KI-gestützte Funktionen im Überblick
Askalot unterstützt den gesamten Ablauf der Umfrageforschung mit KI: Sie entwerfen Umfragen, führen sie durch und werten sie effizienter aus, ohne auf formale mathematische Strenge zu verzichten.
Der KI-gestützte Ablauf
Abschnitt betitelt „Der KI-gestützte Ablauf“KI-Funktionen sind in jede Phase des Umfrage-Lebenszyklus eingebettet:
Funktionen im Überblick
Abschnitt betitelt „Funktionen im Überblick“| Funktion | Phase | Zweck | Wichtigste Fähigkeiten |
|---|---|---|---|
| Fragebogenerstellung | Design | Den Forschungsbericht in validiertes QML umsetzen | Designer-Agent mit Sub-Agenten für Recherche, Planung, Schreiben und Prüfung, semantische Indexierung, SMT-Validierung |
| Kampagnenverwaltung | Kampagne | Einrichtung und Durchführung von Kampagnen begleiten | Geführter Assistent, Chat-Oberfläche, Entwurf der Stichprobenstrategie |
| Antwortgenerierung | Durchführung | Kampagnen mit synthetischen Daten simulieren | Persona-Profile, realistische Antworten, Test der Pipeline |
| Ergebnisanalyse | Analyse | Datenqualität bewerten und Berichte erstellen | Repräsentativität der Stichprobe, Kennzahlen der Antwortqualität, Berichte des Analyst-Agenten |
| KI-Funktionen und Modelloptionen | Alle | Referenz: welches Modell welche KI-Funktion ausführt | Embedding, Layouterkennung, OCR (geplant), Extraktion, Re-Ranking, Codierung offener Antworten, Reasoning – was jede Funktion voraussetzt und was Sie wählen können |
Die KI-Agenten
Abschnitt betitelt „Die KI-Agenten“Die KI-Unterstützung von Askalot leisten vier übergeordnete Agenten, von denen jeder eine Phase des Forschungsprozesses verantwortet. Drei von ihnen steuern spezialisierte Sub-Agenten – fokussierte Helfer, denen sie jeweils eine einzelne, klar umrissene Aufgabe übertragen –, während der Befragten-Agent allein arbeitet. Alle Agenten laufen auf Claude und stützen sich auf die verdichteten Methodik-Skills von Askalot; braucht eine Frage belegbare Evidenz, greifen sie auf die Bibliothek begutachteter Methodenliteratur zurück.
| Agent | Phase | Aufgabe | Spezialisierte Sub-Agenten |
|---|---|---|---|
| Designer | Design | Macht aus einem Forschungsbericht und hochgeladenen Dokumenten einen formal verifizierten QML-Fragebogen: Er recherchiert das Quellmaterial, plant die Struktur, schreibt jeden Abschnitt und prüft den fertigen Entwurf. | Forschungsassistent – analysiert Referenzdokumente und entwirft den strukturierten Forschungsbericht QML-Planer – zerlegt den Bericht in einen geordneten Kapitelplan QML-Autor – schreibt das formal verifizierte QML Kapitel für Kapitel Design-Prüfer – bewertet die Designqualität des gespeicherten, fehlerfreien Fragebogens und liefert eine Bewertungsübersicht |
| Manager | Kampagne | Steuert den Lebenszyklus der Kampagne: Entwurf der Stichprobenstrategie, Erzeugung des Befragtenpools, Anlegen der Kampagne und Überwachung der Feldphase. | Feldsupervisor – überwacht die laufende Datenerhebung (Rücklaufquoten, Abdeckung der Segmente, Qualitätshinweise) und empfiehlt Anpassungen bei Quoten, Zielgruppenauswahl oder Zeitplan |
| Analyst | Analyse | Bewertet die erhobenen Ergebnisse und fasst sie in einem gemeinsamen Bericht zusammen, der sowohl die statistische Datenqualität abdeckt als auch die Frage, ob die Daten die ursprünglichen Forschungsziele beantworten. | Qualitätsanalyst – statistische Bewertung der Datenqualität (Repräsentativität, Wirksamkeit der Gewichtung, Antwortqualität) Forschungsbewerter – gleicht die Ergebnisse mit den Forschungsfragen, Erfolgskriterien und Anforderungen des Forschungsberichts ab |
| Befragten-Agent | Durchführung | Füllt Umfragen als simulierte befragte Person aus, passend zu einer demografischen Persona und zum Interviewer-Briefing der Studie – für Tests, Validierung und Demos. | (keine – arbeitet eigenständig) |
Jeder übergeordnete Agent entscheidet selbst, wann er übergibt: Der Designer überträgt Recherche, Planung, das Inventar des Fragebogens und dessen Prüfung, das Schreiben sowie die Designprüfung an seine sechs Spezialisten; der Manager reicht Fragen zur laufenden Feldphase an den Feldsupervisor weiter; der Analyst teilt die Bewertung in einen Durchgang zur Datenqualität und einen zu den Forschungszielen auf und führt beide anschließend zusammen. Durch die Delegation an fokussierte Sub-Agenten bleibt das Denken jedes Agenten präzise, und die Spezialisten können tiefgehende, aufgabenspezifische Skills mitbringen.
