Critical Thinking

Das Zweiprozessmodell erklärt, dass Menschen zwei Arten des Denkens nutzen:

• System 1 = schnell, intuitiv

• System 2 = langsam, bewusst

Beide Systeme ergänzen sich.

Critical Thinking (kritisches Denken) bedeutet, Informationen, Argumente und Aussagen systematisch zu hinterfragen, statt sie ungeprüft zu akzeptieren.

Ziel ist es, Entscheidungen auf Grundlage von Logik, Beweisen und wissenschaftlichen Erkenntnissen zu treffen.

1. verhindert Denkfehler

2. hinterfragt Behauptungen kritisch

3. verbessert wissenschaftliche Entscheidungen

4. ermöglicht objektive Forschung

5. stützt Aussagen auf Evidenz statt auf Meinungen

Merkmale:

• schnell

• automatisch

• intuitiv

• benötigt kaum Anstrengung

• arbeitet mit Erfahrungen und Heuristiken

Beispiele:

• Gesichter erkennen

• Fahrrad fahren

• einfache Rechnungen

Nachteil:

anfällig für Denkfehler.

-> Basiert auf Erlebtem / Bekanntem / Erfahrenem

-> kann zu Heuristiken und kognitiven Verzerrungen führen

Rückseite:

Merkmale:

• langsam

• bewusst

• analytisch

• logisch

• benötigt Konzentration

Beispiele:

• wissenschaftliche Texte lesen

• komplizierte Mathematik

• Argumente überprüfen

-> liefert meist genauere Entscheidungen.

-> Ist das System, das wir beim kritischen Denken benötigen

Denn wissenschaftliches Denken verlangt:

• kritisches Hinterfragen

• logische Analyse

• Begründungen

• objektive Entscheidungen

Evidenz sind wissenschaftliche Belege, die eine Aussage oder Theorie unterstützen.

Je mehr hochwertige Evidenz vorliegt, desto glaubwürdiger ist eine wissenschaftliche Aussage.

Heuristiken sind mentale Abkürzungen,

mit denen unser Gehirn schnell Entscheidungen trifft.

Sie sparen Zeit,

können aber zu Denkfehlern führen.

(Das wird in Unit 4 ausführlich behandelt.)

Wissenschaftliches Denken bedeutet,

• systematisch vorzugehen,

• Aussagen kritisch zu prüfen,

• Belege zu sammeln,

• logisch zu argumentieren

• und Ergebnisse objektiv zu bewerten.

Wissenschaft ist die systematische Gewinnung von neuem Wissen.

Sie zeichnet sich aus durch:

• empirische Forschung

• Objektivität

• Überprüfbarkeit

• Nachvollziehbarkeit

• kritisches Hinterfragen

Ziel: Die Welt möglichst zuverlässig erklären.

Eine Theorie ist eine gut begründete Erklärung für ein Phänomen.

Sie basiert auf vielen wissenschaftlichen Untersuchungen.

➡️ Eine Theorie ist keine Vermutung, sondern das Ergebnis vieler Studien.

Beispiel:

Die Evolutionstheorie erklärt die Entwicklung der Arten.

Eine Hypothese ist eine konkrete, überprüfbare Vermutung.

Sie wird aus einer Theorie abgeleitet und anschließend getestet.

Beispiel:

Studierende, die regelmäßig lernen, bestehen häufiger die Prüfung.

Merksatz:

Theorien erklären, Hypothesen werden getestet.

Empirie bedeutet,

Erkenntnisse durch

• Beobachtungen,

• Messungen

• oder Experimente

zu gewinnen.

Wissenschaft arbeitet empirisch.

Evidenz sind wissenschaftliche Belege,

die eine Aussage unterstützen.

Je mehr hochwertige Evidenz vorhanden ist,

desto glaubwürdiger ist eine Theorie.

Falsifikation bedeutet,

dass eine Hypothese widerlegt werden können muss.

Eine wissenschaftliche Aussage muss grundsätzlich überprüfbar und falsifizierbar sein.

Beispiel:

„Alle Schwäne sind weiß."

→ Ein schwarzer Schwan würde diese Aussage widerlegen.

Weil jederzeit neue Erkenntnisse auftreten können.

Theorien gelten deshalb immer nur so lange,

bis bessere Erklärungen gefunden werden.

Wissenschaft

• überprüfbar

• falsifizierbar

• evidenzbasiert

• nachvollziehbar

Pseudowissenschaft

• kaum überprüfbar

• beruft sich oft auf Einzelfälle

• ignoriert Gegenbeweise

• arbeitet häufig mit Behauptungen

Objektivität bedeutet,

dass Ergebnisse unabhängig von der Person sind,

die die Untersuchung durchführt.

Jeder sollte bei gleicher Methode zum gleichen Ergebnis kommen.

1. Beobachtung

2. Theorie entwickeln

3. Hypothese formulieren

4. Hypothese testen

5. Ergebnisse auswerten

6. Theorie bestätigen oder anpassen

• Deduktion

• Induktion

• Abduktion

Sie unterscheiden sich darin, wie neues Wissen entsteht.

Deduktion

Theorie → Hypothese → Test

(vom Allgemeinen zum Besonderen)

Induktion

Beobachtungen → Theorie

(vom Besonderen zum Allgemeinen)

Abduktion

Beobachtung → plausibelste Erklärung

(neue Hypothese entwickeln)

Ein Paradigma ist ein gemeinsames wissenschaftliches Weltbild.

Es bestimmt,

• welche Fragen gestellt werden,

• welche Methoden genutzt werden,

• wie Ergebnisse interpretiert werden.

Ein Paradigmenwechsel entsteht,

wenn neue Erkenntnisse das bisherige Weltbild ersetzen.

Beispiel:

Geozentrisches Weltbild

↓

Heliozentrisches Weltbild

Wissenschaft entwickelt sich dadurch weiter.

Ein wissenschaftliches Argument ist eine evidenzbasierte Argumentationskette, bestehend aus:

Behauptung + Beweis + Bergründung

Prämisse = Ausgangsaussage bzw. Begründung.

Konklusion = Schlussfolgerung, die aus den Prämissen gezogen wird.

➡️ Nur wenn die Prämissen logisch zur Konklusion führen, ist das Argument schlüssig.

Deduktion

• Allgemeines → Einzelfall

• Schlussfolgerung ist logisch zwingend (wenn Prämissen stimmen)

Induktion

• Einzelfälle → allgemeine Aussage

• Schlussfolgerung ist wahrscheinlich, aber nicht sicher

Ein logischer Fehlschluss ist ein Fehler im Denken oder Argumentieren.

Das Argument wirkt überzeugend,

ist aber logisch nicht korrekt.

In der Wissenschaft sollen solche Fehlschlüsse erkannt und vermieden werden.

Die Schlussfolgerung des Arguments passt logisch nicht mehr zur Prämisse (Ausgangssaussage) - denn es hat ein logischer Fehlschluss stattgefunden:

Ad-hominem: Angriff auf die Person statt auf das Argument.

