Einführung

Konzeption

Bevor der erste Fragebogen entworfen wird, braucht es eine solide Grundlage: Was genau wollt ihr herausfinden, und warum? Die Konzeptionsphase ist der wichtigste und am häufigsten übersprungene Schritt im Umfrageprozess.

In dieser Phase klärt ihr:

• Welches Problem ihr lösen oder welche Entscheidung ihr mit Daten unterstützen wollt
• Welche Forschungsfragen sich daraus ableiten lassen
• Welches Studiendesign zu eurem Vorhaben passt
• Welche Konzepte und Konstrukte ihr messen müsst
• Wen ihr befragen wollt und könnt
• Welche datenschutzrechtlichen Rahmenbedingungen gelten

Der häufigste Fehler in der Praxis: Man beginnt direkt mit dem Fragebogen, ohne sich vorher klar zu machen, welche Informationen man eigentlich braucht. Das führt zu Fragen, die zwar interessant klingen, aber am Ende keine verwertbaren Ergebnisse liefern. Investiert lieber etwas mehr Zeit in die Konzeption. Das spart euch später viel Arbeit bei der Auswertung und Interpretation.

Studiendesign & Umfragetypen

Studiendesign & Umfragetypen

Bevor ihr mit dem Fragebogen anfangt, solltet ihr euch Gedanken über das Studiendesign machen: Welche Art von Umfrage passt zu eurer Fragestellung? Wie oft und wann wollt ihr befragen? Und was könnt ihr aus den Ergebnissen überhaupt ableiten?

Das Studiendesign bestimmt, welche Schlüsse ihr am Ende ziehen könnt, und welche nicht. Ein Fragebogen kann noch so gut formuliert sein: Wenn das Design nicht zur Forschungsfrage passt, sind die Ergebnisse begrenzt aussagekräftig.

Umfragetypen nach Zweck

Bedarfserhebung

Ihr wollt herausfinden, was eure Zielgruppe braucht, bevor ihr ein Angebot entwickelt oder anpasst. Typische Forschungsfragen: Welche Themen sind relevant? Welche Formate werden bevorzugt? Wo gibt es ungedeckte Bedarfe?

Wirkungsmessung

Ihr wollt verstehen, ob und wie euer Angebot etwas verändert hat. Das ist methodisch am anspruchsvollsten, weil ihr im Grunde Ursache und Wirkung nachweisen müsst.

Eine einmalige Befragung kann Wirkungen nicht kausal belegen, aber sie kann Hinweise liefern, z.B. durch subjektive Einschätzungen der Teilnehmenden („Durch den Kurs fühle ich mich sicherer im Umgang mit …”) oder durch Vorher-Nachher-Vergleiche.

Studiendesigns

Querschnittsbefragung

Die Querschnittsbefragung ist der einfachste und häufigste Fall: Ihr befragt eine Gruppe von Personen einmalig zu einem Zeitpunkt. Die meisten Zufriedenheitsbefragungen und Bedarfserhebungen sind Querschnittsbefragungen.

Vorteil: Einfach durchzuführen, geringe Kosten und Aufwand.

Einschränkung: Ihr könnt Zusammenhänge beschreiben (Personen, die häufiger teilnehmen, sind zufriedener), aber keine Kausalität belegen (Häufige Teilnahme führt zu mehr Zufriedenheit, oder kommen zufriedene Personen einfach häufiger?).

Längsschnittbefragung

Bei einer Längsschnittbefragung befragt ihr dieselben Personen zu mehreren Zeitpunkten, z.B. vor und nach einer Maßnahme. Das erlaubt Vorher-Nachher-Vergleiche und gibt Hinweise auf Veränderungen.

Vorteil: Veränderungen werden sichtbar, Aussagen über Entwicklung sind möglich.

Einschränkung: Höherer Aufwand, Teilnehmende fallen zwischen den Befragungen weg (Panel-Mortalität), und ihr braucht eine Möglichkeit, die Antworten derselben Person zu verknüpfen, was datenschutzrechtlich sorgfältig gelöst werden muss (→ Datenschutz).

Wiederholte Querschnittsbefragung

Eine Mischform: Ihr führt dieselbe Befragung regelmäßig durch (z.B. jährlich), befragt aber nicht zwingend dieselben Personen. Das erlaubt Vergleiche über die Zeit auf Gruppenebene, aber keine individuellen Verläufe.

Typischer Einsatz: Jährliche Mitgliederbefragungen, regelmäßige Feedbackrunden nach Veranstaltungsreihen.

Studiendesign und Forschungsfragen zusammenbringen

Euer Studiendesign sollte sich direkt aus euren Forschungsfragen ableiten:

Forschungsfrage zielt auf …	Geeignetes Design
Aktuelle Meinungen, Bedarfe, Bewertungen	Querschnittsbefragung
Veränderungen durch eine Maßnahme	Längsschnittbefragung (Vorher-Nachher)
Trends über die Zeit	Wiederholte Querschnittsbefragung
Kausale Wirkungen	Experimentelles Design (für NPOs selten praktikabel)

Seid realistisch: Wählt ein Design, das ihr mit euren Ressourcen auch umsetzen könnt. Eine sorgfältig durchgeführte Querschnittsbefragung ist besser als eine ambitionierte Längsschnittstudie, die an der Umsetzung scheitert.

Forschungsfragen formulieren

Forschungsfragen formulieren

Jede Umfrage beginnt mit einer Frage, aber nicht mit einer Fragebogenfrage, sondern mit einer Forschungsfrage. Die Forschungsfrage beschreibt, was ihr mit eurer Umfrage herausfinden wollt. Sie ist der rote Faden, an dem sich alles Weitere orientiert: das Studiendesign, die Operationalisierung, die Frageformulierung und am Ende auch die Auswertung.

Warum Forschungsfragen so wichtig sind

Ohne klare Forschungsfragen passiert in der Praxis häufig Folgendes: Man sammelt Fragen, die „irgendwie interessant” klingen, baut daraus einen Fragebogen, und stellt bei der Auswertung fest, dass die Ergebnisse sich nicht zu einem klaren Bild zusammenfügen. Der Grund: Es fehlt die Klammer, die die einzelnen Fragen zusammenhält.

Forschungsfragen helfen euch:

• Fokus zu setzen: Nicht alles abfragen, was man fragen könnte, sondern das, was man wissen muss
• Relevanz zu prüfen: Für jede Fragebogenfrage könnt ihr prüfen, ob sie zur Beantwortung einer Forschungsfrage beiträgt
• Auswertung vorzubereiten: Gute Forschungsfragen legen schon fest, welche Art von Analyse ihr braucht

Vom Informationsbedarf zur Forschungsfrage

Der Ausgangspunkt ist meist kein wissenschaftliches Interesse, sondern ein ganz praktischer Informationsbedarf: Eure Organisation möchte etwas wissen, um eine Entscheidung zu treffen oder ein Angebot zu verbessern. Dieser Informationsbedarf muss in eine oder mehrere konkrete, beantwortbare Fragen übersetzt werden.

