Detailseite
Projekt
KI-gestützte Validierung von Umfrageinstrumenten: Integration halbautomatisierter Methoden in kognitive Interviews zur Selbsteinschätzung und Proxy-Bewertung der Gesundheit von Kindern (AI-SIC)
Antragstellerinnen / Antragsteller
Dr. Jacqueline Kroh; Dr.-Ing. Andreas Niekler; Dr. Stephan Poppe; Professorin Dr. Julia Tuppat
Fachliche Zuordnung
Empirische Sozialforschung
Förderung
Förderung seit 2024
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 539598673
Das Projekt untersucht das Potenzial von Künstlicher Intelligenz (KI) und Machine Learning (ML) bei der Kodierung offener, qualitativer Frageformate im Rahmen von quantitativen large-scale Studien. Der konkrete Anwendungsfall sind kognitive Interviews mit Kindern und Eltern zu der Frage, wie und auf Basis welcher zugrundeliegenden kognitiven Prozesse diese den allgemeinen Gesundheitszustand des Kindes bewerten. Das Projekt adressiert damit den Einsatz neuartiger KI-gestützter Technologien bei der Validierung eines klassischen Surveyinstruments. Bislang werden Erhebungsinstrumente in der Umfrageforschung entweder mit Hilfe von qualitativen oder quantitativen Methoden validiert. Während erstere Einblicke in Deutungen und Denkprozesse der Teilnehmenden gewähren, werden mit letzteren z.B. Korrelationen zwischen Konzepten untersucht. Die Trennung beider Ansätze führt dazu, dass die Forschung zur Instrumentenvalidität fragmentiert bleibt und die Folgen für die wissenschaftliche Nutzung dieser Instrumente unzureichend erforscht ist. Durch eine Bündelung der jeweils einzigartigen Stärken qualitativer und quantitativer Methoden kann die Validierung von Umfrageinstrumenten ganzheitlicher stattfinden und die Umfrageforschung insgesamt verbessert werden. Das Projekt exploriert die harmonische Fusion von menschlicher Expertise und maschineller Effizienz mittels KI im Rahmen eines Active-Learning(AL)-Frameworks. Es entwickelt ein Best-Practice-Modell zur Integration von KI in den Kodierungsprozess qualitativer Forschungsdesigns und nutzt konkret die Validierung einer Frage zur Selbsteinschätzung der Gesundheit bei Kindern als Fallbeispiel. Es werden insbesondere folgende Forschungsfragen adressiert: Wie können KI und ML qualitative Methoden wie kognitive Interviews verbessern? Wie kann ML dazu beitragen, die Gesundheitsbewertungen von Kindern, Jugendlichen und Eltern zu validieren? Unter Bezug zum Anwendungsfall wird in einem ersten Projektteil der InTraCo-Framework (Integrated Transformer-basierte induktive Kodierung durch AL) entwickelt, implementiert und validiert. Dieser löst Herausforderungen wie die Multi-Label-Klassifikation und den Einsatz unterschiedlicher Kodierer. Dabei werden u.a. folgende Fragen beantwortet: Wie effizient ist der Ansatz der semi-automatisierten Kodierung in der realen Umsetzung? Inwieweit beeinflusst die in InTraCo definierte Mensch-Maschine-Interaktion den Kodierungsprozess? Welchen Grad an Präzision erreicht das Encoder-Decoder-Modell durch AL in Bezug auf das Anwendungsbeispiel? Daran anknüpfend werden die Vorteile des Ansatzes unter Verwendung von Techniken der erklärenden KI in Bezug auf die Validierung der Selbst- und Proxyeinschätzungen der kindlichen Gesundheit überprüft. Hierbei werden die kognitiven Prozesse von Kindern und Eltern bei der Bewertung der Gesundheit von Kindern systematisch unter Berücksichtigung qualitativer und quantitativer Perspektiven erforscht, um relevante Forschungslücken zu schließen.
DFG-Verfahren
Infrastruktur-Schwerpunktprogramme
