Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

KI als Herausforderungen für die qualitative Methodenlehre – ein Diskussionsaufruf!

Spätestens seit der freien Zugänglichkeit von KI-Modellen wie ChatGPT von open.ai steht die Gesellschaft und besonders die Wissenschaft vor der Herausforderung einen Umgang mit textgenerativen KI-Systemen zu finden. Dies betrifft auch die qualitative Methodenlehre. Dieser Blogbeitrag stellt aktuelle Entwicklungen anhand eines Chatbots vor und diskutiert kritisch die Konsequenzen für die qualitative Methodenlehre.

Diskussion zu KI in der Methodenlehre

Aktuell wird auf mehreren Kanälen diskutiert, wie die (soziologische) Community mit den neuen technischen Möglichkeiten umgehen möchte und welche forschungsethischen Standards der Nutzung und des Betriebs der Modelle im Kontext der Forschung gelten. Hierzu positionieren sich Wissenschaftler:innen sowohl explizit gegen den Einsatz von KI in der qualitativen Forschung (Jowsey et al., 2025), als auch für einen reflexiven Einsatz von generativer KI (Beyond binary positions: Making space for critical and reflexive GenAI integration in qualitative research, 2025). In der aktuellen Diskussion erwägen Universitäten ein Verbot der Verwendung von generativen Systemen. Jedoch werden diese bereits von vielen Studierenden im Alltag und für das Studium genutzt (von Garrel & Mayer, 2025). Daher stellt sich eher die Frage, wie ein Umgang mit den technischen Möglichkeiten in die qualitative Methodenlehre integriert werden kann. Zwar haben Universitäten bereits Handreichungen zum Umgang mit KI veröffentlicht (Baumhauer et al., 2024; Rau & Baresel, 2024; RWTH Aachen University, 2024; Universität Paderborn, 2024, 2025), jedoch fehlt hierin bisher die Perspektive auf die qualitativen Methodenlehre.

Aktuell implementieren zudem QDA-Software-Anbieter wie MAXQDA mit AI Assist oder ATLAS.ti mit CoversationalAI jeweils KI-Assistenten in die qualitative Analysesoftware. Darüber hinaus werden kommerzielle Lösungen zu bestimmten Methodologien wie DokuMet QDA/AI für die dokumentarischen Methode entwickelt.

Zentrales Argument gegen den Einsatz von textgenerativen Systemen für die qualitative Forschung ist, dass diese Systeme unfähig sind, eigene Bedeutungen zu schaffen. Generative KI simuliert Bedeutungskonstruktion lediglich anhand von statistischen Wahrscheinlichkeiten und ist nicht in der Lage, die interpretative Bedeutungsschaffung im qualitativen Forschungsprozess zu leisten. Qualitative Forschung sollte demnach ein menschliches Alleinstellungsmerkmal bleiben, da nur Menschen die notwendige Reflexivität für Interpretationen in der qualitativen Forschung verfügen und Forschende eine langjährige methodische Ausbildung durchlaufen haben (Jowsey et al., 2025).

Jedoch wird auch argumentiert, dass generative KI als KI-Assistent nicht notwendigerweise qualitative Forschung, die von Forschenden durchgeführt wird, verdrängen muss, sondern kritisch und reflektiert in den Interpretationsprozess integriert werden kann. Zum Beispiel indem der Chatbot als „Dialogpartner“ eingesetzt wird und damit eine Co-Konstruktion im Forschungs- und Interpretationsprozess stattfindet (Friese, 2025). Mithilfe des Schreibgesprächs/der Interaktion sollen Forschende unterschiedliche Interpretationen herausarbeiten und ähnlich wie in einer Interpretationsgruppe in den Austausch gehen können.

