen) und genauere Einblicke.
Nachfragelogik: Specific fällt dadurch auf, dass es während der Erfassung automatisch gezielte Nachfragen stellt, was es einfach macht, das Feedback später nach Thema, Wahl oder Thema zu gruppieren und zusammenzufassen. Dadurch werden Umfragen reicher als ein traditionelles statisches Formular. So funktionieren KI-Nachfragen in der Praxis.
Sofortige Zusammenfassungen und einfache KI-Interaktionen: Anstatt Tabellenkalkulationen bietet Specific sofortige KI-gestützte Zusammenfassungen, deckt Kernideen auf und macht die Analyse von Umfrageantworten interaktiv—Sie können direkt mit der KI über Ihre Ergebnisse sprechen, genau wie bei ChatGPT, aber mit allen relevanten Daten zur Hand. Sie können steuern, welche Daten analysiert werden, und Ihre Analyse sofort erneut ausführen. Erfahren Sie mehr über die KI-Analyse von Umfrageantworten in Specific.
Hauptvorteil: Wenn Sie es ernst meinen mit der Umfrageanalyse, insbesondere bei qualitativen Daten, ermöglichen Ihnen speziell dafür entwickelte Tools, die manuelle Arbeit vollständig zu überspringen. Verschiedene Studien zeigen, dass die Nutzung von automatisierter Feedback-Analyse zur kontinuierlichen Verbesserung von E-Learning-Plattformen beitragen und die Zufriedenheit der Studierenden steigern kann [1].
Nützliche Aufforderungen zur Analyse von Antworten von Online-Kurs-Studierenden zur Plattformnutzbarkeit
Aufforderungen können Ihre Analyse entscheidend beeinflussen, insbesondere bei der Arbeit mit KI. Hier sind bewährte Aufforderungen, die ich verwende (und viele davon sind in Specific integriert). Nutzen Sie diese, ob Sie ChatGPT, eine andere KI oder ein spezialisiertes Umfrageanalyse-Tool verwenden.
Aufforderung für Kernideen: Der beste Ausgangspunkt—erkennt schnell die Hauptthemen. Fügen Sie Ihre Daten ein und verwenden Sie dies:
Ihre Aufgabe ist es, die Kernideen in Fett (4-5 Worte pro Kernidee) + bis zu 2 Sätze lange Erläuterung zu extrahieren.
Ausgabeanforderungen:
- Vermeiden Sie unnötige Details
- Geben Sie an, wie viele Personen eine bestimmte Kernidee erwähnt haben (verwenden Sie Zahlen, keine Wörter), am meisten erwähnte zuoberst
- keine Vorschläge
- keine Andeutungen
Beispielausgabe:
1. **Kernideen-Text:** Erläuterungstext
2. **Kernideen-Text:** Erläuterungstext
3. **Kernideen-Text:** Erläuterungstext
Profi-Tipp: KI leistet bessere Arbeit, wenn Sie den Kontext Ihrer Umfrage, die Situation, die Art der Studierenden und Ihre Ziele teilen. Beispiel—fügen Sie dies vor Ihrer Aufforderung hinzu:
Die folgenden sind Umfrageantworten von Online-Kurs-Studierenden über die Nutzbarkeit einer spezifischen E-Learning-Plattform. Unser Ziel ist es, die wichtigsten Schmerzpunkte, Motivationen und mögliche Verbesserungen zu verstehen. Fassen Sie im erforderlichen Format zusammen:
Aufforderung, um tiefer zu bohren: Sobald Sie eine wichtige Kernidee gefunden haben (z.B. „Probleme mit der mobilen Navigation“), fragen Sie: „Erzählen Sie mir mehr über die Probleme mit der mobilen Navigation“. Die KI wird mit Beispielen, Zitaten oder unterstützenden Daten ausweiten.
Aufforderung für spezifische Themen: Um zu validieren, ob jemand eine bestimmte Idee erwähnte, verwenden Sie: „Hat jemand über Live-Chat-Support gesprochen? Fügen Sie Zitate ein.“ Dies ist unglaublich hilfreich, wenn Interessengruppen Beweise für ihre Vermutungen wünschen.
Aufforderung für Personas: Identifizieren Sie Benutzertypen und ihre Motivationen mit: „Basierend auf den Umfrageantworten, identifizieren und beschreiben Sie eine Liste von unterschiedlichen Personas—ähnlich zu Produktmanagement-Personas. Für jede fassen Sie ihre Schlüsselmerkmale, Motivationen, Ziele und relevante Zitate zusammen.“
Aufforderung für Schmerzpunkte und Herausforderungen: Finden Sie heraus, was Studierende am schwierigsten fanden: „Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die erwähnt wurden. Fassen Sie jeden zusammen und notieren Sie Muster oder Häufigkeiten.“
Aufforderung für Motivationen und Antriebe: Wenn Sie verstehen möchten, warum Studierende auf eine bestimmte Weise handeln, verwenden Sie: „Extrahieren Sie aus den Umfragegesprächen die primären Motivationen, Wünsche oder Gründe, die die Teilnehmer für ihr Verhalten oder ihre Entscheidungen angeben. Gruppieren Sie ähnliche Motivationen zusammen und geben Sie unterstützende Beweise aus den Daten an.“
Aufforderung zur Sentiment-Analyse: Um die Stimmung einzuschätzen: „Bewerten Sie die insgesamt ausgedrückte Stimmung in den Umfrageantworten (z.B. positiv, negativ, neutral). Heben Sie Schlüsselsätze oder Feedback hervor, die zu jeder Stimmungskategorie beitragen.“
Aufforderung für unerfüllte Bedürfnisse und Chancen: Erkennen Sie, was fehlt: „Untersuchen Sie die Umfrageantworten, um unerfüllte Bedürfnisse, Lücken oder Verbesserungsmöglichkeiten zu ermitteln, wie sie von den Teilnehmern hervorgehoben werden.“
Sie können mehrere Aufforderungen kombinieren, um reichhaltigere Ergebnisse zu erzielen—und wenn Sie vorgefertigte, forschungsbasierte Fragenschablonen für genau diese Zielgruppe und dieses Thema wünschen, probieren Sie die besten Fragen für Online-Kurs-Studierenden-Umfragen zur Plattformnutzbarkeit.
