KI beginnt nicht bei der Auswertung: Warum Datenerhebung jetzt zur Governance-Frage wird

Viele Studierende denken bei KI in der wissenschaftlichen Arbeit zuerst an ChatGPT im Literaturreview oder an automatisch generierte Interpretationen. Das eigentliche methodische Risiko entsteht aber oft viel früher: nämlich genau dort, wo Daten ausgewählt, bereinigt, codiert oder zusammengefasst werden.

KI vor der Statistik: Was dabei oft übersehen wird

Stellen Sie sich folgende Situation vor: Sie haben Interviewtranskripte aus Ihrer qualitativen Studie und laden diese in ein KI-Tool, das Ihnen Kategorien und Codes vorschlägt. Oder Sie nutzen ein Sprachmodell, um offene Fragebogenantworten zu sortieren und zu bereinigen. Das wirkt effizient, modern und praktisch.

Der Haken: Genau an dieser frühen Stelle entstehen methodische Entscheidungen, die später die gesamte Analyse prägen können. Welche Codes vergeben wurden, welche Antworten als irrelevant markiert wurden, welche Datenpunkte aus der Analyse herausgefallen sind. All das beeinflusst das, was Ihre Auswertung am Ende zeigt.

Nicht erst beim Schreiben relevant

Die verbreitete Annahme lautet: KI wird erst dann wissenschaftlich heikel, wenn sie Ergebnisse interpretiert oder Texte formuliert. Das ist ein Denkfehler.

Bereits bei Transkription, Annotation, Codierung, Datenbereinigung und Aggregation trifft KI Entscheidungen oder beeinflusst sie stark. Und diese Schritte sind, sofern sie nicht dokumentiert und geprüft werden, später kaum noch sichtbar.

Was Data Governance konkret bedeutet

Der Begriff Data Governance klingt zunächst nach Compliance-Sprache aus der Unternehmenswelt. Er ist es aber nicht. Er beschreibt, welche Verantwortung für Datenqualität, Datenherkunft und Datenverarbeitung getragen werden muss.

Was der AI Act dazu sagt

Der AI Act Artikel 10 benennt konkret, welche Prozesse unter Daten-Governance fallen: Datenerhebung, Datenherkunft, Annotation, Labeling, Cleaning, Updating, Enrichment und Aggregation. Dazu kommen Annahmen darüber, was Daten messen und repräsentieren sollen, sowie die Pflicht, Bias-Risiken zu untersuchen und zu dokumentieren.

Auch wenn studentische Abschlussarbeiten keine Hochrisiko-KI-Systeme im Sinne des AI Act entwickeln, lassen sich diese methodischen Prinzipien direkt übertragen. Datenherkunft, Bereinigung, Codierung und Bias-Kontrolle sind keine technischen Nebensachen. Sie sind Teil der wissenschaftlichen Qualität.

Was die EU-Leitlinien fordern

Die im Mai 2026 aktualisierten EU-Leitlinien für verantwortungsvollen KI-Einsatz in der Forschung formulieren das unmissverständlich: Forschende bleiben für ihren wissenschaftlichen Output verantwortlich. KI-Systeme gelten nicht als Autorinnen oder Autoren.

Bei substanzieller KI-Nutzung sollen Forschende detaillieren, welche Tools eingesetzt wurden, wie diese den Forschungsprozess beeinflusst haben, und soweit möglich Toolname, Version, Datum, Prompts und Output dokumentieren. Die Leitlinien warnen ausdrücklich vor Bias, Halluzinationen, falschen Zusammenfassungen und Black-Box-Problemen. Bei automatisierter Datenanalyse wird Cross-Validation als besonders wichtig hervorgehoben.

Wenn KI-Codierung kippt: Ein ernüchterndes Beispiel

Wer KI-gestützte Codierung als verlässliche Abkürzung betrachtet, sollte einen Blick in die Forschung werfen. Eine Methodenstudie in JMIR AI vom April 2026 hat genau das untersucht.

Beeindruckende Zahlen, bis sie es nicht mehr sind

Die Studie entwickelte eine KI-gestützte qualitative Analyse mit Small Language Models für die Implementierungsforschung. Zwei bereits manuell codierte Datensätze wurden genutzt, um die Modelle DistilBERT und ELECTRA gegen menschliche Expertencodierung zu evaluieren.

Im ersten, klar strukturierten Datensatz erzielte DistilBERT eine nahezu perfekte Übereinstimmung mit menschlichen Codierenden: Cohen’s κ = 0.95. ELECTRA erreichte auf demselben Datensatz κ = 0.71. Gute Werte, die auf den ersten Blick überzeugen.

