Empirische Forschung

1. Objektivität

   • Neutrale und unabhängige Einschätzung über die Realität

   • Check: Ermögliche ich durch meine Frage und Antwortvorgabe alle Antworten gleichermaßen?

2. Reliabilität & Zuverlässigkeit

   • Mit den Fragen soll die Realität präzise erfasst werden

   • Check inter-individuelle Reliabilität: Verstehen unterschiedliche Befragte meine Frage immer gleich?

   • Check intra-individuelle Reliabilität: Verstehen unterschiedliche Befragte meine Frage zu unterschliedlichen Zeitpunkten immer

3. Validität & Gültigkeit

   • Die Fragen müssen zur Beantwortung der Hypothesen/Forschungsfragen geeignet sind

     • Wenn man schätzen muss = Validität

   • Check Konstruktvalidität: Messe ich wirklich das, was ich messen will?

   • Check Inhaltsvalidität: Messe ich das interessierende Merkmal vollumfänglich?

• Konstruktvalidität → Vermeiden von sozialer Erwüschtheit

  • Bsp: “Laut Experten ist Klimaschutz das derzeit wichtigste Thema. Wie wichtig ist Klimaschutz für Sie persönlich?”

    • Wir messen nicht die wahren, sondern die sozial erwünschten Einstellungen

• Kognitive Überforderung vermeiden

  • Wissensfragen (”Wie heißt die deutsche Verteidigungsministerin”)

  • Doppelte Verneinung

  • Lange, Komplexe Fragen

• Zeitlichen Bezug geben (Falsch: “Wie viele Stunden nutzen Sie TikTok?”)

  • Unzweideutige Begriffe nutzen

    • Bsp.: Ambivalente Persönlichkeit kann verschieden aufgenommen werden oder ist nicht im Wortschatz vertreten

• Doppelte Stimuli vermeiden

  • Bsp.:

    Hören Sie gerne Musik wie Hip Hop oder R’n’B?

    • Problem: Person A&B hören nur HipHop, A sagt ja, B sagt nein

• Kein Vorwissen voraussetzen

• Suggestive Fragen Vermeiden

  • Bsp.:

    “Sind Sie nicht auch der Meinung, dass …”

    • Problem ⇒ Befragten wird eine best. Antwort besonders nahelegt

• Starke Worte vermeiden

• Es werden systematisch Daten gesammelt und das Vorgehen wird dokumentiert

  • Es muss reproduzierbar sein und kritisch überprüft werden

• Daten können Qualitativ oder Quantitativ gesammelt werden

Qualitativ

• Ist Sinnvoll wenn wenig über das Thema bekannt ist & nicht klar vormulilert werden kann welche Zusammenhänge relevant sind.

• Man erfasst alle Aspekte und systematisiert sie nachträglich (Induktiv)

Quantitativ

• Ist Sinnvoll wenn schon wiss. Erkenntnisse vorliegen. Man untersucht sehr konkrete Merkmale.

• Man systematisiert die Erkenntnisse zu annahmen, die mit den eigenen Daten überprüft werden (deduktiv)

• ⚠️ Herzstück der quantitativen Forschung sind Variablen, mit denen Merkmale der Realität messbar gemacht werden.

Ein theoretisches Konstrukt, welches über mehrere manifeste Variablen gemessen wird

1. Nominales Skalenniveau

   • Personen können nicht hinsichtlich der Stärke verglichen werden

   • Zahlenwerte werden willkürlich festgelegt, Reihenfolge bedeutungslos.

     • Beispiel: Bundesland

       • Berlin (1)

       • Brandeburg (13)

       • Hessen (5)

2. Ordianles Skalenniveau

   • Der Abstand zwischen den Zahlen ist nicht gleich groß aber die Reihenfolge ist von bedeutung!

     • Beispiel: Bildungsabschluss

       • Abitur (1)

       • Hauptschulabschluss (0)

       • Realschulabschluss (-1)

3. Metrisches Skalenniveau

   • Personen werden hinsichtlich der Stärke verglichen

   • Zwischen allen Zahlenwerten liegt der gleiche Abstand

     • Beispiel: Altersangabe

       • 20 (1)

       • 21 (0)

       • 22 (-1)

• Eine Strichprobe (SP) die ein strukturgleiches Abbild der Grundgemeinsamkeit (GG) darstellt.

• ⇒ Befragungsergebnisse verallgemeinern ohne alle zu befragen.