KI-gestützte Fragebogenerstellung
Abschnitt betitelt „KI-gestützte Fragebogenerstellung“Phase: Design | Tool: Armiger
Machen Sie mit dem Designer-Agenten und seinen spezialisierten Sub-Agenten aus Ihren Quelldokumenten und Ihrem Forschungsbericht formal verifizierte QML-Fragebögen.
In einer einzigen, durchgehenden Konversation delegiert der Designer an einen Forschungsassistenten, der hochgeladene Dokumente (PDFs, Spezifikationen, Vorschriften) analysiert und einen strukturierten Forschungsbericht entwirft, an einen QML-Planer, der den Bericht in einen geordneten Kapitelplan überführt, an einen QML-Autor, der formal verifiziertes QML Kapitel für Kapitel schreibt und jedes davon mit dem Z3-SMT-Solver validiert, und an einen Design-Prüfer, der die Designqualität des fertigen Fragebogens bewertet.
KI-gestützte Kampagnenverwaltung
Abschnitt betitelt „KI-gestützte Kampagnenverwaltung“Phase: Kampagne | Tool: Targetor
Zwei sich ergänzende Oberflächen für Einrichtung und Verwaltung von Kampagnen.
Kampagnen-Assistent
Abschnitt betitelt „Kampagnen-Assistent“Geführter, mehrstufiger Ablauf für Einsteiger:
- Kampagnendesign – Name, Auswahl des Fragebogens, Modus
- Zielgruppe – Demografie, Stichprobengröße
- Stichprobenstrategie – Schichtungsmerkmale, Verteilungen
- Befragtenpool – Pool erzeugen und seine Qualität in der Vorschau prüfen
- Prüfen und starten – Zusammenfassung, Validierung, Bereitstellung
Chat-Oberfläche
Abschnitt betitelt „Chat-Oberfläche“Dialogoberfläche auf Abruf für erfahrene Nutzer:
- „Diese beiden Pools zusammenführen, um mehr Befragte zu bekommen“
- „Welche Interviewer haben die niedrigsten Abschlussquoten?“
- „Einen neuen Pool nur mit Befragten zwischen 25 und 34 Jahren anlegen“
- „Die Rücklaufquoten der Kampagnenversionen vergleichen“
Agentenbasierte Antwortgenerierung
Abschnitt betitelt „Agentenbasierte Antwortgenerierung“Phase: Durchführung | Tool: Portor MCP (mass_fill_surveys + get_task_status)
Erzeugen Sie synthetische Umfragedaten für Tests, Validierung und Demos. mass_fill_surveys legt eine Hintergrundaufgabe an, die Portors eigener Worker ausführt: Das Tool gibt sofort eine task_id zurück, und der Aufrufer fragt get_task_status ab, bis die Aufgabe abgeschlossen ist. Vier Verteilungsstrategien stehen zur Wahl, um Geschwindigkeit und Antwortqualität abzuwägen:
Verteilungsstrategien
Abschnitt betitelt „Verteilungsstrategien“| Strategie | Verfahren | Geschwindigkeit | Qualität | Geeignet für |
|---|---|---|---|---|
realistic |
Gewichteter Zufall | Sofort | Mittel | Standard – demografisch beeinflusste Antworten |
random |
Gleichverteilter Zufall | Sofort | Niedrig | Belastungstests, Aufspüren von Randfällen |
stratified |
Schichtgerecht | Sofort | Mittel | Quotenausgeglichene Stichproben |
llm |
Claude Haiku | ~1 s/Frage | Hoch | Realistische synthetische Daten, Demos, Präsentationen |
Der Modus llm liefert die hochwertigsten synthetischen Daten: Claude Haiku beantwortet jede Frage mit dem vollständigen Persona-Profil, der Demografie der befragten Person und dem bisherigen Frage-Antwort-Verlauf, damit die Antworten innerhalb der Umfrage stimmig bleiben. Wer „arbeitslos“ angibt, beschreibt später keinen Arbeitsplatz.