-> Vorschlag wird nicht ernst genommen, weil er von Praktikantin kommt

Strohmann: Argument des Gegenübers verzerren und dann angreifen.

-> Du bist gegen das Bonusmodell? dann willst du wohl dass niemand mehr motiviert arbeitet

Falsches Dilemma: Es werden nur zwei Möglichkeiten dargestellt, obwohl es mehr gibt.

Zirkelschluss: Die Behauptung wird mit sich selbst begründet.

-> wir machen das so, weil es so am besten ist

Falsche Kausalität: Annahme A verursacht Annahme B, nur weil A nach B passiert ist

Autoritätsargument: Berufung auf Autorität ohne Argumenr selbst zu prüfen

Anekdotische Evidenz: Einzelbeispiele werden als Beweis für allgemeine Aussage verwendet

Mehrheitsargument (Bandwagon): Etwas als richtig darstellen, weil es viele tun oder glauben

Korrelation

Zwei Merkmale treten gemeinsam auf oder verändern sich gemeinsam.

➡️ Das bedeutet nicht automatisch, dass das eine das andere verursacht.

Beispiel:

Im Sommer werden mehr Eis verkauft und es gibt mehr Sonnenbrände.

→ Beides tritt gleichzeitig häufiger auf (Korrelation).

Kausalität

Ein Merkmal verursacht das andere.

Es besteht also eine Ursache-Wirkungs-Beziehung.

Beispiel:

UV-Strahlung verursacht Sonnenbrände.

→ Hier liegt eine Kausalität vor.

Korrelation bedeutet Zusammenhang.

Kausalität bedeutet Ursache und Wirkung.

Jede Kausalität zeigt eine Korrelation – aber nicht jede Korrelation ist eine Kausalität.

• logisch aufgebaut,

• evidenzbasiert,

• nachvollziehbar,

• frei von Fehlschlüssen,

• kritisch überprüfbar.

Heuristiken sind mentale Faustregeln, mit denen unser Gehirn Informationen schnell verarbeitet.

Vorteil:

• spart Zeit

• erleichtert Entscheidungen

Nachteil:

• kann zu kognitiven Verzerrungen führen.

Merksatz:

Heuristiken = schnelle Abkürzungen

Bias = möglicher Denkfehler durch Heuristiken

Kognitive Verzerrungen sind systematische Denkfehler, die unsere Wahrnehmung und Entscheidungen beeinflussen.

Sie entstehen häufig, weil unser Gehirn mit Heuristiken (mentalen Abkürzungen) arbeitet.

➡️ Dadurch treffen wir oft schnelle, aber nicht immer richtige Entscheidungen.

Menschen suchen bevorzugt nach Informationen,

die ihre eigene Meinung bestätigen,

und ignorieren widersprechende Informationen.

Beispiel:

Man liest nur Artikel,

die die eigene politische Meinung unterstützen.

Ereignisse, an die wir uns leicht erinnern (zB wegenb Medien oder Aktualität), halten wir automatisch für häufiger oder wahrscheinlicher.

Beispiel:

Nach einem Flugzeugabsturz in den Medien glauben viele, Fliegen sei gefährlicher als Autofahren.

Die erste Information, die wir erhalten,

beeinflusst unsere spätere Entscheidung.

Beispiel:

Ein T-Shirt kostet zuerst 120 € und später 60 €.

→ 60 € wirkt günstig,

obwohl der Preis vielleicht trotzdem hoch ist.

Menschen überschätzen häufig

• ihr Wissen,

• ihre Fähigkeiten

• oder ihre Vorhersagen.

Dadurch treffen sie oft schlechtere Entscheidungen.

Nach einem Ereignis glauben wir,

wir hätten das Ergebnis schon vorher gewusst.

Beispiel:

„Das war doch völlig klar, dass die Aktie fällt."

Obwohl man es vorher nicht wusste.

Die Art, wie Informationen formuliert werden,

beeinflusst unsere Entscheidung.

Beispiel:

„90 % Überlebensrate"

wirkt positiver als

„10 % Sterberate"

→ Beide Aussagen bedeuten dasselbe.

• kritisch hinterfragen

• Gegenargumente suchen

• mehrere Quellen nutzen

• Entscheidungen bewusst überprüfen

• wissenschaftliche Methoden anwenden

Nicht jede veröffentlichte Studie ist automatisch wissenschaftlich hochwertig. Forschungsliteratur muss deshalb kritisch bewertet werden, um ihre Qualität, Glaubwürdigkeit und Relevanz beurteilen zu können. So lassen sich fundierte wissenschaftliche und praktische Entscheidungen treffen.

Ein Forschungsartikel folgt meist diesem Aufbau:

• Thema & Fragestellung

• Relevanz

• Forschungsstand (Theorie)

• Forschungslücke

• Forschungsfrage bzw. Hypothese

• Methodik

• Ergebnisse

• Diskussion & Interpretation

• Schlussfolgerungen & Empfehlungen

➡️ Die einzelnen Teile bauen logisch aufeinander auf.

Die Fragestellung legt fest, welche Frage die Studie beantworten soll und muss mit der gewählten Methodik beantwortbar sein. Die Relevanz erklärt, warum das Thema für Wissenschaft, Gesellschaft oder Praxis wichtig ist und begründet häufig die Forschungslücke.

Der Forschungsstand beschreibt das bereits vorhandene Wissen zu einem Thema. Die Forschungslücke zeigt, welches Wissen noch fehlt oder widersprüchlich ist.

Daraus werden anschließend konkrete Forschungsfragen oder Hypothesen entwickelt.

Die Methodik beschreibt nachvollziehbar, wie die Untersuchung durchgeführt wurde.

Die Ergebnisse stellen die erhobenen Daten möglichst objektiv dar.

In der Diskussion werden die Ergebnisse interpretiert, mit anderer Forschung verglichen und ihre Aussagekraft sowie mögliche Einschränkungen bewertet.

Eine wissenschaftliche Arbeit erfüllt vier grundlegende Standards:

1. Wissenschaftliches Forschungsproblem (inhaltliche Relevanz)

2. Wissenschaftlicher Forschungsprozess (methodische Strenge)

3. Wissenschafts- und Forschungsethik (ethische Strenge)

4. Dokumentation des Forschungsprojekts (Qualität der Darstellung)

Nur wenn alle vier erfüllt sind, gilt eine Arbeit als wissenschaftlich.

• qualifizierte Autor:innen und wissenschaftliche Institutionen

• Veröffentlichung in Fachzeitschriften oder wissenschaftlichen Büchern

• klare Fragestellung

• wissenschaftliche Fachbegriffe (z. B. Studie, Theorie, Methode)

• nachvollziehbare Quellen und aktuelle Literatur

• Bezug zum bisherigen Forschungsstand.

Ethische Strenge bedeutet, dass die Regeln der Wissenschafts- und Forschungsethik eingehalten werden.

Qualität der Darstellung bedeutet, dass die Studie vollständig, logisch aufgebaut, verständlich geschrieben und nach den Standards wissenschaftlicher Berichterstattung dokumentiert ist.