• über Zufallsverfahren → Liefern repräsentative Ergebnisse da sie versuchen Merkmale der GG nachzubauen

Die Ausschöpfungsquote gibt darüber hinaus Hinweise darauf, wie viel Prozent der Personen aus Stichprobe ich tatsächlich befragt habe.

Inhaltsanalysen sind immer dann als Methode in der quantitativen Forschung geeignet, wenn wir etwas über Merkmale von Texten herausfinden möchten, die Menschen produziert haben & welche Variablen eine Rolle spielen.

1. Messen

   • Lassen sich mit Lasswell-Gebiet messen

     • Wer sagt etwas (Sender), Was wird gesagt (Nachricht), In welcher Form wird es gesagt (Kanal), An wen wird es gesagt (Empfänger) und mit welchem Ziel (Zweck)

2. Beispiel

   • Ein Wissenschaftler möchte untersuchen, wie oft bestimmte Wörter in einer Auswahl von Nachrichtenartikeln vorkommen. Dazu sammelt er eine große Anzahl von Artikeln und zählt, wie oft bestimmte Wörter wie "Korruption" vorkommen. Anschließend verwendet er statistische Methoden, um die Häufigkeit dieser Wörter zu analysieren und Vergleiche zwischen verschiedenen Zeiträumen oder Nachrichtenquellen zu ziehen.

   • Beispielsweise könnte er feststellen, dass das Wort "Korruption" in den letzten fünf Jahren im Vergleich zu den fünf Jahren davor häufiger in Nachrichtenartikeln vorkommt.

• Relevanzsetzung geht vom Untersuchungsobjekt (dem Text) aus

• subjektive Erfahrungen und Bedeutungen erkunden.

1. Auswahleinheit

   • Art des Textmaterials (welche Texte analysiert werden sollen)

   • Art des Kanals

2. Analyseeinheit

   • Texte innerhalb der Auswahleinheit, die konkrethinsichtlich ihrer Merkmale untersucht werden

   • Text als ganzes analysieren? (Mit Bild etc.) oder nur bestandteile

3. Codiereinheit

   • Aspekte, die innerhalb des Merkmalsträgers für dasForschungsinteresse relevant sind

   • Texte gemäß den festgelegten Analyseeinheit analysiert

4. Kontexteinheit

   • Macht deutlich, auf welchen größeren Kontext manzugrückgreifen darf, um die Merkmale der Analyseeinheitangemessen zu erfassen

Qualitative Beobachtung

• Beobachtung und Beschreibung von Merkmalen oder Eigenschaften in einer nicht-numerischen Form.

• subjektive Meinungen, Eindrücke oder Erfahrungen zu identifizieren.

Quantitative Beobachtung

• beziehen sich auf die Messung von Merkmalen oder Eigenschaften in Zahlenwerten.

• ausgewertet werden, um Trends, Muster oder Zusammenhänge zu identifizieren.

Im Allgemeinen bieten qualitativ Beobachtungen ein tieferes Verständnis und detailliertere Einblicke in das Verhalten und die Erfahrungen von Menschen, während quantitativ Beobachtungen eine genauere Messung und Verallgemeinerung von Ergebnissen ermöglichen.

• sind zwei verschiedene Arten von Untersuchungsdesigns, die in der Sozialforschung verwendet werden, um Kausalität zu untersuchen.

• Kausalität ⇒ Beziehung zwischen zwei Variablen, wo eine die Ursache und eine die Wirkung beeinflusst

⚠️

Es ist wichtig zu beachten, dass experimentelle Designs bessere Beweise für Kausalität liefern als nicht-experimentelle Designs

⚠️

• ⇒ Ursache (die sogenannte unabhängige Variable) manipulieren und die Wirkung (die sogenannte abhängige Variable) messen, um zu untersuchen, ob eine Kausalbeziehung zwischen den Variablen besteht.

• Experimentelle Designs sind besonders geeignet, um Kausalität zu untersuchen, da sie es ermöglichen, andere Faktoren, die die Ergebnisse beeinflussen könnten (sogenannte Konfounding-Faktoren), zu kontrollieren.

• Bsp:

  • Eine Untersuchung, bei der die Forscher die Dauer der Schlafenszeit bei verschiedenen Probanden manipulieren und den Stresslevel der Probanden messen, um zu untersuchen, ob eine Kausalbeziehung zwischen den Variablen besteht.

Die Ursache nicht manipulieren, sondern lediglich beobachten.

• Weniger geeignet, um Kausalität zu untersuchen, da nicht in der Lage sind, andere Faktoren zu kontrollieren, die die Ergebnisse beeinflussen könnten.