Schritt 1: Informationsbedarf klären

Fragt euch: Welche Entscheidung soll auf Basis der Umfrageergebnisse getroffen werden? Oder: Welches Problem wollen wir besser verstehen?

Schritt 2: Forschungsfragen formulieren

Eine gute Forschungsfrage ist:

• Konkret: Sie benennt klar, was untersucht werden soll
• Beantwortbar: Man kann sich vorstellen, welche Daten man bräuchte, um sie zu beantworten
• Abgegrenzt: Sie ist nicht so breit, dass man einen ganzen Forschungsbericht bräuchte
• Relevant: Die Antwort hat praktische Konsequenzen für eure Organisation

Schritt 3: Forschungsfragen priorisieren

In der Regel habt ihr mehr Fragen als Platz im Fragebogen. Priorisiert nach:

1. Entscheidungsrelevanz: Welche Fragen haben direkte Konsequenzen für eure nächsten Schritte?
2. Machbarkeit: Lässt sich die Frage mit einer Umfrage überhaupt beantworten?
3. Bestehendes Wissen: Wissen wir die Antwort vielleicht schon aus anderen Quellen?

Typische Fehler

Zu breit formuliert

„Wie zufrieden sind die Teilnehmenden?” Zufriedenheit womit? Mit dem Inhalt, der Organisation, der Atmosphäre, den Öffnungszeiten? Eine zu breite Frage führt entweder zu einem überladenen Fragebogen oder zu einer einzelnen Frage, deren Antwort nicht interpretierbar ist.

Besser: „Wie bewerten die Teilnehmenden die inhaltliche Qualität der Workshops?” oder „Welche organisatorischen Aspekte des Angebots werden als verbesserungswürdig wahrgenommen?”

Suggestiv oder wertend

„Sind die Teilnehmenden mit unserem hervorragenden Angebot zufrieden?” Die Forschungsfrage selbst sollte neutral sein. Wertungen gehören weder in die Forschungsfrage noch in die Fragebogenfrage.

Nicht mit einer Umfrage beantwortbar

„Wirkt unser Programm langfristig auf die Berufschancen der Teilnehmenden?” Kausale Langzeitwirkungen lassen sich mit einer einmaligen Querschnittsbefragung nicht belegen. Die Frage ist spannend, aber das Instrument passt nicht. Hier müsste man entweder die Frage anpassen (z.B. auf die subjektive Einschätzung der Teilnehmenden eingrenzen) oder ein anderes Studiendesign wählen.

Zu viele Forschungsfragen

Jede Forschungsfrage erzeugt mehrere Fragebogenfragen. Wenn ihr mit zehn Forschungsfragen startet, wird euer Fragebogen schnell so lang, dass die Abbruchquote steigt und die Datenqualität sinkt. Konzentriert euch auf drei bis fünf zentrale Forschungsfragen.

Von der Forschungsfrage zum Fragebogen

Die Forschungsfragen bilden die Brücke zwischen eurem Informationsbedarf und dem Fragebogen. Für jede Forschungsfrage müsst ihr im nächsten Schritt klären:

• Welche Konzepte und Konstrukte stecken dahinter? → Messtheorie & Konstrukte
• Wie lassen sich diese Konstrukte in messbare Items übersetzen? → Operationalisierung
• Welche Antwortformate eignen sich? → Antworttypen

Wenn ihr bei der Operationalisierung merkt, dass eine Forschungsfrage nicht sinnvoll in Fragebogenfragen übersetzbar ist, geht zurück und überarbeitet die Forschungsfrage. Das ist kein Scheitern, sondern Teil des Prozesses.

Messtheorie & Konstrukte

Messtheorie & Konstrukte

Viele Dinge, die euch in einer Umfrage interessieren, lassen sich nicht direkt beobachten: Zufriedenheit, Motivation, Kompetenz, Zugehörigkeitsgefühl. In der Sozialforschung spricht man hier auch von latenten Variablen, also Größen, die nicht direkt messbar sind, sondern nur indirekt über beobachtbare Hinweise (Indikatoren) erschlossen werden können. Im Gegensatz dazu stehen manifeste Variablen wie Alter, Postleitzahl oder Anzahl der Besuche, die direkt abgefragt werden können.

Um latente Variablen per Fragebogen zu erfassen, braucht ihr ein Grundverständnis davon, wie Messung in Umfragen funktioniert.

Konstrukte, Dimensionen und Indikatoren

Konstrukt

Ein Konstrukt ist ein theoretisch definiertes, nicht direkt beobachtbares Phänomen, das ihr messen wollt. Es geht über eine vage Alltagsidee hinaus: Wenn ihr „Zufriedenheit” genauer definiert, z.B. als die subjektive Bewertung der Passung zwischen Erwartungen und Erfahrungen, habt ihr ein Konstrukt. Es beschreibt präzise, was ihr messen wollt und grenzt es von verwandten Phänomenen ab.

Dimension

Die meisten Konstrukte sind mehrdimensional, sie bestehen aus mehreren Teilaspekten. Diese Dimensionen zu identifizieren ist ein wichtiger Zwischenschritt, weil er bestimmt, welche Bereiche euer Fragebogen abdecken muss. Das Konstrukt „Zufriedenheit mit einem Workshop” könnte z.B. die Dimensionen inhaltliche Qualität, Organisation/Ablauf, Atmosphäre und Praxisrelevanz umfassen.

Indikator

Ein Indikator ist ein beobachtbarer Hinweis auf eine Dimension eines Konstrukts, also etwas, das ihr tatsächlich abfragen könnt. Für die Dimension „inhaltliche Qualität” könnte ein Indikator sein: Zustimmung zur Aussage „Die behandelten Themen waren für meine Arbeit relevant.”

Die Kette sieht also so aus:

Konstrukt (präzise Definition) → Dimensionen (Teilaspekte) → Indikatoren (messbare Fragen)

Warum das wichtig ist

Klarheit bei der Auswertung

Wenn ihr wisst, welches Konstrukt eine Frage misst, könnt ihr die Ergebnisse sinnvoll interpretieren. Ohne diese Zuordnung bleibt unklar, was eine Zahl eigentlich bedeutet.

Vermeidung von Fehlinterpretation

Wenn eine einzelne Frage ein vielschichtiges Konstrukt abbilden soll, sind die Ergebnisse mehrdeutig. Eine hohe Zustimmung zur Aussage „Ich bin zufrieden” kann vieles bedeuten, und ohne Konstruktdefinition wisst ihr nicht, was genau.