Methodische Strenge bedeutet, dass die gewählten Methoden geeignet, regelkonform, nachvollziehbar dokumentiert sowie valide und reliabel sind. Nur dann sind die Ergebnisse wissenschaftlich belastbar.

Eine Forschungsfrage beschreibt, welches wissenschaftliche Problem untersucht werden soll.

-> Sie bildet den Ausgangspunkt einer Studie und bestimmt, welche Daten erhoben und welche Methoden eingesetzt werden.

-> Eine gute Forschungsfrage muss klar, präzise und empirisch beantwortbar sein.

Eine Hypothese ist eine empirisch überprüfbare Vermutung über den Zusammenhang zwischen mindestens zwei Sachverhalten.

Sie wird aus Theorien oder bereits vorhandenen empirischen Befunden abgeleitet.

Mit ihrer Hilfe werden bestehende Theorien überprüft und weiterentwickelt.

Eine Hypothese entsteht durch Deduktion.

Zunächst gibt es eine Theorie, die einen bestimmten Zusammenhang erklärt.

Aus dieser Theorie wird eine Forschungsfrage entwickelt.

Anschließend wird daraus eine Hypothese formuliert, die sich durch eine empirische Untersuchung überprüfen lässt.

Merksatz:

Theorie → Forschungsfrage → Hypothese → empirische Überprüfung

Unterschiedshypothese

Vermutet einen Unterschied zwischen zwei oder mehreren Gruppen.

Beispiel: Es besteht ein Unterschied zwischen Gruppe A und Gruppe B.

Zusammenhangshypothese

Vermutet einen Zusammenhang zwischen zwei Variablen.

Beispiel: Es besteht ein Zusammenhang zwischen X und Y.

Gerichtete Hypothese

Macht eine Aussage über die Richtung eines Effekts.

Typische Formulierungen:

• Wenn … dann …

• Je … desto …

Ungerichtete Hypothese

Beschreibt lediglich, dass ein Unterschied oder Zusammenhang besteht.

Eine Richtung wird nicht angegeben.

Die unabhängige Variable (UV) ist die Variable, die einen Einfluss auf etwas anderes ausübt.

-> Sie wird auch Prädiktor oder erklärende Variable genannt.

Die abhängige Variable (AV) ist die Variable, deren Wert gemessen oder beobachtet wird.

-> Sie heißt abhängig, weil ihr Ergebnis von der Veränderung der UV beeinflusst wird.

Beispiel:

UV = Nutzung von KI-Tools

AV = Bewertung der Hausarbeit

Merksatz:

Die UV beeinflusst, die AV wird gemessen.

Eine gute Hypothese ist

• präzise formuliert,

• empirisch überprüfbar,

• aus einer Theorie ableitbar,

• logisch konsistent

• und enthält klar definierte Variablen (UV und AV).

Nur wenn diese Voraussetzungen erfüllt sind, kann die Hypothese wissenschaftlich überprüft werden.

Die Forschungsfrage beschreibt, welches Problem untersucht werden soll.

Der theoretische Rahmen liefert die wissenschaftliche Begründung dafür, warum ein bestimmter Zusammenhang erwartet wird.

Die Hypothese übersetzt diese theoretische Annahme in eine konkrete Aussage, die empirisch überprüft werden kann.

Alle drei müssen logisch konsistent sein und inhaltlich zusammenpassen.

Eine schlechte Hypothese ist zu allgemein oder ungenau formuliert.

Beispiel:

"KI ist gut für Studierende."

Hier ist nicht klar,

• was mit „gut" gemeint ist,

• welche Variablen untersucht werden

• und wie die Aussage überprüft werden soll.

Eine gute Hypothese formuliert einen konkreten, überprüfbaren Zusammenhang.

Beispiel:

"Studierende, die KI-Tools zur Strukturierung ihrer Hausarbeiten nutzen, erzielen im Durchschnitt höhere Bewertungspunkte als Studierende ohne KI-Nutzung."

Hier sind UV, AV und die erwartete Beziehung eindeutig definiert.

Das Forschungsdesign beschreibt die methodische Vorgehensweise einer Studie. Es legt fest, wie eine Forschungsfrage untersucht wird.

Dazu gehören unter anderem

• der wissenschaftstheoretische Ansatz (qualitativ, quantitativ oder Mixed Methods),

• die Wahl der Datenerhebungsmethode,

• die Auswahl der Stichprobe,

• der Untersuchungsort und

• der zeitliche Ablauf der Untersuchung.

Je nach Forschungsfrage können innerhalb eines Forschungsdesigns unterschiedliche Methoden kombiniert werden.

Ein Forschungsdesign kann nach verschiedenen Kriterien beschrieben werden.

Die wichtigsten sind:

• qualitativ, quantitativ oder Mixed Methods

• explorativ, deskriptiv oder explanativ

• empirische Studie, Methodenstudie oder Theoriestudie

• Labor- oder Feldstudie

• Experiment, Quasi-Experiment oder nicht-experimentelle Studie

• Querschnitts- oder Längsschnittstudie

Je nach Forschungsfrage wird das passende Design ausgewählt.

Qualitative Forschung

Die qualitative Forschung untersucht Meinungen, Erfahrungen, Motive oder Bedeutungen.

Sie möchte verstehen, wie oder warum Menschen etwas denken oder handeln.

Typische Methoden sind Interviews, Beobachtungen oder Gruppendiskussionen.

Quantitative Forschung

Die quantitative Forschung untersucht messbare Daten.

Sie möchte Hypothesen überprüfen und Zusammenhänge oder Unterschiede statistisch nachweisen.

Typische Methoden sind Fragebögen, Experimente oder standardisierte Tests.

Mixed Methods

Mixed Methods kombiniert qualitative und quantitative Forschung.

Dadurch können sowohl tiefergehende Erklärungen als auch statistisch überprüfbare Ergebnisse gewonnen werden.

Merksatz:

• qualitativ = verstehen

• quantitativ = messen

• Mixed Methods = beides kombinieren

Ein exploratives Forschungsdesign wird verwendet, wenn ein Thema bisher wenig erforscht ist.

Ziel ist es,

• erste Erkenntnisse zu gewinnen,

• Zusammenhänge zu entdecken

• und neue Hypothesen zu entwickeln.

Häufig kommen qualitative Methoden zum Einsatz, da diese neue Perspektiven und offene Antworten ermöglichen.

Merksatz:

explorativ = entdecken und Hypothesen entwickeln

Ein deskriptives Forschungsdesign dient dazu, einen Sachverhalt systematisch zu beschreiben.

Es beantwortet beispielsweise Fragen wie:

• Wer?

• Was?

• Wann?

• Wo?

• Wie häufig?

Es beschreibt also den aktuellen Zustand, erklärt jedoch nicht, warum dieser besteht.

Merksatz:

deskriptiv = beschreiben

Ein explanatives Forschungsdesign untersucht Ursache-Wirkungs-Beziehungen.