Generell abgelehnt wird das Auslagern der kompletten Interpretationsleistung an generative Systeme. Zudem sind generelle Kritikpunkte an LLMs die Nutzung von Ressourcen (Wasser und Strom, Umweltverschmutzung), sowie die Arbeitsbedingungen von Clickworkern. (siehe dazu auch: Literaturüberblick zu qualitativer Forschung mit ChatGPT & Co)

Ai-chat.upb – die Paderborner Infrastruktur

Möglich ist dieser Blogbeitrag, da an der Universität Paderborn mit dem Dienst ai-chat.upb.de eine Infrastruktur angeboten wird, mit der Studierende und Lehrende auf verschiedene Large Language Modells (LLM) zugreifen können. Die Auswahl der Modelle hat Auswirkungen auf den Output, also das, was auf eine Frage/Prompt von dem Modell ausgegeben wird. Größere Modelle mit mehr Parametern sind in der Regel leistungsfähiger, dies bedeutet, dass der generierte Output als „passender“ bewertet wird. Sie benötigen gleichzeitig eine höhere Rechenleistungen, sind langsamer in der Generierung von Output und haben einen höheren Ressourcenverbrauch. Neben der Auswahl an Modellen haben Lehrende der UPB zudem die Möglichkeit Chatbots zu erstellen, die mithilfe eines Retrieval Augmented Generation (RAG) System auf eine sogenannten „Wissensbasis“ zugreifen. Mit RAG-Systemen soll die Passung und Richtigkeit des Outputs verbessert werden, indem zusätzlich zu dem LLM auf ein „Wissensbasis“ zugegriffen wird (Schulhoff et al., 2025). Die Paderborner Infrastruktur ermöglicht es Nicht-Programmierer:innen eigene Chatbots mit Bezug zu einer selbst kuratierten „Wissensbasis“ zu erstellen. Nach der Auswahl eines LLMs können somit Textdateien (z.B. PDF, HTML, .docx) in die UPB-Cloud von ai-chat hochgeladen werden. Diese Dateien werden über den Prozess der Texterkennung und der Vektorisierung der Daten (ein statistischer Prozess, in dem der extrahierte Text in ein statistisches Modell integriert wird) in die Generation von Output einbezogen. Mithilfe der Paderborner Infrastruktur, sowie auch mithilfe von Softwareanwendungen wie Elicit, ist es möglich formal korrekte Zitate und Literaturangaben durch spezifische Prompts generieren zu lassen. Der ai-chat der UPB verfügt sowohl über die Möglichkeit die Literaturangaben aus den Zitationen der in der Wissensbasis enthaltenen Dokumenten zu entnehmen, sowie Literaturangaben zu generieren, die in den Trainingsdaten der Modelle vorhanden sind.

Der Chatbot kann dann zusätzlich mit einem Systemprompt ausgestattet werden. Ein Beispiel findet sich unten. Der Systemprompt beschreibt die Situation, in der der Bot eingesetzt werden soll, die Funktionsweise, und definiert eine Einstiegsfrage in den Chat.

Das folgende Video zeigt beispielhaft, wie Studierende mit einem speziell für die qualitative Methodenlehre entwickelten Chatbot interagieren können. Dabei werden aktuelle technische Möglichkeiten vorgestellt, indem ein mit einer Wissensbasis ausgestatteter Chatbot Studierenden als Lernbegleiter bei der Erstellung eines Forschungsdesigns unterstützen soll.

Die Nutzung von wissenschaftlicher Literatur als „Wissen“ für Chatbots ist aktuell ein rechtlicher Graubereich. Derzeit wird es wie folgt gehandhabt:

  • Wenn Artikel Open Access veröffentlicht werden, sind diese frei zugänglich und können für das Training von Chatbots/als „Wissensbasis“ genutzt werden.
  • Bei allen anderen Publikationen gilt, dass zu nicht-kommerziellen Zwecken, wie der Lehre an Bildungseinrichtungen bis zu 15 Prozent eines veröffentlichten Werkes genutzt werden können, wenn es sich um ein geschlossenes System handelt, wie es die Universität Paderborn zur Verfügung stellt.
  • Darüber hinaus ist zu diskutieren, ob die Verwendung von wissenschaftlicher Literatur für das Training eines Chatbots, der im Kontext der wissenschaftlichen Methodenlehre eingesetzt wird, ein Zweck ist, der nach dem Urheberrecht abgedeckt ist, wenn dies in einem geschlossenen System der Universität stattfindet (Tanck, 2025).

Herausforderungen für die qualitative Methodenlehre

Nun stellt sich die Frage, was die aktuellen Entwicklungen spezialisierter Chatbots, die mit einer Wissensdatenbank ausgestattet werden können für die qualitative Forschung und Methodenlehre bedeuten.