Grundlage für die Operationalisierung

Die Konstruktdefinition ist die direkte Vorstufe zur Operationalisierung: Erst wenn ihr wisst, was ihr messen wollt (Konstrukt), könnt ihr entscheiden, wie ihr es messen wollt (Items).

Gütekriterien: Validität und Reliabilität

Zwei zentrale Fragen solltet ihr im Hinterkopf behalten:

Validität: Messen wir das Richtige?

Eine Messung ist valide, wenn sie tatsächlich das misst, was sie messen soll. Wenn ihr „Zufriedenheit mit dem Angebot” messen wollt, aber eure Fragen eigentlich die allgemeine Stimmung am Tag der Befragung erfassen, dann ist die Messung nicht valide.

Für die Praxis heißt das: Überlegt bei jeder Frage, ob die Antworten wirklich Rückschlüsse auf euer Konstrukt zulassen, oder ob sie auch durch andere Faktoren erklärt werden können.

Reliabilität: Messen wir zuverlässig?

Eine Messung ist reliabel, wenn sie bei Wiederholung unter gleichen Bedingungen ähnliche Ergebnisse liefert. Unreliabel wäre z.B. eine Frage, die so unklar formuliert ist, dass dieselbe Person sie je nach Tagesform unterschiedlich versteht.

In der NPO-Praxis verbessert ihr die Reliabilität vor allem durch klare, eindeutige Formulierungen und durch Pretesting des Fragebogens.

Von der Theorie zur Praxis

Die Messtheorie klingt vielleicht abstrakt, aber die praktische Konsequenz ist einfach: Definiert vor dem Fragebogendesign, was genau ihr messen wollt. Schreibt für jedes Konstrukt eine kurze Definition auf. Ein bis zwei Sätze reichen. Das hilft euch:

1. Bei der Operationalisierung die richtigen Indikatoren zu finden
2. Bei der Auswertung zu wissen, was die Zahlen bedeuten
3. Bei der Kommunikation der Ergebnisse präzise zu sein

Dieser Schritt wird oft übersprungen, weil er „theoretisch” wirkt, aber er spart euch erheblich Arbeit in den späteren Phasen.

Stichprobenauswahl

Stichprobenauswahl

Bevor man eine Umfrage startet, lohnt es sich kurz zu reflektieren: “Wen erreichen wir eigentlich mit unserer Umfrage und insbesondere wen erreichen wir nicht?” Die Antwort auf diese Frage beeinflusst, welche Schlüsse man am Ende ziehen kann.

Stellt euch vor, eine offene Jugend-Werkstatt möchte wissen, wie ihr Angebot bei den Teilnehmenden ankommt. Sie erstellt einen Fragebogen mit Fragen zur Zufriedenheit, zu gelernten Fähigkeiten und zur beruflichen Orientierung. Aber wer füllt den Fragebogen tatsächlich aus? Und was bedeutet das für die Ergebnisse? Genau darum geht es in diesem Text.

Zufallsstichprobe vs. Gelegenheitsstichprobe

In der Theorie wäre das Ideal eine Zufallsstichprobe: Jede Person aus der Zielgruppe hat die gleiche Chance, befragt zu werden. Das ist der Goldstandard, weil die Ergebnisse dann exemplarisch die gesamte Zielgruppe repräsentieren. In der Praxis ist das für NPOs aber selten machbar — es gibt oft keine vollständige Liste aller Personen in der Zielgruppe, und selbst wenn, lassen sich nicht alle erreichen.

Was stattdessen meistens passiert, ist eine Gelegenheitsstichprobe (englisch: Convenience Sample): Befragt werden die Personen, die gut erreichbar sind und mitmachen wollen. Bei unserer Jugend-Werkstatt wären das vermutlich Teilnehmende, die aktuell regelmäßig in die Werkstatt kommen und daher leicht zu erreichen sind. Das ist völlig normal und oft der einzig gangbare Weg — aber es ist wichtig, sich der Konsequenzen bewusst zu sein.

Typische Verzerrungen

Wenn unsere Stichprobe nicht zufällig ist, können verschiedene Verzerrungen (englisch: Biases) auftreten. Hier die wichtigsten:

Abdeckungsproblem (Coverage Bias)

Nicht alle Personen der Zielgruppe haben überhaupt die Möglichkeit, an der Umfrage teilzunehmen. In unserem Beispiel: Wer die Werkstatt nach kurzer Zeit wieder verlassen hat, bekommt die Umfrage wahrscheinlich gar nicht zu sehen — dabei wäre gerade deren Feedback besonders wertvoll. In Fall einer anderen NPO könnte eine reine Online-Umfrage die Teile der Zielgruppe ausschließen, die keinen Internet Zugang haben oder weniger fit mit Computern sind.

Antwortverzerrung (Response Bias)

Selbst unter den Personen, die die Umfrage erhalten, antworten nicht alle — und die, die antworten, sind oft nicht repräsentativ für die Gesamtgruppe. Wer sich in der Werkstatt wohlfühlt, kommt vermutlich häufiger und nimmt sich evtl. eher die Zeit für den Fragebogen. Jugendliche, die unzufrieden sind oder nur selten vorbeischauen, haben vielleicht weniger Motivation den Fragebogen auszufüllen. Es könnte also sein, dass die Zufriedenheit durch diese Art der Antwortverzerrung überschätzt wird.

Soziale Erwünschtheit (Social Desirability Bias)

Ein weiterer Effekt, der die Frage nach der Zufriedenheit beeinflussen kann, ist die Tendenz sozial erwünschte Antwortoptionen zu präferieren. Menschen neigen dazu, so zu antworten, wie sie glauben, dass es erwartet wird. Insbesondere wenn die Teilnehmenden wissen, dass die Werkstatt selbst die Umfrage durchführt, fällt es schwerer, bei einer Frage wie “Ich fühle mich wohl und akzeptiert” ehrlich “Stimme nicht zu” anzukreuzen. Auch bei sensiblen Themen wie der beruflichen Situation kann dieser Effekt auftreten.

Was bedeutet das für die Aussagekraft der Umfrage?

Durch diese Verzerrungen gelten die Ergebnisse der Umfrage streng genommen nur für die Personen, die tatsächlich geantwortet haben. Trotzdem kann man versuchen Schlüsse auf die gesamte Zielgruppe zu schließen. Es ist dabei allerdings wichtig, die Einschränkungen bei der Stichprobenzusammensetzung ehrlich zu kommunizieren. Auch statistische Auswertungen, wie sie im Abschnitt zur schließenden Statistik beschrieben werden, gehen von einer Zufallsstichprobe aus. Wenn diese nicht gegeben ist, solltet ihr statistische Schlüsse mit besonderer Vorsicht interpretieren.