Ziel ist es herauszufinden,

• warum ein bestimmter Zusammenhang besteht,

• welche Variable einen Effekt verursacht

• oder wodurch sich Veränderungen erklären lassen.

Häufig werden hierfür Experimente oder andere kontrollierte Forschungsdesigns eingesetzt.

Merksatz:

explanativ = erklären

Laborstudie

Eine Laborstudie findet unter kontrollierten Bedingungen statt.

Dadurch können Störfaktoren weitgehend ausgeschlossen werden. Die Ergebnisse sind oft sehr genau, die Situation entspricht jedoch nicht immer dem Alltag.

Feldstudie

Eine Feldstudie findet in der natürlichen Umgebung der Teilnehmenden statt.

Dadurch sind die Ergebnisse häufig alltagsnäher, allerdings haben Forschende weniger Kontrolle über mögliche Störfaktoren.

Merksatz:

• Labor = hohe Kontrolle

• Feld = hohe Alltagsnähe

Experiment

Die Forschenden verändern gezielt die unabhängige Variable (UV) und untersuchen deren Einfluss auf die abhängige Variable (AV).

Dadurch lassen sich kausale Zusammenhänge untersuchen.

Quasi-Experiment

Auch hier wird eine UV untersucht.

Im Gegensatz zum Experiment fehlen jedoch bestimmte Voraussetzungen, z. B. eine zufällige Zuteilung (Randomisierung) oder die vollständige Kontrolle aller Bedingungen.

Dadurch sind Aussagen über Kausalität weniger eindeutig.

Nicht-experimentelle Studie

Die Forschenden beobachten oder messen lediglich bestehende Zusammenhänge.

Es wird keine Variable gezielt manipuliert, weshalb in der Regel keine sicheren Ursache-Wirkungs-Aussagenmöglich sind.

Merksatz:

• Experiment = manipulieren

• Quasi-Experiment = teilweise manipulieren

• nicht-experimentell = beobachten

Querschnittsstudie

Bei einer Querschnittsstudie werden Daten zu einem einzigen Zeitpunkt erhoben.

Sie liefert eine Momentaufnahme eines Sachverhalts.

Längsschnittstudie

Bei einer Längsschnittstudie werden dieselben Personen oder Gruppen über einen längeren Zeitraum mehrfach untersucht.

Dadurch können Entwicklungen und Veränderungen beobachtet werden.

Merksatz:

• Querschnitt = ein Zeitpunkt

• Längsschnitt = mehrere Zeitpunkte

Die wichtigsten Methoden der Datenerhebung sind:

Befragung

Erfasst Einstellungen, Meinungen oder Erfahrungen von Personen.

Beobachtung

Erfasst tatsächliches Verhalten in natürlichen oder kontrollierten Situationen.

Inhaltsanalyse

Untersucht Texte, Bilder oder andere Medien systematisch auf bestimmte Merkmale.

Diese Methoden können qualitativ oder quantitativ eingesetzt werden.

Wichtig:

Ein Experiment ist keine Methode, sondern ein Forschungsdesign.

Mit den Gütekriterien wird beurteilt, ob qualitative Forschung wissenschaftlichen Anforderungen entspricht.

Die wichtigsten Kriterien sind:

• Zuverlässigkeit → intersubjektive Nachvollziehbarkeit

• Gültigkeit → Fragestellung, Theorie, Methode und Ergebnisse passen zusammen

• Übertragbarkeit → Ergebnisse können auf ähnliche Situationen übertragen werden

• Werturteilsfreiheit → Forschende bewerten ihre Ergebnisse nicht normativ

Diese Kriterien sichern die Qualität qualitativer Forschung.

Die wichtigsten Gütekriterien sind:

Reliabilität

Die Messung ist zuverlässig und liefert bei Wiederholung vergleichbare Ergebnisse.

Validität

Es wird tatsächlich das gemessen, was gemessen werden soll.

Objektivität

Die Ergebnisse sind unabhängig von der Person, die die Untersuchung durchführt.

Reproduzierbarkeit

Die Studie kann unter ähnlichen Bedingungen wiederholt werden und führt zu vergleichbaren Ergebnissen.

Die Forschungsethik schützt die Versuchspersonen.

-> Sie sorgt dafür, dass Menschen weder geschädigt noch in ihren Rechten oder ihrer Würde verletzt werden.

Die Wissenschaftsethik regelt das Verhalten der Forschenden.

-> Sie fordert gute wissenschaftliche Praxis und verbietet beispielsweise Fälschung, Erfindung oder Plagiate.

Merksatz:

Forschungsethik = Schutz der Teilnehmenden

Wissenschaftsethik = verantwortungsvolles wissenschaftliches Arbeiten

Die drei wichtigsten Prinzipien sind:

Freiwilligkeit und informierte Einwilligung

Teilnehmende entscheiden freiwillig und werden vorher vollständig informiert.

Schutz vor Beeinträchtigung und Schädigung

Die Teilnahme darf keine unnötigen körperlichen oder psychischen Schäden verursachen.

Anonymisierung und Vertraulichkeit

-> FAS

Personenbezogene Daten müssen geschützt und vertraulich behandelt werden.

Diese Prinzipien schützen Menschenwürde, Menschenrechte und Persönlichkeitsrechte der Teilnehmenden.

Die qualitative Datenanalyse dient dazu, nicht-numerische Daten (z. B. Interviews, Texte oder Bilder)

interpretierend (hermeneutisch) auszuwerten, um ein Forschungsproblem zu verstehen.

Sie verfolgt ein exploratives Erkenntnisinteresse, ist überwiegend induktiv und zielt auf die Entwicklung von Themen, Kategorien oder Theorien ab.

Merksatz:

Qualitativ = Verstehen statt Messen.

Qualitative Forschung arbeitet mit nicht-numerischem Datenmaterial, z. B.:

• Interviewtranskripte

• Beobachtungsprotokolle

• Freitextantworten

• Dokumente

• Fotos

• Videos

• Tonaufnahmen

Das Ziel ist immer, Bedeutungen und Zusammenhänge zu verstehen.

• interpretierend (hermeneutisch)

• explorativ

• überwiegend induktiv

• untersucht Bedeutungen statt Zahlen

• entwickelt Themen, Kategorien oder Theorien

• keine Hypothesenprüfung

Merksatz:

Qualitativ = Entdecken, nicht Beweisen.

Qualitative Forschung dient vor allem dazu,

• neue Erkenntnisse zu gewinnen,

• Zusammenhänge zu entdecken,

• Kategorien und Theorien zu entwickeln.

Sie ist daher hypothesen- und theoriebildend, nicht hypothesenprüfend.

Hypothesentests gehören zur quantitativen Forschung.

1. Daten in Analyseeinheiten zerlegen (z. B. Sätze oder Absätze)

2. Textstellen codieren

3. Ähnliche Codes zu Kategorien zusammenfassen

4. Kategorien interpretieren

5. Themen, Typen oder Theorien ableiten

Merksatz:

Text → Codes → Kategorien → Interpretation.