Auf einem zweiten, ambigeren Datensatz brach die Leistung ein. DistilBERT fiel auf κ = 0.48, ELECTRA auf κ = 0.39. Das ist der Bereich, in dem methodisch ernstzunehmende Fragen entstehen: Welche Codes wurden vergeben, welche nicht, und warum?

Was das Beispiel zeigt

Die Studie belegt: KI-Codierung kann in einem klar strukturierten Setting sehr gut funktionieren. Aber sie ist nicht automatisch generalisierbar. Sobald das Datenmaterial komplexer, mehrdeutiger oder weniger scharf abgegrenzt wird, sinkt die Übereinstimmung mit menschlicher Expertencodierung erheblich.

Daraus lässt sich ableiten: KI-gestützte Codierung braucht ein klares Codebuch, Validierung am eigenen Material und menschliche Plausibilitätsprüfung. Ein gutes Ergebnis in einem anderen Kontext ist kein Beweis für Zuverlässigkeit im eigenen.

Das eigentliche Risiko: Kontrollverlust über die Datenbasis

Nicht die Nutzung von KI ist das methodische Problem. Das Problem ist der undokumentierte Kontrollverlust über die Datenbasis.

Wer KI Daten sortieren, bereinigen oder codieren lässt, ohne zu dokumentieren welches Tool, welche Version, welche Einstellungen und welche Prüfschritte verwendet wurden, hat im Grunde eine schwarze Box in den methodischen Kern seiner Arbeit eingebaut.

Die drei häufigsten Schwachstellen in empirischen Arbeiten

In der Praxis zeigen sich dabei immer wieder dieselben Lücken:

• Fehlende Tool-Dokumentation: Welches KI-Tool wurde genutzt, in welcher Version und wann? Was wurde damit genau gemacht?
• Keine Validierung der KI-Outputs: Wurden KI-vorgeschlagene Codes, Kategorien oder Bereinigungen manuell geprüft? Gab es eine Referenzcodierung oder Stichprobenprüfung?
• Datenschutz ungeklärt: Durften die verarbeiteten Daten überhaupt in ein externes Tool eingegeben werden? Enthielten sie personenbezogene oder vertrauliche Informationen?

Jede dieser Lücken kann im Kolloquium zu berechtigten Rückfragen führen, die ohne sorgfältige Dokumentation kaum zu beantworten sind.

KI ist in empirischen Arbeiten nicht erst ein Auswertungsrisiko, sondern bereits ein Datenqualitätsrisiko.

Was das für Ihre Arbeit konkret bedeutet

Die gute Nachricht: KI-Nutzung in der Datenerhebung und Datenaufbereitung ist nicht grundsätzlich problematisch. Sie muss nur dokumentiert, geprüft und verantwortet werden.

Die EU-Leitlinien für KI in der Forschung formulieren das klar: Verantwortung bleibt bei den Forschenden. Wer KI nutzt, muss den Einsatz nachvollziehbar machen. Das gilt für den Methodenteil, für Anhänge und für KI-Nutzungserklärungen, sofern Ihre Hochschule diese verlangt.

Vor dem KI-Einsatz prüfen

Was in den Methodenteil gehört

Eine vollständige Dokumentation des KI-Einsatzes muss nicht lang sein. Entscheidend ist, dass sie präzise ist. Toolname und Version, Datum der Nutzung, genutzter Prompt oder Konfiguration, welche Daten verarbeitet wurden und wie das Ergebnis überprüft wurde. Das sind keine bürokratischen Formalitäten, sondern die Grundlage dafür, dass Ihre methodischen Entscheidungen nachvollziehbar bleiben.

Wo QuantExpert unterstützt

Methodische Absicherung beginnt nicht erst bei der Statistik. Bei QuantExpert begleiten wir den gesamten empirischen Prozess: von der Prüfung des Studiendesigns und der Datenerhebung über Datenaufbereitung und Codierung bis zur nachvollziehbaren Ergebnisdarstellung. Wer KI in Teilen seines Forschungsprozesses nutzt, sollte diesen Einsatz genau so sorgfältig absichern wie jeden anderen methodischen Schritt.

KI kann empirische Forschung schneller machen. Wissenschaftlich belastbar wird sie aber erst, wenn der Weg von den Rohdaten zum Ergebnis dokumentiert, geprüft und verantwortet ist.