Regelbasierte Modi (realistic, random) wählen Antworten gewichtet zufällig anhand der Persona-Merkmale – schneller für umfangreiche Pipeline-Tests, bei denen die Antwortqualität weniger zählt.
KI-gestützte Ergebnisanalyse
Abschnitt betitelt „KI-gestützte Ergebnisanalyse“Phase: Analyse | Tool: Balansor
Bewerten Sie die Qualität Ihrer Umfragedaten in zwei Dimensionen und erstellen Sie methodisch fundierte Berichte.
Zwei Qualitätsdimensionen
Abschnitt betitelt „Zwei Qualitätsdimensionen“| Dimension | Kennzahlen | Beantwortete Frage |
|---|---|---|
| Repräsentativität der Stichprobe | RMSE, MAE, Chi-Quadrat, Max. Abweichung, Qualitätswert | Entspricht die Stichprobe der Zielpopulation? |
| Antwortqualität | Normalisierte Entropie, Straightlining, Cronbachs Alpha, Zustimmungstendenz | Sind die Antworten verlässlich und aussagekräftig? |
Der Analyst-Agent
Abschnitt betitelt „Der Analyst-Agent“Der Analyst-Agent führt Tools zur Qualitätsbewertung über MCP aus, sammelt den Kontext der Kampagne und erstellt einen strukturierten Bericht:
- Zusammenfassung für Entscheider – Eignung für den Zweck insgesamt
- Repräsentativität der Stichprobe – Aufschlüsselung je Merkmal mit konkreten Zahlen
- Bewertung der Gewichtung – Analyse der Verbesserung von Bronze zu Silver
- Zentrale Ergebnisse – datengestützte Beobachtungen
- Empfehlungen – priorisierte, umsetzbare nächste Schritte
Der Agent stützt sich auf etablierte Umfragemethodik (AAPOR, Kish, Groves, Krosnick, ESOMAR) und deutet statistische Kennzahlen im praktischen Forschungskontext.
Fundiert in begutachteter Methodenliteratur
Abschnitt betitelt „Fundiert in begutachteter Methodenliteratur“Die Agenten Designer, Manager und Analyst von Askalot greifen auf eine gemeinsame Bibliothek mit 24 begutachteten Büchern und Fachartikeln zur Umfragemethodik zurück (Dillman, Krosnick, Groves, Tourangeau, Bethlehem, Heeringa, Schouten, Fowler und andere). Sie deckt den gesamten Forschungsprozess ab — Design, Stichprobe, Feldphase, Analyse, Gewichtung — und wird genutzt, wenn eine Frage über die eingebauten Skills hinausgeht oder eine Empfehlung belegbare Evidenz braucht.
Die Bibliothek ist eine graphbasierte Wissensbasis aus dem mit Docling erzeugten Markdown jedes Artikels. Sie liegt im Vektor- und Graph-Backend von LightRAG und lässt sich in fünf Modi abfragen (Schlüsselwort, entitätszentriert, konzeptzentriert, hybrid und gemischt). Wenn sich die Agenten auf die Bibliothek stützen, nennen sie Artikel, Jahr und Abschnitt, sodass Forschende die Aussage direkt prüfen können.
| Agent | Themen, für die er die Bibliothek nutzt |
|---|---|
| Designer | Validität und Reliabilität (Taherdoost, Aithal), Fragebogenlogik und Filterführung (Fagan & Greenberg, Elliott, Feeney & Feeney, Schiopu-Kratina, Manski & Molinari), Frageformulierung und Antwortskalen (Krosnick, Bradburn, Fowler) |
| Manager | Stichprobendesign, Schichtung, Klumpenstichproben, Designeffekte und Grundlagen der Gewichtung (Heeringa, Bethlehem, Schouten), adaptives Umfragedesign |
| Analyst | Total Survey Error (TSE), Nonresponse-Bias, Raking und Nachschichtung, Rahmenwerke zur Antwortqualität |
Die Bibliothek wird bei Bedarf herangezogen: Für Routinefragen nutzen die Agenten ihre verdichteten Skills, damit die Antwortzeit kurz bleibt, und greifen nur dann auf den gesamten Korpus zurück, wenn Sie eine Quellenangabe wünschen oder die Frage außerhalb des Skills liegt.