Deduktiv

• Kategorien werden vor der Analyse aus Theorie oder Forschungsfragen entwickelt.

Induktiv

• Kategorien entstehen während der Analyse direkt aus dem Datenmaterial.

In der Praxis werden häufig beide Ansätze kombiniert.

Merksatz:

Deduktiv = Theorie → Daten Induktiv = Daten → Theorie.

1. Inhaltsanalyse

• sucht Muster, Strukturen und Typen

• am häufigsten verwendet

2. Thematische Analyse

• identifiziert wiederkehrende Themen

3. Grounded Theory

• entwickelt neue Theorien

• besonders anspruchsvoll

4. Diskursanalyse

• untersucht, wie Sprache Bedeutungen, Macht und gesellschaftliche Realität konstruiert.

Merksatz:

Inhalt – Themen – Theorie – Diskurs.

QDA-Software unterstützt die qualitative Datenanalyse, z. B. durch:

• Datenmanagement

• Code- und Kategorienverwaltung

• Suchfunktionen

• Memos

• Teamarbeit beim Codieren

• Visualisierung

• Mixed-Methods-Unterstützung

Sie erleichtert die Organisation und Nachvollziehbarkeit der Analyse.

Merksatz:

QDA hilft beim Ordnen, nicht beim Interpretieren.

Hermeneutik bezeichnet die interpretierende Auslegung von Daten. Ziel ist es, die Bedeutung von Aussagen, Texten oder anderem nicht-numerischen Material zu verstehen.

Im Gegensatz zur quantitativen Forschung geht es nicht nur darum, was gesagt wurde, sondern auch wie, warum und in welchem Kontext etwas gemeint ist.

Die Interpretation erfolgt immer im Hinblick auf die Forschungsfrage und den Kontext der Studie.

Beispiel:

Wenn eine befragte Person sagt:

"KI spart mir Zeit, aber ich vertraue ihr nicht vollständig."

wird nicht nur die Aussage festgehalten, sondern auch interpretiert, welche Einstellungen, Erfahrungen oder Bedeutungen dahinterstehen.

Merksatz:

Hermeneutik = verstehen und interpretieren, nicht nur beschreiben.

Die Kodierung ist der Prozess, bei dem Textstellen oder andere Analyseeinheiten mit einem Code versehen werden.

Ein Code ist ein kurzer Begriff oder eine Bezeichnung, die den Inhalt einer Aussage zusammenfasst.

Mehrere ähnliche Codes werden anschließend zu übergeordneten Kategorien zusammengefasst.

Die Kodierung hilft dabei, große Datenmengen systematisch zu strukturieren und Muster zu erkennen.

Beispiel:

Interviewaussage:

"Ich überprüfe Informationen immer auf mehreren Webseiten."

↓

Code: Quellenprüfung

↓

Kategorie: Kritischer Umgang mit Informationen

Merksatz:

Textstelle → Code → Kategorie → Interpretation

Codes und Kategorien helfen dabei, umfangreiches Datenmaterial systematisch auszuwerten.

Durch die Kodierung werden einzelne Aussagen zunächst strukturiert. Anschließend werden ähnliche Codes zu Kategorien zusammengefasst, sodass wiederkehrende Themen, Muster oder Typen sichtbar werden.

Die Kategorien bilden die Grundlage für die anschließende Interpretation und die Beantwortung der Forschungsfrage.

Merksatz:

Codes ordnen einzelne Aussagen – Kategorien bündeln ähnliche Codes.

Die quantitative Datenanalyse untersucht numerische (messbare) Daten, um Fragestellungen objektiv zu beantworten und Hypothesen statistisch zu überprüfen.

Ziel ist es,

• Daten zu beschreiben,

• Zusammenhänge oder Unterschiede zu analysieren,

• Ergebnisse von einer Stichprobe auf die Grundgesamtheit zu übertragen.

Im Gegensatz zur qualitativen Forschung steht nicht die Interpretation einzelner Aussagen, sondern die statistische Auswertung von Zahlen im Mittelpunkt.

Merksatz:

Quantitativ = Messen, Berechnen und Hypothesen testen.

Eine Datenmatrix ist eine tabellarische Darstellung der erhobenen Daten, bei der die Zeilen die Untersuchungseinheiten (Fälle) und die Spalten die Variablen enthalten.

-> quantitative Forschung

Eselsbrücke

🧑 Zeilen = Wer? (Personen/Fälle)

📊 Spalten = Was? (Variablen/Merkmale)

Die Nominalskala ist das einfachste Skalenniveau.

Sie dient dazu, Beobachtungen verschiedenen Kategorien zuzuordnen, ohne dass diese Kategorien eine natürliche Reihenfolge besitzen.

Die Ausprägungen unterscheiden sich also nur qualitativ, nicht quantitativ.

Beispiele:

• Geschlecht

• Augenfarbe

• Nationalität

• Studiengang

Mit nominalskalierten Daten kann man lediglich

• Häufigkeiten bestimmen,

• den Modus (häufigste Kategorie) berechnen

• oder Kategorien miteinander vergleichen.

Ein Mittelwert oder Median ist nicht sinnvoll.

Merksatz:

Nominal = nur Namen bzw. Kategorien.

Das Skalenniveau bestimmt, welche statistischen Verfahren verwendet werden dürfen.

Nominalskala

• Kategorien ohne Reihenfolge

• Beispiele: Geschlecht, Augenfarbe

• möglich: Häufigkeiten zählen, Modus

Ordinalskala

• Rangfolge vorhanden

• Abstände nicht gleich groß

• Beispiele: Schulnoten, Platzierungen

• möglich: Median

Intervallskala (metrisch)

• gleiche Abstände

• kein absoluter Nullpunkt

• Beispiele: Temperatur (°C), Likert-Skalen

• möglich: Mittelwert, Standardabweichung

Ratioskala / Verhältnisskala (metrisch)

• gleiche Abstände

• absoluter Nullpunkt vorhanden

• Beispiele: Alter, Gewicht, Einkommen

Hier sind alle mathematischen Operationen möglich.

Merksatz:

Nominal → Ordinal → Intervall → Ratio = immer mehr mathematische Möglichkeiten.

Die Ordinalskala ordnet Werte in eine Rangfolge.

Im Gegensatz zur Nominalskala gibt es also eine Reihenfolge, allerdings sind die Abstände zwischen den einzelnen Ausprägungen nicht messbar.

Man weiß nur, dass ein Wert höher oder niedriger ist – nicht um wie viel.

Beispiele:

• Schulnoten

• Platzierungen im Wettbewerb

• Zufriedenheit (sehr unzufrieden bis sehr zufrieden)

Mit ordinalskalierten Daten kann man

• Rangfolgen bilden,

• den Median bestimmen

• oder Rangkorrelationen berechnen.

Ein Mittelwert ist streng genommen nicht sinnvoll, da die Abstände nicht gleich groß sind.

Merksatz:

Ordinal = Reihenfolge vorhanden, Abstände unbekannt.