In der qualitativen Forschung ist die Interpretation ein zentraler Prozess, der auf der methodologisch-kontrollierten, kontextuellen und reflexiven Auseinandersetzung mit Datenmaterial beruht. Die Einbindung von KI-Assistenten in diesen Prozess verändert nicht nur die Arbeitsweise, sondern auch das (methodische) Selbstverständnis der Forschenden. Wenn KI-Systeme im Interpretationsprozess eingesetzt werden, verschwimmen die Grenzen zwischen menschlicher Denkleistung und maschineller Generierung. Was als Interpretation gilt, kann nicht mehr eindeutig bestimmt werden – insbesondere, wenn KI-Output in den Analyseprozess eingeht, ohne dass vollständig transparent ist, auf welchen Daten und algorithmischen Logiken dieser generiert wurde. Dies wirft nicht nur ethische, sondern auch epistemologische Fragen auf: Wer trägt letztlich Verantwortung für eine Interpretation? Wie kann Reflexivität in der Methodenlehre vermittelt werden, wenn KI-Assistenten in den Prozess der Analyse eingebunden werden? Welche rechtlichen Rahmenbedingungen gelten für die Interpretation mithilfe von KI-Tools in QDA-Software?

Die qualitative Methodenlehre muss daher nicht nur technische Fähigkeiten im Anwenden bestimmter Tools vermitteln, sondern auch die Fähigkeit, KI-Einsatz informiert und kritisch zu reflektieren und die eigenen methodischen Setzungen zu hinterfragen.

Zudem erfordert der Einbezug von KI-Assistenten eine Neubestimmung von wissenschaftlicher Autor:innenschaft, die nicht länger allein auf individuelle und kollektiven Leistung (bei menschlichen Interpretationsgruppen) beruhen kann, sondern auch den kritischen Umgang mit KI-generiertem Output beinhaltet. Eine Herausforderung besteht darin, KI nicht als Ersatz, sondern als kritischen Begleiter in den Forschungsprozess zu integrieren – ohne die menschliche Interpretationsleistung zu verdrängen.

Gerade in der Lehre im Soziologie Bachelor an der UPB erlebe ich, dass der Output der Chatbots bzw. der speziell auf die Analyse von qualitativen Daten trainierten Angebote wie DokuMet, als besser bewertet werden könnte als das, was Studierende der „jüngeren“ Bachelorsemester eigenständig interpretieren/schreiben können. Die Gefahr des Verlustes von Lerngelegenheiten besteht, wenn Studierende den Output textgenerativer KI-Systeme ungeprüft übernehmen, sowohl in Bezug auf das Zusammenfassen des Forschungsstandes (aus Anwendungen wie Elicit) als auch bei speziell geprompteten Chatbots. In dem vorgestellten Video war der Chatbot als Lernpartner angelegt, jedoch besteht auch hier die Gefahr, dass im Output bereits Denkprozesse der Studierenden vorweggenommen werden können.

Darüber hinaus ist nicht geklärt, wer die Verantwortung für die Richtigkeit des Outputs der Chatbots übernimmt und wie Lehrende den Einsatz (beispielsweise in Seminarkontexten) begleiten sollen/können.

Die qualitative Methodenlehre sollte Studierende dabei unterstützen, generative KI-Systeme kritisch und reflektiert zu betrachten und den Wert der eigenständigen Analyseleistung betonen. Studierende müssen gerade in der Interaktion mit Chatbots kritisch prüfen können, inwieweit der generierte Output den wissenschaftlichen und methodologischen Anforderungen entspricht und hierfür ein vertieftes Verständnis der jeweiligen qualitativen Methoden und Methodologien erlangen.

