Zum Inhalt springen
Wissensdatenbank

Einführung in Askalot

Askalot ist das Research Operating System mit mathematisch verifizierten Fragebögen. Eine einzige Plattform begleitet Forschende durch den gesamten Lebenszyklus – Ideenfindung → Design → Kampagne → Durchführung → Analyse der Datenqualität –, koordiniert durch einen zentralen Forschungsbericht, aus dem jeder KI-Agent liest und in den er schreibt. Ein formaler mathematischer Beweis bestätigt vor der Feldphase, dass die Logik des Fragebogens stimmig ist; die Analysephase misst und belegt den entstandenen Datensatz, statt ihn nur zu exportieren.

  • Akademische Einrichtungen: Universitäten und Forschungszentren, die wissenschaftlich forschen
  • Marktforschungsunternehmen: Kommerzielle Organisationen, die Forschungsprojekte durchführen
  • Behörden: Politikforschung und Messung der öffentlichen Meinung
  • NGOs und Thinktanks: Organisationen für evidenzbasierte Forschung und Interessenvertretung
Rolle Aufgabe
Fragebogendesigner Erstellt in Armiger Erhebungsinstrumente mit korrekter Logik und korrektem Ablauf
Feldarbeitsleitung Koordiniert in Targetor Datenerhebungskampagnen und die Auswahl der Teilnehmenden
Interviewer Führt in SirWay persönliche oder telefonische Interviews und erfasst dabei die Antworten für die Befragten
Befragte Person Füllt Umfragen über Magic Links oder mit Unterstützung eines Interviewers aus
Datenanalyst Verarbeitet und exportiert in Balansor die erhobenen Umfragedaten

QML: eine domänenspezifische Sprache für Fragebögen

Abschnitt betitelt „QML: eine domänenspezifische Sprache für Fragebögen“

QML (Questionnaire Markup Language) ist eine YAML-basierte domänenspezifische Sprache, die eigens für die KI-gestützte Fragebogenerstellung entwickelt wurde. QML nutzt eine deklarative Syntax mit mathematischer Semantik: Die KI kann sich auf die Frageninhalte konzentrieren, während SMT-Solver die logische Validierung übernehmen.

Heutige KI-Werkzeuge tun sich mit komplexen Umfragen schwer, weil Large Language Models einer erdrückenden kognitiven Last ausgesetzt sind, wenn sie gleichzeitig:

  • inhaltlich sinnvolle Fragen formulieren
  • bedingte Abhängigkeiten zwischen Fragen verfolgen
  • logische Konsistenz über alle Pfade sicherstellen
  • die richtige Reihenfolge und den richtigen Ablauf der Fragen einhalten
  • Widersprüche und unerreichbare Sackgassen vermeiden sollen

QML löst dieses Problem durch eine Trennung der Zuständigkeiten – die KI erzeugt Fragen, SMT validiert die Logik:

  • Deklarative Syntax: Fragen werden mit Vor- und Nachbedingungen definiert, nicht als sequenzielle Abläufe
  • Mathematische Semantik: Jedes QML-Konstrukt hat eine formale mathematische Bedeutung, die Z3 verifiziert
  • Trennung der Zuständigkeiten: Die KI erzeugt aussagekräftige Fragen, SMT-Solver sichern die logische Konsistenz
  • Menschenlesbares Format: YAML mit diagrammbasierter Navigation macht Fragebögen auch für Nicht-Programmierer zugänglich

Diese Trennung entlastet die KI davon, komplexe bedingte Abhängigkeiten, logische Konsistenz und die Ablaufreihenfolge zu verfolgen. Sie kann sich ganz auf inhaltlich sinnvolle Fragen konzentrieren, während die mathematische Validierung die Komplexität beherrscht.

Ausführliche Dokumentation finden Sie unter QML-Syntax.

Askalot liefert jede Umfragefrage als universelles JSON-Dokument zur Darstellung aus, sodass sich Umfragen nahtlos in jede Anwendung integrieren lassen. Ein Fragebogen ist die verifizierte Vorlage; eine Umfrage ist die Sitzung einer befragten Person darin. Das Presentation Format beschreibt immer die nächste Frage einer laufenden Umfrage, berechnet aus den bisherigen Antworten der befragten Person. Jeder Schritt enthält alle Informationen, die zur Darstellung der Frage nötig sind:

  • Titel und Text: Der Fragentitel und ein optionaler beschreibender Text
  • Spezifikation des Steuerelements: Art des Steuerelements (Text, Radio, Checkbox, Dropdown, Slider, Switch) mit seiner Konfiguration
  • Darstellungsfertige Optionen: Die gültigen Antwortoptionen, bereits aus dem Steuerelement extrahiert – ganzzahlige Antwortcodes mit ihren Anzeigebeschriftungen
  • Serverseitige Validierung: Antworten werden beim Absenden anhand der QML-Nachbedingungen geprüft – abgelehnte Antworten liefern den Hinweistext der Frage zurück

Diese JSON-Darstellung macht die Integration denkbar einfach, denn:

  1. Keine vorgegebenen UI-Komponenten: Anwendungen verwenden die Komponenten ihres eigenen UI-Frameworks
  2. Kein eigenes CSS nötig: Das Styling entspricht dem bestehenden Design Ihrer Anwendung
  3. Einheitliches Markenbild: Fragen übernehmen ganz von selbst das Erscheinungsbild Ihrer Anwendung
  4. Flexible Frameworks: Funktioniert mit React, Vue, Angular, reinem JavaScript oder jeder anderen Frontend-Technologie

So kann jede Anwendung Umfragen mit ihren eigenen Komponenten darstellen, während die QML-Engine die vollständige logische Validierung behält. Die vollständige Formatreferenz und die Ablaufschleife beschreibt Survey Presentation Format.

