Was ist qualitative Datenanalyse?

Definition: Was ist qualitative Datenanalyse?

Qualitative Datenanalyse ist ein wissenschaftlicher Prozess, bei dem nicht-numerische Daten – also Texte, Interviews, Beobachtungen oder Bilder – systematisch ausgewertet werden, um Bedeutungen, Muster und Zusammenhänge zu verstehen. Das Ziel ist nicht das Messen von Häufigkeiten, sondern das Verstehen von Erfahrungen, Perspektiven und sozialen Phänomenen.

Wichtig ist dabei eine Abgrenzung, die in der Fachliteratur ausdrücklich betont wird: Qualitative Forschung ist keine bloße Restkategorie des Nicht-Quantitativen. Sie verfolgt ein eigenständiges erkenntnistheoretisches Ziel. In der Forschungsliteratur wird qualitative Forschung als iterativer Prozess beschrieben, in dem wissenschaftliches Verständnis durch neue bedeutungsvolle Unterscheidungen entsteht – Forschende rücken dabei schrittweise näher an das untersuchte Phänomen heran.

Das bedeutet: Kategorien und Konzepte sind in der qualitativen Analyse oft nicht von Beginn an fixiert. Sie entstehen, verändern sich und werden verfeinert – im ständigen Dialog zwischen Theorie, empirischem Material und begrifflicher Präzisierung.

Abgrenzung zur quantitativen Analyse

Der grundlegende Unterschied zwischen qualitativer und quantitativer Forschung liegt nicht nur im Datenmaterial, sondern in der Erkenntnislogik. Während quantitative Methoden vorab festgelegte Variablen messen und statistisch auswerten, untersucht die qualitative Analyse, wie Beteiligte selbst ihre Situationen, Erfahrungen und Handlungen definieren. Dieser Perspektivwechsel ist entscheidend.

Eine ausführlichere Gegenüberstellung beider Ansätze, inklusive typischer Anwendungsbeispiele, finden Sie im Beitrag zum Unterschied zwischen qualitativer und quantitativer Analyse.

In der Praxis schließen sich beide Ansätze nicht aus. Sogenannte Mixed-Methods-Designs kombinieren qualitative und quantitative Elemente, um ein umfassenderes Bild eines Forschungsgegenstands zu gewinnen.

Welche Daten werden qualitativ analysiert?

Qualitative Daten entstehen überall dort, wo Menschen in eigenen Worten sprechen, handeln oder sich ausdrücken. Typische Datenquellen in der akademischen Forschung sind:

• Interviews – leitfadengestützt, narrativ oder problemzentriert
• Fokusgruppen – moderierte Gruppendiskussionen
• Beobachtungsprotokolle – ethnografische Feldnotizen
• Dokumente und Texte – Zeitungsartikel, Protokolle, Berichte
• Onlinekommunikation – Social-Media-Posts, Foren, Chats
• Visuelles Material – Bilder, Videos, Fotografien

Das Spektrum möglicher Erhebungsmethoden für qualitative Daten ist breit. Entscheidend ist, dass das gewählte Datenformat zur Forschungsfrage passt – nicht umgekehrt.

Qualitative Evidenz geht dabei über die Auswertung einzelner Studien hinaus. Sie kann auch als systematische Synthese vorhandener qualitativer Forschung auftreten – etwa um zu erklären, wie Menschen Interventionen erleben, welche Mechanismen wirken und wie Kontext und Implementierung die Ergebnisse beeinflussen. Diese Form der qualitativen Evidenzsynthese gewinnt in der Gesundheits- und Sozialforschung zunehmend an Bedeutung.

Wie funktioniert qualitative Datenanalyse in der Praxis?

Qualitative Datenanalyse folgt keinem starren Algorithmus – aber sie ist auch kein beliebiges Interpretieren. Der Analyseprozess lässt sich in mehrere typische Schritte gliedern, die je nach Methode unterschiedlich ausgestaltet sind.

Schritt 1: Datenaufbereitung

Interviews werden zunächst transkribiert, also wortgetreu verschriftlicht. Dabei wird in der Regel einem Transkriptionsschema gefolgt (z.B. nach Dresing & Pehl oder GAT). Beobachtungsprotokolle oder Dokumente werden gesichtet und ggf. bereinigt.

Schritt 2: Codierung

Im Mittelpunkt der Analyse steht die Codierung: Textabschnitte werden systematisch mit Codes versehen, die bestimmte Themen, Konzepte oder Bedeutungseinheiten benennen. In der Fachliteratur wird Codierung als systematisches Segmentieren von Text beschrieben, bei dem Codes auf Abschnitte angewendet werden, um Daten handhabbar zu machen, ohne ihren Sinn zu verlieren.

Ein gutes Codesystem enthält dabei nicht nur eine Liste von Codes, sondern auch Langbezeichnungen und operative Regeln – also Entscheidungshilfen, die Überschneidungen zwischen Codes verhindern und die Konsistenz der Codierung sichern.

Schritt 3: Kategorienbildung

Aus den Codes entstehen übergeordnete Kategorien. Diese können entweder deduktiv (aus bestehender Theorie abgeleitet) oder induktiv (direkt aus dem Datenmaterial heraus entwickelt) gebildet werden. In vielen Projekten wird beides kombiniert. Wie das konkret funktioniert, erklärt der Beitrag zum Kategorienbilden nach Mayring.

