Zum Inhalt springen
Wissensdatenbank

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.

KI-Funktionen sind in jede Phase des Umfrage-Lebenszyklus eingebettet:

1. Design2. Kampagne3. Durchführung4. AnalyseForschungsberichtForschungsassistentKapitel des ForschungsberichtsDesignerSMT-ValidierungGeführter AssistentStrategieentwurfPool-ErzeugungStartEchte BefragteUmfrage abschließenPersona-SimulationBronze-DatensatzQualitätskennzahlenAnalyst-AgentStrukturierter Bericht
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-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.


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.

→ Mehr erfahren


Phase: Kampagne | Tool: Targetor

Zwei sich ergänzende Oberflächen für Einrichtung und Verwaltung von Kampagnen.

Geführter, mehrstufiger Ablauf für Einsteiger:

  1. Kampagnendesign – Name, Auswahl des Fragebogens, Modus
  2. Zielgruppe – Demografie, Stichprobengröße
  3. Stichprobenstrategie – Schichtungsmerkmale, Verteilungen
  4. Befragtenpool – Pool erzeugen und seine Qualität in der Vorschau prüfen
  5. Prüfen und starten – Zusammenfassung, Validierung, Bereitstellung

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“

→ Mehr erfahren


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:

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.

→ Mehr erfahren


Phase: Analyse | Tool: Balansor

Bewerten Sie die Qualität Ihrer Umfragedaten in zwei Dimensionen und erstellen Sie methodisch fundierte Berichte.

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 führt Tools zur Qualitätsbewertung über MCP aus, sammelt den Kontext der Kampagne und erstellt einen strukturierten Bericht:

  1. Zusammenfassung für Entscheider – Eignung für den Zweck insgesamt
  2. Repräsentativität der Stichprobe – Aufschlüsselung je Merkmal mit konkreten Zahlen
  3. Bewertung der Gewichtung – Analyse der Verbesserung von Bronze zu Silver
  4. Zentrale Ergebnisse – datengestützte Beobachtungen
  5. Empfehlungen – priorisierte, umsetzbare nächste Schritte

Der Agent stützt sich auf etablierte Umfragemethodik (AAPOR, Kish, Groves, Krosnick, ESOMAR) und deutet statistische Kennzahlen im praktischen Forschungskontext.

→ Mehr erfahren


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.


Die KI-Funktionen greifen nahtlos ineinander:

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 Reports

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)

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.


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.