• Beziehungen zwischen Variablen zu untersuchen und Muster und Trends in den Daten zu erkennen

• Bsp:

  • Eine Umfrage, bei der die Forscher die Meinungen von Teilnehmern zu bestimmten Themen erheben, ohne dass sie die Meinungen der Teilnehmer manipulieren.

• Eine stimulusbedingte Konfundierung ist ein Fehler, der in experimentellen Designs auftreten kann, wenn zwei oder mehr Stimuli miteinander vermischt werden und es somit schwierig wird, die Wirkung einzelner Stimuli zu bestimmen.

• Bsp: wenn in einem Experiment zur Untersuchung der Wirkung von Musik auf die Konzentration der +Teilnehmer Musik aus verschiedenen Genres (z.B. Klassik und Pop) gleichzeitig dargeboten wird. In diesem Fall wäre es schwierig, die Wirkung einzelner Musikgenres auf die Konzentration der Teilnehmer zu bestimmen, da die Wirkungen beider Stimuli möglicherweise miteinander vermischt werden.

• Um eine stimulusbedingte Konfundierung zu vermeiden, sollten in experimentellen Designs möglichst nur ein Stimulus pro Bedingung getestet werden, um die Wirkung einzelner Stimuli genauer bestimmen zu können.

• Um stimulusbedingte Konfundierung auszuschließen, werden alle Ausprägungen (= Stufen) einer UV (= Faktor) systematisch variiert

• Spezieller Typ vom Experimentellem Design, Erfüllung aller vier Maßnahmen experimenteller Designs:

  1. UV (unabhängige Variable) wird durch die Forscher systematisch variiert

  2. UV wirkt zeitlich vor der Messung der AV

  3. Probanden werden per Zufall (= randomisiert) auf die Experimentalbedingungen zugewiesen

  4. Der Effekt der UV auf die AV wirkt unter kontrollierten Bedingungen

• Die interne Validität (= zweifelsfreier Nachweisvon Kausaleffekten) dieser Experimente ist oft hoch, allerdings z. T. wegen der Künstlichkeit der Stimuli und der Situation auf Kosten der externen Validität (Generalisierbarkeit der Befunde auf Alltagssituationen fraglich).

• Variiert die UV nicht systematisch

• Ggf. auch keine Randomisierung der Probanden vor

• Die interne Validität ist daher oft geringer, weil personenbedingte Konfundierung nicht ausgeschlossen werden kann; die externe Validität dagegen ist oft höher, da natürlich sich gebildete Stimuli bzw. Personengruppen untersucht werden.

• Findet nicht im Labor statt (Umfrage auf der Straße)

• interne Validität gering, externe Validität hoch

• Im Gegensatz zu quantitativen Variablen, die numerische Werte aufweisen, nehmen kategoriale Variablen keine numerischen Werte an, sondern bestehen aus Kategorien oder Labels.

• Können ordinal (Reihenfolge) oder unordinal sein

  • Bsp.: Geschlecht, Bildungsstand

Die dichotome Variable, die immer als 0/1-Variable binär codiert sein muss: [0] steht für das Nicht-Vorliegen eines Merkmals und [1] für das Vorliegen des Merkmals

Häufigkeitsverteilungen

1. Absolute Häufigkeit (Alle Skalen)

   • wie oft z. B. welche Antwortalternative von Befragten ausgewählt wurde

2. Relative Häufigkeit (Alle)

   • daraus resultierenden Prozentwerte pro Skalenpunkt/Variablenausprägung an

3. Kumulative Häufigkeit (Ordinal oder Metrisch)

   • Häufigkeiten der einzelnen Ausprägungen sukzessive aufaddiert

Lagemaße

1. Modus (Alle Skalen)

   • welche Variablenausprägung am häufigsten vorkommt

2. Median (Ordianl und Metrische)

3. Mittelwert (Metrische)

   • Durchschnittswert auf der Skala

wie stark meine Fälle um das Zentrum herumstreuen – also um den Bereich meiner Skala, auf den sich meine Fälle (z. B. Befragten) konzentrieren (Modus, Median, Mittelwert M).

• Die Standardabweichung gibt an, wie weit die Werte in einer Stichprobe vom Mittelwert entfernt sind. Sie wird häufig verwendet, um die Normalverteilung von Daten zu überprüfen.

• Beispiel: In einer Stichprobe mit den Werten 3, 7, 8, 10, 12 beträgt die Standardabweichung 3,2.

• Stichprobenfehler lassen sich aus Standardabweichung berechnen