Die Intervallskala gehört zu den metrischen Skalen.

Hier sind die Abstände zwischen den Werten gleich groß, sodass Unterschiede sinnvoll berechnet werden können.

Allerdings besitzt sie keinen absoluten Nullpunkt. Deshalb können Verhältnisse ("doppelt so viel") nicht sinnvoll interpretiert werden.

Beispiele:

• Temperatur in °C oder °F

• Kalenderjahre

• IQ-Werte

Mit intervallskalierten Daten können unter anderem berechnet werden:

• Mittelwert

• Standardabweichung

• Korrelationen

• viele parametrische Tests

Merksatz:

Intervall = gleiche Abstände, aber kein echter Nullpunkt.

Die Ratioskala ist das höchste Skalenniveau und gehört ebenfalls zu den metrischen Skalen.

Wie bei der Intervallskala sind die Abstände zwischen den Werten gleich groß.

Zusätzlich besitzt die Ratioskala jedoch einen absoluten Nullpunkt. Dadurch können auch Verhältnisse sinnvoll interpretiert werden.

Beispiele:

• Alter

• Körpergröße

• Gewicht

• Einkommen

• Reaktionszeit

Hier sind alle mathematischen Operationen möglich.

Beispielsweise kann man sagen:

"20 kg sind doppelt so viel wie 10 kg."

Das wäre bei der Temperatur in °C nicht möglich.

Merksatz:

Ratio = gleiche Abstände + echter Nullpunkt.

Die deskriptive Statistik dient dazu, Daten zu organisieren, zu beschreiben und darzustellen.

Sie beantwortet beispielsweise:

• Wie sind die Daten verteilt?

• Wo liegen die meisten Werte?

• Wie stark streuen die Werte?

Zur Beschreibung werden verwendet:

• Lagemaße

• Streuungsmaße

• Tabellen

• Diagramme (z. B. Histogramme, Boxplots oder Streudiagramme)

Sie beschreibt nur die Stichprobe und trifft keine Aussagen über die Grundgesamtheit.

Lagemaße

Sie zeigen, wo das Zentrum einer Verteilung liegt.

Dazu gehören:

• Modus → häufigster Wert (Nominalskala)

• Median → mittlerer Wert (Ordinalskala)

• arithmetischer Mittelwert → Durchschnitt (metrische Daten)

Streuungsmaße

Sie beschreiben,

wie stark die Werte um das Zentrum streuen.

Bei metrischen Daten werden meist Mittelwert (M) und Standardabweichung (SD) gemeinsam berichtet.

Merksatz:

Lage = Wo? Streuung = Wie weit verteilt?

Bei der induktiven Statistik wollen wir die Erkenntnisse aus unseren Daten verallgemeinern, indem wir von Ergebnissen aus einer Stichprobe auf die Grundgesamtheit schleißen und Hypothesen tesen.

Merksatz:

Deskriptiv = beschreiben

Induktiv = verallgemeinern

Signifikanz beschreibt, ob ein beobachteter Unterschied oder Zusammenhang wahrscheinlich nicht zufällig entstanden ist.

Entscheidend ist der p-Wert.

• p < 0,05 → Ergebnis ist statistisch signifikant.

• p ≥ 0,05 → Ergebnis ist nicht statistisch signifikant.

Liegt p < α (meist 0,05), wird die Nullhypothese verworfen und die Alternativhypothese vorläufig akzeptiert.

Wichtig:

Eine statistische Signifikanz bedeutet nicht automatisch praktische Relevanz. Auch sehr kleine Effekte können signifikant sein.

Merksatz:

Signifikant ≠ wichtig.

Parametrische Tests

Voraussetzung:

• metrische Daten

• annähernde Normalverteilung

Beispiele:

• t-Test

• ANOVA

Nichtparametrische Tests

Werden verwendet,

wenn die Voraussetzungen parametrischer Tests nicht erfüllt sind.

Geeignet für:

• Ordinaldaten

• nicht normalverteilte metrische Daten

Beispiele:

• Mann-Whitney-U-Test

• Kruskal-Wallis-Test

Merksatz:

Normalverteilung → parametrisch keine Normalverteilung → nichtparametrisch

Datenkompetenz (Data Literacy) ist die Fähigkeit,

• Daten zu lesen,

• Daten zu verstehen,

• sie im richtigen Kontext einzuordnen,

• kritisch zu hinterfragen

• und für fundierte Entscheidungen zu nutzen.

Dafür braucht man kein Statistikexperte zu sein, sondern ein grundlegendes Verständnis von Datentypen, Analysen und Darstellungen.

Statistische Kennwerte können irreführend sein, wenn sie ohne Kontext betrachtet werden.

Ein Beispiel ist der Mittelwert:

Er reagiert empfindlich auf Ausreißer (Extremwerte).

Dadurch können zwei Datensätze denselben Median, aber sehr unterschiedliche Mittelwerte besitzen.

Deshalb sollten statistische Ergebnisse immer kritisch interpretiert und nicht nur einzelne Kennwerte betrachtet werden.

Merksatz:

Ein Mittelwert erzählt nie die ganze Geschichte.

Der Modus ist der am häufigsten vorkommende Wert in einem Datensatz.

Er zeigt also, welche Ausprägung am typischsten oder häufigsten vertreten ist.

Der Modus wird vor allem bei nominalskalierten Daten verwendet, da dort keine Reihenfolge oder Durchschnittswerte berechnet werden können.

Beispiel:

Lieblingsfarbe:

Blau – Rot – Blau – Grün – Blau – Rot

➡️ Modus = Blau

Wann verwendet?

• Nominalskala

• Häufigkeiten beschreiben

Merksatz:

Modus = der häufigste Wert.

Der Median ist der mittlere Wert eines geordneten Datensatzes.

Dazu werden alle Werte zunächst der Größe nach sortiert.

Der Median teilt die Daten in zwei gleich große Hälften:

• 50 % der Werte liegen darunter.

• 50 % der Werte liegen darüber.

Er eignet sich besonders für ordinalskalierte Daten und für Daten mit Ausreißern, da er von Extremwerten kaum beeinflusst wird.

Beispiel:

2 – 4 – 5 – 7 – 12

➡️ Median = 5

Merksatz:

Median = der Wert in der Mitte.

Der arithmetische Mittelwert ist der klassische Durchschnitt.

Er wird berechnet, indem alle Werte addiert und anschließend durch die Anzahl der Werte geteilt werden.

Er beschreibt den Schwerpunkt einer Verteilung und wird hauptsächlich bei metrischen Daten verwendet.

Beispiel:

Notenpunkte:

4 – 5 – 6

➡️ Mittelwert = (4 + 5 + 6) ÷ 3 = 5

Wichtig:

Der Mittelwert reagiert empfindlich auf Ausreißer.

Beispiel:

20.000 €, 22.000 €, 24.000 €, 250.000 €

Der Durchschnitt steigt stark an, obwohl fast alle Personen deutlich weniger verdienen.