Diese Einschränkungen treten in der Umfragearbeit bei NPOs sehr häufig auf. Es ist wichtig sich derer bewusst zu sein und zu verstehen wie sie die Ergebnisse beeinflussen können. Trotzdem ist es sehr viel besser eine Umfrage mit Einschränkungen durchzuführen als gar keine und es gibt auch Schritte mit denen ihr die Aussagekraft eurer Umfrage erhöhen könnt.

Was könnt ihr tun?

Transparent berichten

Das Wichtigste: Seid ehrlich darüber, wie eure Stichprobe zustande kam. Ein Satz wie “Von ca. 80 aktiven Teilnehmenden haben 30 die Umfrage ausgefüllt. Ehemalige Teilnehmende wurden nicht erreicht.” stärkt eure Glaubwürdigkeit und zeigt, dass ihr euch mit den Konsequenzen einer Gelegenheitsstichprobe auseinandergesetzt habt. Wenn ihr noch sagen könnt welche Maßnahmen ihr zusätzlich ergriffen habt um die Repräsentativität eurer Stichprobe zu erhöhen, zeichnet euch das noch zusätzlich aus.

Rücklaufquote erhöhen

Je mehr Personen aus eurer Zielgruppe antworten, desto aussagekräftiger werden die Ergebnisse. Erinnerungen versenden, den Fragebogen kurz halten und einen einfachen Zugang (z.B. QR-Code vor Ort) bieten — das alles hilft.

Demografische Merkmale erfassen

Wenn ihr grundlegende Merkmale wie Alter, Geschlecht oder Länge der Mitgliedschaft abfragt (aber siehe Datenschutz), könnt ihr im Nachhinein einschätzen, ob bestimmte Gruppen in euren Antworten über- oder unterrepräsentiert sind. Wenn ihr z.B. wisst, dass eure Teilnehmenden zu 60% weiblich sind, aber 80% der Umfrageantworten von weiblichen Teilnehmenden kommen, ist das ein Hinweis auf eine Verzerrung. Es gibt sogar statistische Verfahren, die solche Unterschiede nachträglich korrigieren können.

Datenschutz

Datenschutz

Bei Online-Umfragen im zivilgesellschaftlichen Bereich, z.B. in der Wirkungsmessung, werden meist personenbezogene Daten mit erhoben. Sobald ein Interesse an demografischen Daten besteht oder offene Texteingabe dabei ist, muss damit gerechnet werden, dass bei Kombination von verschiedenen Antworten oder durch eingegebene persönliche Details auf die Identität von Einzelpersonen geschlossen werden kann, auch wenn Teilnehmende keine Namen oder Kontaktdaten angeben. In diesen Fällen greift die Datenschutzgrundverordnung (DSGVO; bzw. entsprechende Regelungen im kirchlichen Bereich wie das KDG und das DSG-EKD) und die Verarbeitung der Daten im Rahmen der Umfrage braucht eine Rechtsgrundlage. Das ist meist eine Einwilligung der Teilnehmenden.

Wir können an dieser Stelle natürlich keine umfassende Rechtsberatung geben, sondern stellen Erfahrungswerte und Best-Practices zusammen. Sprecht potenzielle Verarbeitung personenbezogener Daten im Rahmen von Online-Umfragen bitte immer mit den Datenschutzbeauftragten Eurer Organisation ab und plant dafür Zeit ein.

Dennoch stellen wir Euch hier verbreitete Arten von Vorkommen personenbezogener Fragen bei Online-Umfragen zusammen, führen die wichtigsten Maßnahmen, die ihr ergreifen könnt und weisen euch auf häufige Fehler bei der Konzeption hin.

Wenn ihr euch umfassender mit dem Thema befassen wollt, empfehlen wir auch die Bildungsmaterialien aus dem passenden Bereich in der CDL Academy.

Typen von Online-Umfragen in Bezug auf ihren Umgang mit Personenbezug

Diese Typen helfen, den Personenbezug in Sinne der DSGVO etwas besser zu verstehen. Sie sind jedoch nicht trennscharf, d.h. in der Realität können Umfragen Eigenschaften aus mehreren Typbeschreibungen haben. Wichtig ist, dass die DSGVO immer dann greift, wenn Daten nicht vollständig anonym sind.

Offen personenbezogene Umfrage (Klardatenverarbeitung)

Die Umfrage wird bewusst mit Namen, E-Mail-Adresse, Personalnummer oder anderen direkt identifizierenden Angaben durchgeführt. Das kann passend sein, wenn innerhalb einer Organisation Teilnahmepflicht besteht, Rückfragen gestellt, individuelle Auswertungen über längere Zeiträume angefertigt oder Teilnahmebescheinigungen ausgegeben werden sollen. Dann braucht es aber eine klare Rechtsgrundlage, transparente Information, Zweckbindung, Datensparsamkeit und angemessene Schutzmaßnahmen.

Indirekt identifizierbare Umfrage

Zwar werden keine direkten Identifikationsmerkmale wie Name oder E-Mail-Adresse erhoben. Trotzdem kann unter Umständen ein Rückschluss auf einzelne Personen möglich sein, zum Beispiel durch die Kombination mehrerer Angaben wie Alter, Geschlecht und Wohnort oder durch Inhalte in offenen Textfeldern. Besonders bei Umfragen zur Evaluation unter persönlich bekannten Teilnehmenden mit eher kleineren Teilnehmendengruppen kommt dies vor. Die Umfrage ist deshalb nicht als anonym anzusehen und die erhobenen Daten sind weiterhin als personenbezogene Daten zu behandeln, weil eine Person direkt oder indirekt identifizierbar sein kann. Für die Verarbeitung gelten daher die Anforderungen der DSGVO.

Nur aggregierte Veröffentlichung bei personenbezogener Rohdatenverarbeitung

Die Rohdaten können intern personenbezogen sein, nach außen werden aber nur zusammengefasste Ergebnisse veröffentlicht. Das ersetzt keine datenschutzkonforme Verarbeitung der Rohdaten, senkt aber das Risiko für die betroffenen Personen bei der Weitergabe oder Publikation.

Pseudonymisierte Umfrage

Bei einer pseudonymisierten Umfrage werden die Antworten nicht direkt mit Namen oder anderen unmittelbar identifizierenden Angaben gespeichert. Stattdessen wird ein Code oder eine Kennnummer verwendet. Die Angaben können also nicht ohne Weiteres einer bestimmten Person zugeordnet werden. Eine Zuordnung wäre nur mit zusätzlichen Informationen möglich, die getrennt aufbewahrt und besonders geschützt werden müssen. Auch pseudonymisierte Daten gelten weiterhin als personenbezogene Daten. Deshalb bleibt die DSGVO anwendbar. Genau wie die aggregierte Veröffentlichung ist die pseudonymisierte Speicherung eine Schutzmaßnahme, weil sie das Risiko für die betroffenen Personen verringert.