Literaturverzeichnis

Baumhauer, M., Bulmann, U., & Watolla, A.-K. (2024). KI-Tools in Studium und Lehre: Handreichung der TU Hamburg. 1–16. https://doi.org/10.15480/882.13337

Beyond binary positions: Making space for critical and reflexive GenAI integration in qualitative research. (2025). https://docs.google.com/document/d/18Dt1RSQvlKG0Rg1QsAZhb-eq5v7ZeeZQ/edit?trk=public_post_comment-text

Finke, J., Horwath, I., Matzner, T., & Schulz, C. (2022). (De)Coding Social Practice in the Field of XAI: Towards a Co-constructive Framework of Explanations and Understanding Between Lay Users and Algorithmic Systems. In H. Degen & S. Ntoa (Hrsg.), Artificial Intelligence in HCI (S. 149–160). Springer International Publishing. https://doi.org/10.1007/978-3-031-05643-7_10

Friese, S. (2025, Oktober 26). Response to Open Letter that Opposes the Use of Generative AI for Reflexive Qualitative Research—Qeludra Blog. Qeludra.com. https://qeludra.com/blog/response-to-open-letter-opposing-the-use-of-generative-ai-for-reflexive-qualitative-research

Jowsey, T., Braun, V., Clarke, V., Lupton, D., & Fine, M. (2025). We reject the use of generative artificial intelligence for reflexive qualitative research (SSRN Scholarly Paper No. 5676462). Social Science Research Network. https://doi.org/10.2139/ssrn.5676462

Rau, F. P. D., & Baresel, K. (2024). Künstliche Intelligenz an der Universität Vechta. https://doi.org/10.23660/voado-454

RWTH Aachen University. (2024, August 16). Prüfungsbezogene  Fragen  zum Umgang mit generativen KI-Systemen. https://cls.rwth-aachen.de/global/show_document.asp?id=aaaaaaaacocblkv

Schulhoff, S., Ilie, M., Balepur, N., Kahadze, K., Liu, A., Si, C., Li, Y., Gupta, A., Han, H., Schulhoff, S., Dulepet, P. S., Vidyadhara, S., Ki, D., Agrawal, S., Pham, C., Kroiz, G., Li, F., Tao, H., Srivastava, A., … Resnik, P. (2025). The Prompt Report: A Systematic Survey of Prompt Engineering Techniques (No. arXiv:2406.06608). arXiv. https://doi.org/10.48550/arXiv.2406.06608

Tanck, K. (2025, Juli 7). US-Urheberrecht: KI darf weiter Bücher lesen. netzpolitik.org. https://netzpolitik.org/2025/us-urheberrecht-ki-darf-weiter-buecher-lesen/

Universität Paderborn. (2024, Februar 7). Leitlinie zum Einsatz texterstellender KI-Werkzeuge in Studium und Lehre an der Universität Paderborn. https://www.uni-paderborn.de/fileadmin/lehre/Digitale_Lehre_2023/Leitlinie_Einsatz_texterstellender_KI-Werkzeuge_2024-02.pdf

Universität Paderborn. (2025, September 9). Praktische Tipps zur Dokumentation  und Kennzeichnung von KI-Tools. https://www.uni-paderborn.de/fileadmin/lehre/Digitale_Lehre_2023/KI-Talks/Handreichung_zur_Dokumentation_und_Kennzeichnung_von_KI-Tools.pdf

von Garrel, J., & Mayer, J. (2025). Künstliche Intelligenz im Studium—Eine quantitative Längsschnittstudie zur Nutzung KI-basierter Tools durch Studierende [Application/pdf]. Hochschule Darmstadt. https://opus4.kobv.de/opus4-h-da/533

Anlagen:

  • Systemprompt des „Lernbegleiter-Bots“ für die qualitative Interviewforschung
  • Beschreibung der Dokumente der „Wissensdatenbank“
  • Chatprotokoll – Screencast

Überarbeiteter Systemprompt:

Du bist ein wissenschaftlich fundierter und unterstützender Lernbegleiter für Studierende im Bereich Soziologie. Deine Aufgabe ist es, Studierende in einem Seminar zur qualitativen Interviewforschung zu begleiten, um ihre methodologischen Kompetenzen zu stärken. Du sprichst in einem verständlichen, zugänglichen Ton – wissenschaftlich fundiert, aber nie überfordernd. Du begleitest die Studierenden Schritt für Schritt durch die Entwicklung und Anwendung qualitativer Interviewmethoden. Du unterstützt sie dabei die methodologischen Grundlagen der qualitativen Forschung und besonders des narrativen Interviews, des Leitfadeninterviews und des Experteninterviews zu verstehen.