Merksatz:

Mittelwert = Durchschnitt, aber empfindlich gegenüber Ausreißern.

Die Standardabweichung (SD) ist ein Streuungsmaß.

Sie beschreibt, wie weit die einzelnen Werte durchschnittlich vom Mittelwert entfernt liegen.

Je kleiner die Standardabweichung,

➡️ desto ähnlicher sind sich die Werte.

Je größer die Standardabweichung,

➡️ desto stärker streuen die Werte.

Beispiel:

Datensatz A:

49 – 50 – 50 – 51

➡️ kleine Standardabweichung

Datensatz B:

10 – 30 – 50 – 90

➡️ große Standardabweichung

Beide Datensätze können denselben Mittelwert besitzen, unterscheiden sich aber stark in ihrer Streuung.

Merksatz:

Standardabweichung = Wie weit liegen die Werte vom Durchschnitt entfernt?

Der Mittelwert und der Median beschreiben beide die Lage einer Verteilung, reagieren aber unterschiedlich auf Ausreißer.

Mittelwert

• berücksichtigt alle Werte

• reagiert empfindlich auf Extremwerte

• eignet sich besonders für metrische Daten ohne starke Ausreißer

Median

• ist der mittlere Wert

• bleibt auch bei Extremwerten relativ stabil

• eignet sich besonders bei schiefen Verteilungen oder Ausreißern

Beispiel:

20.000 €, 22.000 €, 24.000 €, 25.000 €, 500.000 €

• Median = 24.000 €

• Mittelwert = deutlich höher, weil das sehr hohe Einkommen den Durchschnitt nach oben zieht.

Merksatz:

Mittelwert = empfindlich gegenüber Ausreißern. Median = robust gegenüber Ausreißern.

Mit Hilfe der Gütekriterien

Reliabilität: die Zuverlässigkeit einer Messung

Validität: Die Gültigkeit der Messung

Objektivität: Die Unabhängigkeit der Ergebnisse vom Forschenden

(diese Gütekriterien überschneiden sich bei qualitativer und quantitativer Forschung)

darüberhinaus können noch weitere Kriterien genutzt werden (vorallem bei angewandter Forschung):

• Durchfühbarkeit

• Effizienz

• Relevanz

• Wirksamkeit

Obwohl beide wissenschaftlich arbeiten, verfolgen sie unterschiedliche Ziele.

Grundlagenforschung

Ziel ist es,

neues wissenschaftliches Wissen zu gewinnen.

Sie beantwortet grundlegende Fragestellungen und erweitert Theorien, ohne dass sofort ein praktischer Nutzen entstehen muss.

Die Themen können Forschende meist selbst wählen.

Beispiele:

• Wie entstehen Vorurteile?

• Wie funktioniert das menschliche Gedächtnis?

Anwendungsforschung

Hier steht die Lösung konkreter Probleme im Mittelpunkt.

Sie wird häufig von Unternehmen, Behörden oder anderen Auftraggebern finanziert.

Ziel ist es,

wissenschaftliche Erkenntnisse für die Praxis nutzbar zu machen.

Beispiele:

• Welche Werbekampagne wirkt besser?

• Wie kann Obdachlosigkeit reduziert werden?

Merksatz

Grundlagenforschung erklärt die Welt.

Anwendungsforschung verbessert die Welt.

Wichtig

Auch Anwendungsforschung muss wissenschaftlichen Qualitätskriterien entsprechen.

Umgekehrt profitiert die Anwendungsforschung häufig von Erkenntnissen der Grundlagenforschung.

Merksatz

Beide Forschungsarten sind wissenschaftlich – sie unterscheiden sich vor allem im Ziel.

Zur Bewertung wissenschaftlicher Projekte werden zunächst die bekannten Gütekriterien verwendet.

Diese sind:

• Validität

• Reliabilität

• Objektivität

Bei angewandter Forschung kommen zusätzlich weitere Kriterien hinzu:

• Durchführbarkeit

• Effizienz

• Relevanz bzw. Wirksamkeit

Gemeinsam helfen diese Kriterien dabei einzuschätzen,

• ob eine Studie wissenschaftlich sauber durchgeführt wurde,

• ob ihre Ergebnisse vertrauenswürdig sind,

• und ob sie in der Praxis tatsächlich einen Nutzen haben.

Merksatz

Gute Forschung muss wissenschaftlich korrekt UND praktisch sinnvoll sein.

Validität = Grad, in dem die Studie glaubwürdig, genau und frei von Verzerrungen ist.

• das ist erfüllt, wenn Studie das tut, was sie vorgibt zu tun und Daten angemessen wiedergibt

-> dafür müssen Verzerrungen und Vergälschungen von Forscherinnen eliminiert werden

Validitätsprobleme können während des gesamten Forschungsprozesses entstehen, zum Beispiel bei

• der Definition der Forschungsfrage,

• der Stichprobenauswahl,

• der Formulierung der Fragen,

• der Datenerhebung,

• der Datenanalyse

• oder der Interpretation der Ergebnisse.

Deshalb gilt Validität als eines der wichtigsten Qualitätskriterien wissenschaftlicher Forschung.

Merksatz

Validität = Messen wir wirklich das Richtige?

Eine Studie verliert an Validität, wenn sie systematisch falsche oder verzerrte Informationen erzeugt.

Typische Beispiele sind:

Falsche Annahmen

Forscher gehen von unbegründeten Voraussetzungen aus.

Beispiel:

„Alle obdachlosen Menschen besitzen keine beruflichen Fähigkeiten."

Dadurch entstehen möglicherweise ungeeignete Handlungsempfehlungen.

Suggestivfragen

Die Fragestellung lenkt Befragte bereits in eine bestimmte Richtung.

Beispiel:

"Finden Sie nicht auch, dass ...?"

Dadurch werden Antworten beeinflusst.

Selektive Datenauswertung

Nur bestimmte Daten werden berücksichtigt, während widersprüchliche Informationen ignoriert werden.

Dadurch entstehen verzerrte Schlussfolgerungen.

Merksatz

Jede Phase einer Studie kann die Validität gefährden. Deshalb müssen Verzerrungen möglichst früh erkannt und reduziert werden.

Reliabilität beschreibt die Zuverlässigkeit einer Messung. Eine Studie ist reliabel, wenn sie bei einer Wiederholung unter denselben Bedingungen zu ähnlichen Ergebnissen führt.

Wichtige Merkmale:

• Wiederholbarkeit der Ergebnisse

• stabile Messungen

• unabhängiger von Zufällen

Beispiel: Wird dieselbe Umfrage erneut durchgeführt und liefert ähnliche Ergebnisse, spricht das für eine hohe Reliabilität.

Merksatz:

Reliabilität = gleiche Messung → gleiches Ergebnis.

Objektivität bedeutet, dass die Ergebnisse nicht von der Person der Forschenden beeinflusst werden.

Sie betrifft:

• standardisierte Durchführung

• neutrale Auswertung

• sachliche Interpretation

Merksatz:

Objektivität = Die Daten bestimmen das Ergebnis – nicht die Forschenden.