Getrennte Erhebung ohne Verknüpfung

Es gibt Fälle, in denen personenbezogene Daten entstehen, aber nicht mit den Antworten verknüpft sein müssen und daher getrennt verarbeitet werden können, z.B. wenn eine Verlosung unter den Teilnehmenden stattfindet oder über das Versenden personalisierter Links eine mehrfache Umfrageteilnahme verhindert werden soll. Die eigentlichen Antworten werden in einem Formular erhoben, Kontaktdaten in einem zweiten, getrennten Formular. Wenn es keine Verknüpfung zwischen beiden Datensätzen gibt, können die Antworten faktisch anonym sein, obwohl daneben noch personenbezogene Kontaktdaten verarbeitet werden. Datenschutzrechtlich sind dann die Kontaktliste und die Antworten getrennt zu bewerten und für die personenbezogenen Anteile sind Rechtsgrundlage und Information erforderlich.

Zunächst personenbezogen, später anonymisiert

Die Umfrage startet mit Personenbezug. Nach Abschluss werden Identifikatoren gelöscht und nur noch anonymisierte oder rein aggregierte Ergebnisse weiterverwendet. Das ist oft ein praktikabler Mittelweg, wenn echte Anonymität während der Erhebung noch nicht möglich ist. Häufige Methoden sind die Entfernung der Identifikatoren und Re-Identifikatoren, Randomisierung und Generalisierung. Auch die o.g. Aggregation kann ein Weg sein. In der praktischen Umsetzung führt dies insbesondere bei Freitextfeldern dennoch oft zu viel Arbeitsaufwand. In zivilgesellschaftlichen Arbeitsfeldern, in denen nur ab und zu eine Umfrage durchgeführt ist besteht oft kein Zugang zu DSGVO-konformen Tools, die dies übernehmen können. Eine Rechtsgrundlage und transparente Information für die Erhebung und die Verarbeitungsschritte bis zur Anonymisierung ist natürlich dennoch erforderlich.

Vollständig anonyme Umfrage

Es werden von Anfang an keine Angaben erhoben, mit denen einzelne Personen identifiziert werden können. Das ist die datenschutzärmste Variante, aber nur dann tragfähig, wenn eine Re-Identifizierung nicht möglich ist. Bei Online-Umfragen ist wichtig zu beachten, dass auch IP-Adressen, Cookie-IDs und ähnliches als personenbezogene Daten gelten. Einige Tools ermöglichen serverseitige Nicht-Speicherung oder sofortige Kürzung von IP-Adressen. Hierbei ist es wichtig, die Einstellungen der geplanten Tools genau unter die Lupe zu nehmen.

Die Grundsätze des Datenschutzes gelten für anonyme Daten nicht, d.h. anonyme Daten dürfen jederzeit beispielsweise für statistische oder für Forschungszwecke auch als Rohdaten weitergegeben werden. Auch eine Veröffentlichung als Open Data wäre ohne weitere Einverständniserklärungen von Teilnehmenden möglich. Beispiele für anonyme Umfragen sind einfache offene Online-Umfragen auf großen Veranstaltungen, bei denen ohne Speichern von IP-Adressen oder anderem nur wenig gefragt wird, z.B. „Wie zufrieden bist du heute mit der Veranstaltung“ als Ranking auf einer Skala. Ähnlich funktionieren auch Terminals mit Smiley-Buttons am Ausgang von Gebäuden oder in öffentlichen Toiletten.

Maßnahmen

Es wird deutlich, dass in den meisten Fällen zumindest für einen Teil der Erhebung Personenbezug schwer auszuschließen ist. Dann finden die Regelungen der DSGVO Anwendung. Das bedeutet, dass zum einen passende Schutzmaßnahmen für die Daten zu ergreifen sind, damit sie nur gemäß dem vorab kommunizierten Zweck verarbeitet werden. Zum anderen ist eine Rechtsgrundlage für die Verarbeitung erforderlich, verbunden mit transparenten Informationen für die Teilnehmenden. Bei Online-Umfragen wird das meistens eine Einwilligungserklärung der Teilnehmenden sein, ggf. auch durch ihre Teilnahme an der Umfrage.

Datenschutzinformation

Alle Teilnehmenden an der Umfrage sollten nach Art.13 DSGVO vorab über ihre Rechte sowie über den Umfang und Zweck der Umfrage aufgeklärt werden – dafür gibt es eine Datenschutzerklärung oder auch Datenschutzinformation mit klar definierten Inhalten. Wir haben für die verschiedenen Typen Vorlagen im .docx-Format mit markierten Platzhaltern erstellt, die alle Informationen beinhalten, die in den meisten Fällen benötigt werden. Diese könnt ihr frei weiternutzen und mit den Informationen für Eure Organisation und jeweilige Umfrage befüllen.

Die Download-Links findet ihr in der Toolbox unter „Datenschutzvorlagen”.

Rechtsgrundlage

Für jede Verarbeitung personenbezogener Daten benötigt Ihr eine Rechtsgrundlage. Die Vorlagen für die Datenschutzinformation gehen davon aus, dass ihr eine Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO einholt. Als Einwilligung kann bei Online-Umfragen auch gelten, dass Teilnehmende nach Wahrnehmung der Datenschutzinformation willentlich entscheiden, teilzunehmen – es braucht nicht immer ein Feld zum Anhaken. Dann braucht Ihr aber gut sichtbare Formulierungen wie z.B. „Durch Klicken auf Start willigst Du ein…“, denn eine Einwilligung muss „unmissverständlich durch eine bestätigende Handlung“ erfolgen. Ihr müsst jedoch auch mit einbeziehen, dass Teilnehmende ihre Einwilligung jederzeit widerrufen können und Ihr die mit ihrer Person verbundenen Daten wieder löschen müsst – egal an welchem Zeitpunkt der Auswertung ihr Euch befindet.

Eine belastbare Einwilligung für die Verarbeitung für einen oder mehrere vorab festgelegte Zwecke braucht Ihr aber auf jeden Fall, wenn besonders schützenswerte Daten verarbeitet werden. Das könnt ihr in Art. 9 DSGVO nachlesen. Darunter fallen Daten, aus denen die rassische und ethnische Herkunft, politische Meinungen, religiöse oder weltanschauliche Überzeugungen oder die Gewerkschaftszugehörigkeit hervorgehen. Es betrifft auch die Verarbeitung von genetischen Daten, biometrischen Daten zur eindeutigen Identifizierung einer natürlichen Person, Gesundheitsdaten oder Daten zum Sexualleben oder der sexuellen Orientierung.