Die vier Dienste bilden einen integrierten Workflow, koordiniert durch den Forschungsbericht:

ArmigerIdeenfindung & Design<<Forschungsbericht + QML>>TargetorKampagne aufbauenSirWayUmfrage durchführen<<JSON>>BalansorAnalyse der Datenqualität<<Parquet>>
  1. Ideenfindung & Design in Armiger: Die KI liest Quelldokumente und Ziele in natürlicher Sprache ein, entwirft den Forschungsbericht und erzeugt dann einen darauf gestützten QML-Fragebogen; SMT validiert die logische Konsistenz
  2. Kampagne in Targetor: Zielgruppe importieren, demografische Parameter und Stichprobenstrategie passend zum Forschungsbericht einrichten, Kampagne starten
  3. Durchführung in SirWay: Die Befragten durchlaufen mit dynamischer Navigation den Ablauf, der bei der Veröffentlichung verifiziert wurde; Persona-Agenten können zu Testzwecken Antworten simulieren
  4. Analyse der Datenqualität in Balansor: Per Raking Stichprobenverzerrungen korrigieren, die Antwortqualität bewerten (Straightlining, Speeder, Cronbachs α), die Repräsentativität messen; der Analyst-Agent liest den Forschungsbericht, um die Ergebnisse an den ursprünglichen Forschungszielen zu messen

Alle Dienste teilen ein gemeinsames Authentifizierungssystem, einen gemeinsamen Datenbestand und einen gemeinsamen Forschungsbericht. Das ergibt einen zusammenhängenden Workflow statt einer Staffelübergabe zwischen getrennten Werkzeugen.

Ihr Forschungsablauf auf der Startseite von Roundtable

Der Forschungsablauf von Roundtable für ein Demo-Projekt: jede Phase, von den Zielen im Forschungsbericht bis zum Kapitel des Forschungsberichts, das aus den gemessenen Daten geschrieben wurde, mit einem Link zu dem Dienst, in dem sie stattfindet.

  • KI-Unterstützung: Fragebögen aus Beschreibungen in natürlicher Sprache erzeugen
  • Fehlervermeidung: Die mathematische Validierung findet logische Fehler automatisch
  • Keine manuelle Abhängigkeitsverwaltung: Das System kümmert sich um Fragenreihenfolge und Bedingungslogik
  • Gewissheit: Sie wissen, dass Ihre Umfragen im Feld logisch stimmig sind
  • Reibungsloser Ablauf: Die Fragen folgen einem Ablauf, dessen Logik vor der Feldphase geprüft wurde
  • Relevante Fragen: Befragte sehen nur Fragen, die auf ihre Situation zutreffen
  • Keine unerreichbaren Fragen: Eine Frage, die niemand erreichen könnte, wird erkannt, bevor die Umfrage ins Feld geht
  • Dynamische Anpassung: Die Umfrage passt sich den bisherigen Antworten an
  • Hochwertige Daten: Die logische Validierung sorgt für konsistente Antworten
  • Repräsentative Stichproben: Targetor sorgt für demografisch ausgewogene Stichproben
  • Statistische Korrektur: Balansor gleicht Stichprobenverzerrungen aus
  • Standardformate: Export in vertraute Analysewerkzeuge

Herkömmliche Umfrageplattformen verlangen von Designern, manuell sicherzustellen, dass:

  • Fragen in der richtigen Reihenfolge erscheinen
  • die Bedingungslogik keine Widersprüche erzeugt
  • alle Fragen erreichbar sind
  • die Validierungsregeln miteinander vereinbar sind

Askalot automatisiert all das durch mathematische Verifikation. Hier ein einfaches Fragebogenbeispiel:

q_age: Wie alt sind Sie?q_consent: Stimmen Sie der Teilnahme zu?q_children: Wie viele Kinder haben Sie?q_household: Wie viele Personen leben in Ihrem Haushalt?q_end: Vielen Dank für Ihre Teilnahme!q_age.outcome >= 18q_household.outcome > 1q_children.outcome < q_household.outcome

Der SMT-Solver verifiziert automatisch:

  1. Erreichbarkeit: Grüne Knoten (ALWAYS erreichbar), gelbe Knoten (CONDITIONAL, abhängig von Vorbedingungen)
  2. Vorbedingungen: Abgerundete Knoten zeigen, wann Fragen erscheinen (z. B. die Einwilligungsfrage nur ab 18 Jahren)
  3. Nachbedingungen: Sechseckige Knoten validieren Antworten (z. B. Kinder < Haushaltsgröße)
  4. Konsistenz: Alle Bedingungen sind gleichzeitig erfüllbar

Das geschieht sofort während des Designs in Armiger – nicht erst nach dem Einsatz, wenn verwirrte Befragte auf die Probleme stoßen.