Verian präsentiert auf der ESRA 2025 Conference

Die 11. Konferenz der European Survey Research Association (ESRA) findet vom 14. bis 18. Juli 2025 an der Universität Utrecht in den Niederlanden statt. Dr. Josef Hartmann, Managing Director von Verian Deutschland, betont die hohe Bedeutung der Konferenz für den Austausch innerhalb der empirischen Sozialforschung. Das Thema der Konferenz lautet: „Versprechen und Probleme neuer und alternativer Datenquellen und Datenformate für die Umfrageforschung“. Wir freuen uns über drei Vorträge von Kolleginnen und Kollegen von Verian Deutschland, wünschen ihnen spannende Diskussionen und viel Erfolg.

• Aaron Heinz, Dr. Sophia McDonnell & Elke Himmelsbach:
  To answer or not to answer – Assessing drivers of item-nonresponse among young respondents
  Im Gegensatz zu Erwachsenen haben viele Jugendliche weniger Bezug und Erfahrung zu einigen komplexen gesellschaftlichen und politischen Themen und daher noch keine feste Meinung. Daher ist es eine wiederkehrende Herausforderung in solchen Studien, Fragen zu formulieren, die nah genug an der Lebensrealität junger Menschen sind, um sinnvolle Antworten zu erhalten und gedankenlose Antworten oder Item-Non-Response zu vermeiden. Dies gilt insbesondere für Subpopulationen, die wenig Interesse oder mangelnde Erfahrung in dem Befragungsthema haben. Um dieses Problem anzugehen, wird auf Grundlage von drei großen und aktuellen Jugendbefragungen untersucht, welche Arten von Fragen die Nichtbeantwortung von Items bei den Befragten fördern und wie sie möglicherweise mit den Merkmalen der Befragten interagieren.
  
  
• Georg Wittenburg, Josef Hartmann:  
  Qualitative Data Meets Quantitative Analysis: Bridging the Gap with Large Language Models
  In dem Vortrag „Qualitative Daten treffen auf quantitative Analyse: Überbrückung der Lücke mit Hilfe von Large Language Models (LLMs)“ wird die Anwendung von generativen KI-Modellen, insbesondere Large Language Models (LLMs), für die Umfrageforschung untersucht und ihr Potenzial, qualitative Informationen zu quantifizieren, aufgezeigt. Die offenen Angaben, inkl. Internetinhalte, können als eine große Menge impliziter Frage-Antwort-Paare konzipiert werden. Wenn diese Paare als Trainingsdaten verwendet werden, können sie in Form von Gewichtungsparametern eines LLM komprimiert werden, sodass das Modell probabilistisch kontextbezogene Antworten zurückgeben kann. Zur Veranschaulichung dieser Methode werden zwei Beispiele angeführt. Die Methode ermöglicht eine kostengünstige, codierungsfreie statistische Analyse von Open-Text-Daten. Angewandt auf reale Stichproben könnte diese Methode die Befragungsdaten ergänzen und so helfen, Probleme der Antwortverweigerung zu lösen.
  
  
• Josef Hartmann, Georg Wittenburg:
  Harnessing AI and Big Data for Model-based Inference
  Modellbasierte Inferenz stützt sich auf die beste lineare, unverzerrte Prädiktion (BLUP: Best Linear Unbiased Prediction), um auf die Merkmale von Populationselementen zu schließen, die nicht Teil der Stichprobe sind. In der Regel basiert die Schätzung der Modellparameter auf den Elementen der Stichprobe. In dem Vortrag werden Möglichkeiten der Anwendung von KI-Modellen, insbesondere des maschinellen Lernens (ML), untersucht, um die Vorhersage im Rahmen der modellbasierten Inferenz in der Umfrageforschung zu ergänzen oder zu verbessern.