Wichtig ist auch, das Verhältnis der Antwortenden zu den Fragenden zu bewerten – so kann bei Mitarbeitenden im Arbeitskontext oft nicht von einer freiwilligen Einwilligung gesprochen werden. Besser wäre es hier, eine Rechtsgrundlage aus dem Arbeitsrecht oder aus Kollektivvereinbarungen zu finden.

In manchen Fällen könnte auch argumentiert werden, dass es um berechtigte Interessen nach Art. 6 Abs. 1 lit. f DSGVO geht. Zum Beispiel könnte eine Mitgliederzufriedenheitsumfrage eines Vereins oder Verbands in Betracht kommen, da sie innerhalb der bestehenden Beziehung erwartbar sind – aber nur, wenn die Fragen nicht unnötig tief in die Privatsphäre eingreifen und Widerspruchsmöglichkeiten bestehen.

Auch für die Wahl der Rechtsgrundlage ist es sinnvoll, sich mit dem Datenschutzbeauftragten Eurer Organisation abzustimmen. Im Zweifelsfall entscheiden sich viele für die Einwilligung.

Aufnahme ins Verzeichnis von Verarbeitungstätigkeiten

Nach Art. 30 DSGVO müssen alle Organisationen ein Verzeichnis von Verarbeitungstätigkeiten führen – hier solltet Ihr auch Eure Umfrage aufnehmen.

Schutzmaßnahmen

Außerdem solltet Ihr technische und organisatorische Maßnahmen („TOM“) ergreifen, um die Verarbeitung der Daten so zu schützen, dass sie tatsächlich nur in dem Rahmen stattfinden, der von den Teilnehmenden erlaubt worden ist. Hier einige beispielhafte Maßnahmen:

Datensparsamkeit oder Datenminimierung – Stellt nur Fragen, die für den Zweck der Umfrage wirklich erforderlich sind. Geht besonders kritisch mit Freitextfeldern um.

Wahl und Konfiguration der Umfragetools – Aus der DSGVO ergeben sich Vorgaben bzgl. der Auswahl der verwendeten Tools. Besonders wichtig sind dabei der Verzicht auf Weiterverarbeitung von Daten, z.B. beim Tracking, sowie ein Serverstandort innerhalb der EU. Außerdem braucht Ihr einen passenden Auftragsverarbeitungsvertrag. Es gibt in der DSGVO definierte Voraussetzungen wie ein Angemessenheitsbeschluss oder andere geeignete Garantien, unter denen auch Anbieter außerhalb der EU genutzt werden können. Hierbei braucht es aber besondere Sorgfalt, da es nicht ausreicht, dass das Unternehmen „auch“ Server in der EU hat. Unsere Bewertungsmatrix zur Auswahl eines passenden Online-Umfragetools zeigt auch Angaben der Vertreiber zur DSGVO Konformität der aufgeführten Tools. Die Übermittlung von Daten in Drittländer muss auch in den Datenschutzinformationen offengelegt werden.

Sichere Speicherung der Daten – Auch die verwendeten Tools zur Ablage der Daten müssen diesen Kriterien entsprechen. Außerdem muss über ein geeignetes Rechte- und Rollenkonzept sichergestellt sein, dass nur berechtigte Personen Zugriff haben. Schließlich braucht Ihr geeignete Löschfristen, die Ihr ebenfalls bereits in den Datenschutzinformationen hinterlegt. Sobald die Daten für den Zweck nicht mehr nötig sind, sind sie zu löschen oder zu anonymisieren, sofern keine Aufbewahrungspflichten entgegenstehen. Zur Sicherheit gehören aber auch eine Transportverschlüsselung (HTTPS/TLS) und starke Passwörter sowie regelmäßige Updates Eurer Systeme. Auch die oben in den Typen schon berücksichtigte Maßnahmen wie getrennte Speicherung von Kontraktdaten und Antworten, Pseudonymisierung und Anonymisierung sind Maßnahmen zum Schutz personenbezogener Daten.

Interne Prozesse - Um im Falle von Nachfragen und Löschanforderungen handeln zu können, braucht Ihr intern einen praktikablen Prozess, um Auskunft, Berichtigung, Löschung, Einschränkung, Datenübertragbarkeit, Widerspruch und Widerruf einer Einwilligung bearbeiten zu können. Bei Online-Umfragen ist das nur realistisch, wenn Ihr schon vorab wisst, ob und wie einzelne Datensätze einer Person zugeordnet werden können. Interne Prozesse müssen auch vorab für den Fall einer Datenpanne verabredet sein. Diese tritt ein, wenn Antworten versehentlich offengelegt, falsch versendet oder unbefugt abgerufen werden.

Viele dieser Maßnahmen werden in Organisationen zentral durch die Datenschutzbeauftragten, die IT Administration und andere Akteur*innen eingerichtet und müssen nicht für jede Umfrage neu geklärt werden. Dennoch solltet Ihr sicherstellen, dass Ihr diesbezüglich gut informiert seid, wenn Ihr eine Online-Umfrage startet.

Datenschutzfolgeabschätzung

Wenn die Umfrage voraussichtlich ein hohes Risiko für Rechte und Freiheiten der Betroffenen mit sich bringt, müsst Ihr mithilfe Eures Datenschutzbeauftragten vorab eine Datenschutz-Folgenabschätzung durchführen. Das kann z. B. eher relevant werden bei sensiblen Daten, sehr großen Datensätzen, Profiling, besonders schutzbedürftigen Gruppen oder systematischer Auswertung. Ein Beispiel könnte eine bundesweite Online-Befragung einer Opferhilfe-Organisation zu häuslicher oder sexualisierter Gewalt sein – oder eine Umfrage unter Minderjährigen zu Suizidalität, Selbstverletzung oder Missbrauchserfahrungen. Viele zivilgesellschaftliche Themen fallen unter die besonders schutzwürdigen Daten.

Häufige Fehler

Bei Umfrageprojekten, die wir im Civic Data Lab als Datenvorhaben oder in der Datensprechstunde kennengelernt haben, kam es oft zu ähnlichen Stolpersteinen. Dies sind keine „großen“ Rechtsverstöße, sondern liegen in mangelndem Verständnis bei der Konzeption. Wir haben daher ein paar zusammengestellt, damit Ihr in Euren Projekten darauf achten könnt.

###Über Datenschutz erst nach der Erhebung nachdenken Es kommt immer wieder vor, dass Online-Umfragen in der Zivilgesellschaft durchgeführt werden und versehentlich als anonym eingestuft sind, obwohl beispielsweise eine Re-Identifizierung möglich ist. Im Nachgang ist es dann zu spät, um eine Rechtsgrundlage für die Verarbeitung personenbezogener Daten zu schaffen und die Teilnehmenden zu informieren. Oft wird einfach gestartet, ohne klar festzulegen, ob die Umfrage auf Einwilligung, Vertrag, gesetzlicher Pflicht oder berechtigten Interessen beruht. Gerade bei „berechtigten Interessen“ ist der Fehler häufig, dass keine echte Abwägung gemacht wird und die vernünftigen Erwartungen der Teilnehmenden nicht geprüft werden. Transparenz allein ersetzt diese Abwägung nicht. Das kann dazu führen, dass die Antworten, die die Identifizierung von Einzelpersonen ermöglichen, unausgewertet gelöscht werden müssen. Daher gehört die Thematisierung des Datenschutzes zur Konzeption einer Umfrage.