Schritt 4: Interpretation und Theoriebildung

Die eigentliche analytische Leistung besteht in der Interpretation: Was bedeuten die gefundenen Muster? Welche Zusammenhänge zeigen sich? Wie lässt sich das Material in einen theoretischen Rahmen einordnen?

Wichtig zu verstehen: Software wie MAXQDA oder Atlas.ti kann bei der Organisation und dem Abruf codierter Segmente helfen – die analytische Deutung übernimmt sie nicht. Forschende müssen weiterhin kritisch entscheiden, welche Bedeutung ein Textabschnitt hat.

Wichtige Methoden im Überblick

Es gibt nicht die eine qualitative Methode, sondern eine Vielzahl etablierter Verfahren. Die Wahl hängt von der Forschungsfrage, dem Datenmaterial und dem wissenschaftstheoretischen Rahmen ab.

Eine ausführlichere Übersicht mit konkreten Anwendungsbeispielen bietet der Artikel zu den Beispielen für qualitative Analyseverfahren. Wer einen noch breiteren Überblick sucht, findet im Beitrag zu den 7 Arten qualitativer Forschung eine strukturierte Einordnung verschiedener Forschungsansätze.

Mayring und die qualitative Inhaltsanalyse

Im deutschsprachigen Raum ist die qualitative Inhaltsanalyse nach Philipp Mayring besonders einflussreich. Sie zeichnet sich durch ein regelgeleitetes Vorgehen aus, das intersubjektive Nachvollziehbarkeit sichern soll. Die Kategorienbildung kann dabei sowohl induktiv als auch deduktiv erfolgen – eine Frage, die im Beitrag zur deduktiven und induktiven Inhaltsanalyse nach Mayring ausführlich diskutiert wird.

Qualität sichern: Gütekriterien

Ein häufiges Missverständnis: Weil qualitative Forschung keine Signifikanzwerte oder Reliabilitätskoeffizienten produziert, sei sie methodisch weniger streng. Das stimmt nicht. Qualitative Forschung hat eigene Gütekriterien, die Glaubwürdigkeit, Übertragbarkeit und Nachvollziehbarkeit einer Studie sichern sollen.

Die klassischen quantitativen Kriterien – Objektivität, Reliabilität, Validität – lassen sich nicht direkt übertragen. Stattdessen gelten in der qualitativen Forschung Kriterien wie Intersubjektivität, kommunikative Validierung, Triangulation und reflexive Transparenz. Welche fünf Gütekriterien in der qualitativen Forschung besonders relevant sind, erläutert der Beitrag zu den Gütekriterien in der qualitativen Forschung im Detail.

Gerade in Abschlussarbeiten wird erwartet, dass diese Kriterien nicht nur benannt, sondern aktiv eingehalten werden – etwa durch Codier-Memos, Intercoder-Reliabilität oder eine transparente Dokumentation des Analyseprozesses.

Qualitative Datenanalyse in der Abschlussarbeit

Für Studierende, die eine empirische Abschlussarbeit mit qualitativen Methoden schreiben, stellen sich praktische Fragen: Wie viele Interviews brauche ich? Wann ist die Analyse abgeschlossen? Welche Software soll ich nutzen?

Stichprobengröße und theoretische Sättigung

Eine pauschale Antwort auf die Frage nach der „richtigen“ Anzahl von Interviews gibt es nicht. In der qualitativen Forschung orientiert sich die Stichprobengröße am Prinzip der theoretischen Sättigung: Die Datenerhebung wird fortgesetzt, bis neue Fälle keine grundlegend neuen Erkenntnisse mehr liefern. Wann dieser Punkt erreicht ist und wie man ihn begründet, erklärt der Beitrag zur theoretischen Sättigung. Für Bachelorarbeiten sind in der Praxis häufig 6 bis 12 Interviews realistisch – mehr dazu im Beitrag über die Anzahl von Interviews in qualitativen Studien.

Software für die Analyse

Für die computergestützte qualitative Datenanalyse (CAQDAS) stehen verschiedene Programme zur Verfügung. Die verbreitetsten im akademischen Kontext sind:

• MAXQDA – Sehr verbreitet im deutschsprachigen Raum, gute Studierendenlizenzen verfügbar
• Atlas.ti – Leistungsfähig, besonders in der Grounded Theory verbreitet
• NVivo – International weit verbreitet, umfangreiche Funktionen
• f4analyse – Einsteigerfreundliche und kostengünstige Alternative

Diese Programme helfen beim Organisieren, Codieren und Abrufen von Textabschnitten. Die eigentliche Interpretationsleistung liegt jedoch immer bei den Forschenden – das sollte beim Einsatz von Software stets im Blick behalten werden.

Methodische Begleitung

Qualitative Datenanalyse klingt für viele Studierende zunächst zugänglicher als statistische Verfahren. In der Praxis zeigt sich allerdings, dass die Auseinandersetzung mit Gütekriterien, Kategoriensystemen und der Frage nach induktivem oder deduktivem Vorgehen anspruchsvoll sein kann – besonders wenn die Hochschule klare Anforderungen an die methodische Fundierung stellt.

Wer bei der Planung oder Auswertung seiner qualitativen Analyse Unterstützung sucht, findet bei QuantExpert eine methodische Begleitung für qualitative Datenanalyse in Abschlussarbeiten – von der Entwicklung des Kategoriensystems bis zur Interpretation der Ergebnisse.