Deine Rolle ist nicht, ihnen Antworten vorzugeben, sondern Studierende zu ermutigen aktiv zu reflektieren, kritisch zu hinterfragen und kreativ zu unterstützen. Du nutzt konkrete Beispiele aus der Soziologie (z. B. Biographieforschung, soziale Ungleichheit, Identität, Alltag- und Kultursoziologie), um theoretische Konzepte lebendig zu erklären. Du ermunterst zur Selbstreflexion, zum Diskurs und zur kritischen Auseinandersetzung mit methodischen und methodologischen Entscheidungen.

Deine Kernfunktionen:

  • Einführung in die Grundlagen: Erklären von zentralen Begriffen wie narratives Interview, Leitfadeninterview, Sampling, Triangulation, Forschungsethik – verständlich und anwendungsorientiert
  • Gemeinsame Entwicklung von Interviewleitfäden: Du hilfst bei der Formulierung offener Fragen, der Strukturierung thematischer Bereiche und der Balance zwischen Struktur und Flexibilität. Du fragst nach dem Forschungsinteresse, der Zielgruppe und den theoretischen Bezügen. Du achtest darauf, dass die methodologischen Grundlagen der jeweiligen Interviewverfahren eingehalten werden. Du weißt darauf hin, wie eine Erzählaufforderung für ein narratives Interview gestellt werden soll.

Reflexion über methodische Entscheidungen:

Du stellst Fragen wie: „Was hat dich dazu bewogen diese Frage gerade so formulieren?“, „Welche Annahmen stecken hinter deiner Auswahl der Teilnehmenden?“, „Wie könnte deine Perspektive die Interaktion des Interviews beeinflussen?“

Ethik und Reflexivität fördern:

Du erinnerst an die Bedeutung von Einwilligungserklärung und informiertem Einverständnis, Datenschutz und verschlüsselte Aufbewahrung der Forschungsdaten, Vertraulichkeit und der Verantwortung gegenüber den Interviewpartnern. Du fordert zur Reflexion der eigenen Positionierung auf: „Wo stehst du als Forschende/r in diesem Prozess?“ Du erinnerst an die Datenschutzerklärung.

Anregungen und Feedback:

Du gibst konstruktives, individuelles Feedback und gibst offen fragende, anregende Rückmeldungen, die das Denken weiterführen – nie abwertend, immer förderlich.

Stil & Ton:

  • unterstützend, wertschätzend 
  • fachlich präzise
  • inspirierend und kreativ – du öffnest Denkwege, du stellst kritische Nachfragen

Ziel:

Du hilfst Studierenden, nicht nur zu lernen, wie man ein qualitatives Interview führt, sondern zu verstehen, warum es so gemacht wird – mit kritischer Distanz, ethischer Verantwortung und soziologischem Blick.

Beispiel für einen Einstieg in die Interaktion:

„Du möchtest ein qualitatives Interview zu einem soziologischen Thema führen – was interessiert dich besonders?

Gemeinsam können wir deinen Forschungsfrage, deinen Leitfaden und deine methodologische Haltung weiterentwickeln. Was möchtest du als Erstes bearbeiten?“

Beschreibung der Wissensdatenbank

Herunterladen von wissenschaftlicher Literatur aus mehreren online-open-Access Zeitschriften ca. 15 wissenschaftliche Artikel – vor allem Methodenliteratur zu narrativen Interviews, Leitfadeninterviews und Experteninterviews.

Zusätzliches Hochladen von Dokumenten, die im Seminar gelesen wurden und als Vertiefungsliteratur angegeben sind, 20 Dokumente zu den Themen Forschungsethik, Datenschutz, Einverständniserklärung und Anonymisierung.


Nur der Text ist unter der Lizenz Creative Commons Namensnennung-Share Alike 4.0 International nutzbar. Alle anderen Elemente (Abbildungen, importierte Anhänge) sind „Alle Rechte vorbehalten“, sofern nicht anders angegeben.


OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Rebecca Schmidt (17. Dezember 2025). KI als Herausforderungen für die qualitative Methodenlehre – ein Diskussionsaufruf! Sozialwissenschaftliche Methodenberatung. Abgerufen am 19. April 2026 von https://doi.org/10.58079/15d5f


Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

This site uses Akismet to reduce spam. Learn how your comment data is processed.