Fälschlich von „anonym“ sprechen

Viele Online-Umfragen werden als anonym bezeichnet, obwohl das Tool technische Zusatzdaten verarbeitet oder die Antworten über seltene Merkmalskombinationen bzw. Freitexte doch einzelnen Personen zugeordnet werden könnten. Der praktische Fehler ist also weniger das Wort selbst als die fehlende ehrliche Risikoanalyse.

Keine Zeit für Überarbeitung einplanen

Die Absprachen mit den Datenschutzbeauftragten und die notwendigen Überarbeitungen innerhalb des Fragebogens sowie bei den Prozessen und sonstigen Schutzmaßnahmen können unter Umständen den Zeitplan für die Umfragedurchführung durcheinanderbringen und haben schon viele in Stress versetzt. Hier hilft nur, genau Zeit einzuplanen.

Zu viele Fragen und unnötige Daten

Häufig werden mehr Daten erhoben als für den Zweck nötig sind: genaue Geburtsdaten statt Altersgruppen, genaue Orte statt Regionen, Freitextfelder ohne Not, Kontaktdaten „vorsorglich“ oder weil es schon immer so gemacht wurde. Hier besteht aber auch immer eine Abwägung, da zu starke Generalisierung zu schwieriger Vergleichbarkeit mit anderen Datensätzen führt. Gemeinsame Standards können hier Abhilfe schaffen.

Später entstehen weitere Ideen für die Nutzung von Daten, diese sind aber nicht im Zweck der Datenverarbeitung enthalten, über den die Nutzer*innen informiert worden sind.

Daten nicht für jeden Zweck neu zu erheben, ist grundsätzlich sinnvoll – schon allein, um die zeitlichen Ressourcen der Befragten zu schonen. Oft entstehen Ideen für weitere Anwendungen aber erst, wenn die Daten vorliegen. Dann ist eine weitere Verwendung jedoch nicht mehr zulässig. Eine Idee könnte sein, in Pre-Test mithilfe von KI synthetische Daten zu erzeugen, die ebenfalls helfen, Ideen zu entwickeln. Außerdem sollten Auswertungsmethoden vorab schon ins Auge gefasst werden. Auch Maßnahmen zur Anonymisierung können helfen, um Daten dann weiterverwenden zu dürfen.

Datenschutzinformationen zu kompliziert

Häufig basieren die veröffentlichten Datenschutzerklärungen auf Texten von Jursitinnen in komplizierter Sprache, die jede Eventualität absichern. Diese Informationen werden jedoch nur von wenigen Menschen wirklich gelesen und erfasst. Gerade bei Umfragen, mit denen sich zivilgesellschaftliche Organisationen an Klientinnen wenden, ist es ihre Verantwortung die begleitenden Informationen niedrigschwellig zu gestalten.

Zugriff auf Daten durch gemeinsame Toolnutzung ungeklärt

In vielen Organisationen kommt es zu Unsicherheiten, wenn Tools gemeinsam administriert werden oder Zugänge zum Kostensparen geteilt werden. Wichtig ist, über verschiedene Nutzerkonten und eine Administrierung mit klaren Rollenkonzepten sicherzustellen, dass nur diejenigen auf die Daten zugreifen dürfen, die die Berechtigung haben. Für die genauere Definition ist hilfreich zu klären:

• Wer ist Verantwortlicher?
• Wer ist Auftragsverarbeiter?
• Gibt es gemeinsame Verantwortliche (Art. 26 DSGVO)?

Bei organisationsinternen Tools innerhalb der Cloudumgebung wird der Absender mitgespeichert

Wer die Forms-Anwendungen innerhalb der eigenen Organisationsumgebung bei Google oder Microsoft verwendet, sollte sicherstellen, dass keine Daten über eingeloggte Absender*innen der Formulare mitgespeichert werden.

Löschen wird vergessen oder die Frist erst gar nicht festgelegt

Für viele ist das Online-Umfrageprojekt abgeschlossen, wenn die Ergebnisse kommuniziert wurden. Das Löschen der Rohdaten wird in der Praxis daher oft vergessen oder aufgeschoben. Schon bei der Planung kann eine Kalendererinnerung zum Ablauf der Frist helfen.

Kein Abschluss passender Auftragsverarbeitungsverträge

Anbietende von Tools, die Ihr für Online-Umfragen einsetzt, sind Auftragsverarbeiter, mit denen Ihr nach Art. 28 DSGVO einen Vertrag abschließen müsst. Daher seid Ihr dafür verantwortlich, dass sie im Sinne der gesetzlichen Regelegungen agieren und Euer Bemühen darum wird durch einen stimmigen Auftragsverarbeitungsvertrag dokumentiert. Viele Anbieter bieten Verträge zum Download an, die Ihr nur noch prüfen und bei Passung unterzeichnen müsste. Kirchliche Organisationen, deren Datenschutzbestimmungen in KDG oder DSG-EKD benötigen dazu oft noch Ergänzungsvereinbarungen, die sich auf die entsprechenden Paragrafen beziehen.

Disclaimer

Noch einmal der Hinweis: Wir geben hier keine Rechtsberatung, sondern stellen Grundlagenwissen und Best Practices zusammen. Wir möchten euch außerdem darauf hinweisen, dass wir zur Erstellung dieser Seite KI genutzt haben und zwar für diese Aufgaben: Verallgemeinerung einer Vorlage für die Datenschutzinformation bei der Online-Umfrage eines unserer Datenvorhaben sowie Vervielfältigung auf verschiedene Typen sowie Sparring für die Inhalte.

Einführung

Fragebogendesign

Wenn die Konzeption steht, ihr also wisst, was ihr herausfinden wollt und welche Konstrukte ihr messen müsst — geht es ans eigentliche Fragebogendesign. Hier wird aus dem theoretischen Rahmen ein konkretes Erhebungsinstrument.

Das Fragebogendesign umfasst mehrere eng verzahnte Schritte:

• Operationalisierung: Abstrakte Konzepte in messbare Fragebogenitems übersetzen
• Frageformulierung: Verständliche, neutrale und eindeutige Fragen schreiben
• Antwortformate: Die richtigen Antworttypen wählen (Skalen, Mehrfachauswahl, offene Fragen etc.)
• Fragebogenaufbau: Eine sinnvolle Reihenfolge und Struktur festlegen
• Pretesting: Den Fragebogen vor dem Einsatz testen und verbessern

Ein guter Fragebogen zeichnet sich nicht durch möglichst viele Fragen aus, sondern dadurch, dass jede einzelne Frage einen klaren Bezug zu euren Forschungsfragen hat und verwertbare Daten liefert. Weniger ist hier fast immer mehr.