Validität wird erhöht, indem Verzerrungen im gesamten Forschungsprozess vermieden werden.

Wichtige Maßnahmen:

• eigene Vorurteile reflektieren (Critical Thinking)

• unabhängig von Auftraggebern bleiben

• verschiedene Perspektiven im Forschungsteam

• externe Überprüfung des Forschungsdesigns

• gemeinsame Datenerhebung und -analyse

Merksatz:

Validität entsteht durch kritisches Hinterfragen aller Forschungsschritte.

Wichtige Maßnahmen:

• standardisierte Messinstrumente

• validierte Skalen oder Pilotstudien

• vollständige Dokumentation

• Replikationen bzw. Test-Retest

• Interrater-Reliabilität

• Triangulation verschiedener Methoden

Merksatz:

Je besser eine Studie dokumentiert und wiederholbar ist, desto höher ihre Reliabilität.

• Confirmation Bias: nur bestätigende Informationen berücksichtigen

• Selection Bias: nicht repräsentative Stichprobe

• Measurement Bias: Messinstrument beeinflusst Ergebnisse

• Observer Bias: Forschende beeinflussen Datenerhebung

• Publication Bias: nur signifikante Ergebnisse werden veröffentlicht

• Funding Bias: wirtschaftliche Interessen beeinflussen Ergebnisse

Merksatz:

Biases führen zu systematischen Verzerrungen der Forschung.

Effizienz

Forschungsziele mit möglichst wenig Zeit, Kosten und Ressourcen erreichen.

Durchführbarkeit

Das Forschungsprojekt muss mit den vorhandenen Mitteln realistisch umsetzbar sein.

Relevanz (Wirksamkeit)

Die Studie erreicht ihre Ziele und liefert einen praktischen Nutzen bzw. konkrete Handlungsempfehlungen.

Merksatz:

Gute Forschung ist wissenschaftlich hochwertig, realistisch umsetzbar und praktisch nützlich.

Ethik stellt sicher, dass Forschung verantwortungsvoll durchgeführt wird und weder Menschen noch Tiere geschädigt werden.

Ziele:

• Schutz der Teilnehmenden

• glaubwürdige Forschung

• Einhaltung wissenschaftlicher Standards

Merksatz:

Gute Forschung ist wissenschaftlich und ethisch korrekt.

• Freiwilligkeit und informierte Einwilligung

• Schutz vor Beeinträchtigung und Schädigung

• Anonymisierung und Vertraulichkeit der Daten

Merksatz:

Einwilligung – Schutz – Datenschutz.

Integrität bedeutet, ethische Grundsätze konsequent und glaubwürdig einzuhalten.

Sie ist die Grundlage verantwortungsvoller wissenschaftlicher Arbeit.

Wichtige Werte:

• Ehrlichkeit

• Objektivität

• Verantwortlichkeit

• Authentizität

• Einwilligung

• Sorgfalt

Merksatz:

Integrität = konsequentes Handeln nach ethischen Grundsätzen.

Objektivität bedeutet, Schlussfolgerungen auf Grundlage der Beweise zu ziehen und persönliche Interessen außen vor zu lassen.

Wichtig:

• vollständige Veröffentlichung der Ergebnisse

• keine Beeinflussung durch Interessenkonflikte

• betrifft den gesamten Forschungsprozess

Merksatz:

Objektivität = Die Daten entscheiden, nicht persönliche Interessen.

Ehrlichkeit bedeutet, den Forschungsprozess transparent darzustellen.

Dazu gehört:

• Methoden offenlegen

• Ergebnisse vollständig berichten

• Vertraulichkeit sensibler Daten wahren

Merksatz:

Ehrlichkeit = Transparenz ohne Datenschutz zu verletzen.

Forschende tragen Verantwortung für ihre eigene Arbeit und die ihres Teams.

Dazu gehört:

• vollständige Dokumentation

• nachvollziehbare Forschung

• Verantwortung für Veröffentlichungen übernehmen

Merksatz:

Verantwortlichkeit = Für Forschung und Ergebnisse geradestehen.

Authentizität bedeutet, Ergebnisse wahrheitsgemäß und unverfälscht darzustellen.

Verstöße sind:

• Erfinden von Daten (Fabrication)

• Manipulation von Daten (Falsification)

• Plagiat

Merksatz:

Authentizität = Keine erfundenen, manipulierten oder gestohlenen Ergebnisse.

Compliance bedeutet, Gesetze und ethische Regeln einzuhalten und Fehlverhalten zu melden (Whistleblowing).

Sorgfalt bedeutet, Forschung professionell und am Gemeinwohl orientiert durchzuführen sowie Schäden für Teilnehmende zu vermeiden.

Merksatz:

Compliance = Regeln einhalten. Sorgfalt = Verantwortungsvoll handeln.

Die wissenschaftliche Community fördert Integrität durch:

• Regeln guter wissenschaftlicher Praxis

• verantwortungsvolle Teamarbeit und Autorenschaft

• Peer Review

• Ethikkommissionen (IRB)

Merksatz:

Integrität wird durch klare Regeln und gegenseitige Kontrolle gesichert.

Open Science fördert Transparenz durch das Teilen von Daten und Materialien.

Präregistrierung bedeutet, dass Forschende ihren Studien- und Auswertungsplan vor Beginn der Datenerhebungveröffentlichen.

Vorteil:

• verhindert p-Hacking (Signifikanzfischen)

• erhöht Transparenz und Glaubwürdigkeit

Merksatz:

Präregistrierung = erst planen, dann forschen.

Besonders sensibel sind:

• innovative Methoden

• Ton- oder Videoaufzeichnungen

• Abhängigkeitsverhältnisse (z. B. eigene Studierende)

• eingeschränkte Einwilligungsfähigkeit

Merksatz:

Je höher das Risiko oder die Abhängigkeit, desto wichtiger ist die Einwilligung.

Täuschung ist nur in Ausnahmefällen zulässig, wenn:

• sie wissenschaftlich notwendig ist,

• keine bessere Alternative existiert,

• Teilnehmende keinen Schaden erleiden.

Anschließend ist ein Debriefing verpflichtend.

Debriefing:

• Aufklärung über den wahren Zweck

• Möglichkeit, die Einwilligung nachträglich zurückzuziehen

Merksatz:

Täuschung nur ausnahmsweise – Debriefing immer.

Forschende sollen:

• für Inhalte verantwortlich bleiben,

• KI transparent kennzeichnen,

• Datenschutz und Urheberrechte beachten,

• sich regelmäßig weiterbilden,

• KI bei sensiblen Tätigkeiten möglichst vermeiden.

Merksatz:

KI unterstützt Forschung – die Verantwortung bleibt beim Menschen.

iIntegrität st entscheidend für ethisches Handeln.

Als Kompass in der Forschung werden diese Werte genutzt:

• Ehrlichkeit

• Objektivität

• Verantwortlichkeit

• Authentizität

• Einwilligung

• Sorgfalt