Zusammenspiel der Phasen
Abschnitt betitelt „Zusammenspiel der Phasen“Die KI-Funktionen greifen nahtlos ineinander:
Vom Dokument zu den Daten
Abschnitt betitelt „Vom Dokument zu den Daten“Research Documents ↓ [AI Questionnaire Generation]QML Questionnaire ↓ [AI Campaign Management]Campaign with Sampling Strategy ↓ [Agentic Response Generation - optional]Survey Responses (real or simulated) ↓ [AI Result Analysis]Insights and ReportsGemeinsamer Kontext
Abschnitt betitelt „Gemeinsamer Kontext“Die KI-Assistenten teilen ihren Kontext über den gesamten Ablauf:
- Die Dokumentanalyse des Designers fließt in seine QML-Erzeugung ein
- Die Struktur des Fragebogens prägt die Empfehlungen zur Stichprobenstrategie
- Die Demografie der Kampagne bestimmt die Auswahl der Personas für die Simulation
- Umfrageantworten fließen direkt in die Analysewerkzeuge
- Erkenntnisse können Überarbeitungen des Fragebogens anstoßen (der Kreis schließt sich)
Abgrenzung nach Projekt
Abschnitt betitelt „Abgrenzung nach Projekt“In nicht privaten Organisationen sind KI-indexierte Dokumente auf das aktive Projekt beschränkt, sodass Forschungsmaterial innerhalb der Teamgrenzen bleibt; die KI-Sitzungen jeder Person beginnen in ihrem Standardprojekt. In privaten Organisationen werden indexierte Dokumente organisationsweit geteilt (Datenfreigabe in Organisationen). Diese Abgrenzung gilt im gesamten Ablauf – von der Indexierung der Dokumente bis zum Zugriff des Designer-Agenten auf die MCP-Tools, wenn er QML schreibt und validiert.
KI-Anbieter
Abschnitt betitelt „KI-Anbieter“Alle Aufgaben der KI-Agenten in Askalot laufen auf den Claude-Modellen von Anthropic, die die Plattform über eines von zwei Gateways erreicht:
| Gateway | Modelle | Geeignet für |
|---|---|---|
| Anthropic API | Claude Opus, Sonnet, Haiku | Schlüssel mit nutzungsbasierter Abrechnung |
| AWS Bedrock | Claude Opus, Sonnet, Haiku | Unternehmensumgebungen, die AWS IAM, VPC und Kontrolle über den Datenstandort benötigen |
Sie verwenden Ihre eigenen API-Zugangsdaten – es gibt keine Anbieterbindung auf Kontoebene, und mit Bedrock bleibt der gesamte Datenverkehr eines Unternehmens in dessen eigenem AWS-Konto. Ihren Anbieter wählen Sie ausdrücklich unter Profileinstellungen → KI-Modelle.
„KI“ heißt hier nicht, dass ein einziges Modell alles erledigt: Embedding, Layoutanalyse von Dokumenten und Re-Ranking von Textstellen laufen auf Askalots eigener Hardware, die generative Arbeit dagegen auf Claude über den von Ihnen gewählten Anbieter. Was davon Sie konfigurieren können und was geschieht, wenn Zugangsdaten fehlen, ist Funktion für Funktion unter KI-Funktionen und Modelloptionen beschrieben.
Erste Schritte
Abschnitt betitelt „Erste Schritte“-
Einen Fragebogen entwerfen
Machen Sie aus Ihrem Forschungsbericht eine validierte Umfrage
-
Eine Kampagne einrichten
Konfigurieren Sie Ihre Kampagne mit dem geführten Assistenten oder im Chat
-
Mit einer Simulation testen
Prüfen Sie Ihre Kampagne mit synthetischen Befragten
-
Ergebnisse analysieren
Gewinnen Sie Erkenntnisse aus Ihren Umfragedaten
Weiterführende Dokumentation
Abschnitt betitelt „Weiterführende Dokumentation“- Überblick über das Benutzerhandbuch – der vollständige Ablauf auf der Plattform
- QML-Syntax – Spezifikation der Fragebogensprache
- MCP-Schnittstelle – Tools, die KI-Agenten zur Verfügung stehen