Human-Centered Workflow für die Nutzung von LLMs in der Inhaltsanalyse

Viele Forscher greifen heute auf große Sprachmodelle (LLMs) über Chat‑Schnittstellen zu, doch das wahre Potenzial entfaltet sich erst, wenn LLMs über APIs in die eigene Analysepipeline integriert werden. In der neuen Studie wird ein umfassender, menschenzentrierter Workflow vorgestellt, der LLMs als universelle Textverarbeitungsmaschinen nutzt.

Der Ansatz deckt drei zentrale Aufgaben der Inhaltsanalyse ab: (1) Annotation – das umfasst qualitative Codierung, Labeling und Textklassifikation; (2) Zusammenfassung, um große Textmengen kompakt darzustellen; und (3) Informationsgewinnung, bei der gezielt relevante Datenpunkte extrahiert werden.

Ein zentrales Merkmal des Workflows ist die konsequente Einbindung des Forschenden. Jede Phase – von der Konzeption über die Überwachung bis hin zur Validierung – wird von Menschen gestaltet und kontrolliert, um wissenschaftliche Rigorosität und Transparenz sicherzustellen.

Die Methodik stützt sich auf umfangreiche Literatur aus Politikwissenschaft, Soziologie, Informatik, Psychologie und Management. Dadurch werden interdisziplinäre Erkenntnisse zu einem einheitlichen Leitfaden zusammengeführt.

Um typische Schwächen von LLMs zu adressieren, werden klare Validierungsprozeduren und Best Practices vorgestellt. Dazu gehören Strategien gegen die Black‑Box-Natur der Modelle, die Sensitivität gegenüber Prompt‑Formulierungen und die Neigung zu Halluzinationen.

Für die praktische Umsetzung stellt die Studie eine Prompt‑Bibliothek sowie Python‑Code im Jupyter‑Notebook-Format bereit. Detaillierte Anleitungen begleiten die Materialien, sodass Forscher den Workflow unmittelbar in eigenen Projekten einsetzen können.

Insgesamt liefert die Arbeit einen praxisnahen, transparenten Leitfaden, der die robuste und nachvollziehbare Nutzung von LLMs in der qualitativen und quantitativen Inhaltsanalyse ermöglicht.