Wie Specific qualitative Daten nach Fragetyp analysiert
Bei qualitativen Daten spielt die Strukturierung von Antworten nach Fragetyp eine große Rolle. Das passiert bei Specific (und so können Sie es manuell angehen):
Offene Fragen (mit oder ohne Nachfragen): Specific fasst Antworten und Nachfragen zusammen und synthetisiert die Kernbotschaft aus allen Antworten der Studierenden zu jeder Frage. Sie erhalten einen sofortigen Überblick, organisiert nach der ursprünglichen Frage und etwaigen klärenden Antworten.
Mehrfachauswahl mit Nachfragen: Für jede spezifische Antwortwahl generiert Specific eine separate Zusammenfassung der Nachfragen. Wenn Studierende, die „Navigation“ schlecht bewertet haben, eine zusätzliche Aufforderung erhalten (“Was fanden Sie verwirrend?”), sehen Sie alle diese Antworten gruppiert und nach Wahl zusammengefasst.
NPS: Studentenantworten auf „Warum haben Sie diese Bewertung gegeben?“ werden nach NPS-Kategorie gruppiert—Detraktoren, Passive, Promotoren. Specific erstellt eine separate, klar strukturierte Zusammenfassung für das Feedback jeder Gruppe, was es einfach macht zu sehen, was Champions glücklich macht (oder was Detraktoren ärgert).
Wenn Sie dies selbst in ChatGPT analysieren, erwarten Sie etwas mehr Arbeit: Sie müssen die Exporte für jede Gruppe im Voraus filtern und strukturieren, bevor Sie die richtigen Aufforderungen für jedes Teilset verwenden.
Umgehung der AI-Kontextlimit-Herausforderung
KI-Modelle, einschließlich ChatGPT und sogar fortgeschrittene Umfrageplattformen, haben eine Kontextlängenbeschränkung. Wenn Ihre Umfrage Hunderte oder Tausende von Antworten erhält, können nicht alle auf einmal analysiert werden. So können Sie das verwalten (Specific umfasst beide Optionen direkt):
Filtern von Antworten: Bevor Daten an die KI gesendet werden, filtern Sie Gespräche so, dass nur jene, wo Studierende spezifische Fragen beantwortet haben oder Feedback zu einem bestimmten Feature gegeben haben, einbezogen werden. Dies fokussiert sich auf relevante Antworten und bewahrt die Qualität.
Beschneiden von Fragen: Wählen Sie nur die Fragen (und Nachfragen), die Sie am meisten interessieren, für die Analyse durch die KI. Dies umgeht die Kontextbeschränkungen und ermöglicht weitaus tiefere Einblicke in ausgewählte Themen oder Funktionen. Sie können mehr Analysen mit mehr Detailtiefe durchführen, indem Sie sich jeweils auf weniger Daten konzentrieren.
Durch die Kombination dieser beiden Ansätze verlieren Sie keine wertvollen Rückmeldungen—selbst bei großen Gruppen oder mehrstufigen Umfragen. Das Ergebnis: schärfere Einblicke und weniger verschwendete Zeit.
Kollaborative Funktionen zur Analyse von Antworten auf Umfragen unter Online-Kurs-Studierenden zur Plattformnutzbarkeit
Die Analyse von Feedback zur Plattformnutzbarkeit ist selten eine Soloaufgabe. Wenn Teams sich auf die nächsten Schritte einigen, Ergebnisse diskutieren oder Meinungen nach Abteilungen aufschlüsseln müssen, wird die Zusammenarbeit zu einer Herausforderung.
Sicht auf die Beiträger: Avatare neben den Chat-Nachrichten zeigen, wer das Gespräch initiiert hat, was die Übergabe zwischen Produktverantwortlichen, UX-Forschern oder Support-Leitern vereinfacht.
Bessere Kontextklarheit, weniger Verwirrung: Durch den direkten Austausch mit der KI haben alle Teammitglieder Zugriff auf denselben, aktuellen Überblick, der aus den tatsächlichen Umfragedaten gewonnen wird. Kein Verlust von Kontext oder E-Mail-Ketten mehr. Hier ist ein Leitfaden zur Erstellung von Umfragen unter Online-Kursteilnehmern zur Plattformnutzbarkeit, falls Sie einen Startpunkt benötigen.
Erstellen Sie jetzt Ihre Umfrage zur Plattformnutzbarkeit bei Online-Kurs-Teilnehmern
Erstellen Sie jetzt Ihre Umfrage für Online-Kurs-Studierende zur Nutzbarkeit der Plattform in wenigen Minuten mit gesprächsorientierten Umfragetools, die für Sie arbeiten und nicht gegen Sie.