Operationalisierung

Operationalisierung

Operationalisierung bedeutet, ein theoretisches Konzept so in konkrete Fragebogenitems zu übersetzen, dass die Antworten das Konzept tatsächlich abbilden. Dabei geht es nicht nur um die Formulierung einzelner Fragen, sondern um eine vorgelagerte Entscheidung: Was genau will ich messen, und welche beobachtbaren Indikatoren eignen sich dafür?

Viele Fragebogenprobleme, die auf den ersten Blick wie Formulierungsfehler aussehen, sind im Kern Operationalisierungsprobleme. Die Frage ist nicht schlecht formuliert, es ist unklar, was sie messen soll.

Vom Konstrukt zum Item

Der Weg vom Konstrukt zum Item folgt einer klaren Logik:

1. Konstrukt definieren: Was genau wollt ihr messen? (→ Messtheorie & Konstrukte)
2. Dimensionen identifizieren: Aus welchen Teilaspekten besteht das Konstrukt? Zufriedenheit kann z.B. die Dimensionen Inhalt, Organisation und Atmosphäre umfassen.
3. Indikatoren festlegen: Welche beobachtbaren Merkmale zeigen an, ob eine Dimension hoch oder niedrig ausgeprägt ist?
4. Items formulieren: Wie fragt ihr nach den Indikatoren, z.B. als Bewertung, als Häufigkeit, als Zustimmung zu einer Aussage?
5. Antwortformat wählen: Welche Skala oder welches Format passt? (→ Antworttypen)

Vorhandene Skalen nutzen

Für viele Konstrukte existieren bereits erprobte und validierte Fragebogenskalen aus der Forschung. Bevor ihr eigene Items entwickelt, prüft, ob es passende Instrumente gibt. Vorteile:

• Die Items sind bereits auf Verständlichkeit und Messgenauigkeit getestet
• Eure Ergebnisse lassen sich mit anderen Studien vergleichen
• Ihr spart euch Entwicklungsaufwand

Allerdings: Viele wissenschaftliche Skalen sind für den NPO-Kontext zu lang oder zu abstrakt. Es ist legitim, Skalen zu kürzen oder anzupassen. Dokumentiert aber, was ihr verändert habt, damit die Ergebnisse eingeordnet werden können.

Typische Fehler

Konstrukt nicht definiert

Ohne eine klare Konstruktdefinition formuliert ihr Items ins Blaue. Das Ergebnis: Fragen, die „irgendwie” zum Thema passen, aber nicht systematisch ein Konstrukt abbilden.

Zu wenig Indikatoren

Ein einzelnes Item pro Konstrukt ist riskant: Wenn die Frage missverstanden wird oder unglücklich formuliert ist, habt ihr keine Möglichkeit, das in der Auswertung zu erkennen. Mindestens zwei bis drei Items pro Konstrukt erhöhen die Messgenauigkeit.

Indikatoren und Konstrukt verwechselt

Manchmal wird ein Indikator mit dem Konstrukt gleichgesetzt. „Wie oft besuchen Sie unsere Veranstaltungen?” misst Besuchshäufigkeit. Das ist ein möglicher Indikator für Engagement, aber nicht dasselbe wie Engagement.

XLSForm Standard

XLSForm-Dokumentation

Hinweis: Diese Seite wurde (abgesehen von einigen Beispielen) maschinell aus dem Englischen übersetzt und gekürzt. Die Originalversion findet ihr unter xlsform.org/en/. Wegen der Kürzung sollten für forgeschrittene Vorhaben immer diese Website zu Rate gezogen werden.

Was ist eine XLSForm?

XLSForm ist ein Umfragestandard, der entwickelt wurde, um die Erstellung von Umfragen in Excel zu vereinfachen. Die Erstellung erfolgt in einem für Menschen lesbaren Format unter Verwendung eines vertrauten Tools, das fast jeder kennt - Excel. XLSForms bieten einen praktischen Standard für den Austausch und die Zusammenarbeit bei der Umfrageerstellung. Der Einstieg ist einfach, ermöglicht aber die Erstellung komplexer Umfragen durch Personen, die mit der unten beschriebenen Syntax vertraut sind.

Hinweis des CDL: XLSForm kann man in allen Spreadsheet-Tools erstellen, zum Beispiel auch in Google Sheets, LibreOffice Calc oder Grist.

Die XLSForm wird anschließend in ein ODK XForm konvertiert, einen gängigen offenen Umfragestandard, der es dir ermöglicht, eine Umfrage mit komplexen Funktionen, wie z.B. Sprunglogik, auf einheitliche Weise über eine Reihe von Web- und mobilen Datenerfassungsplattformen hinweg zu erstellen.

Grundlegendes Format

Jede Excel-Arbeitsmappe enthält in der Regel zwei Arbeitsblätter: „survey” (Umfrage) und „choices” (Auswahlmöglichkeiten). Ein drittes, optionales Arbeitsblatt mit dem Namen „settings” (Einstellungen), kann deiner Umfrage zusätzliche Angaben hinzufügen und wird im Folgenden beschrieben.

Das Arbeitsblatt „survey”

Dieses Arbeitsblatt gibt deiner Umfrage die Gesamtstruktur vor und enthält den Großteil des Umfrageinhalts. Es enthält die vollständige Liste der Fragen sowie Informationen darüber, wie diese in der Umfrage angezeigt werden sollen. Jede Zeile steht in der Regel für eine Frage; es gibt jedoch bestimmte weitere Funktionen, die im Folgenden beschrieben werden und die du der Umfrage hinzufügen kannst, um die Benutzerfreundlichkeit zu verbessern.

Das Arbeitsblatt „choices”

Dieses Arbeitsblatt dient dazu, die Antwortmöglichkeiten für Multiple-Choice-Fragen festzulegen. Jede Zeile steht für eine Antwortmöglichkeit. Antwortmöglichkeiten mit demselben Listennamen werden als Teil einer zusammengehörigen Auswahlgruppe betrachtet und erscheinen gemeinsam in einer Frage. Auf diese Weise kann eine Auswahlgruppe auch für mehrere Fragen wiederverwendet werden (z. B. Ja/Nein-Fragen).

Einrichten deiner Arbeitsblätter

Beide Arbeitsblätter enthalten eine Reihe von Pflichtspalten, die vorhanden sein müssen, damit die Umfrage funktioniert. Darüber hinaus verfügt jedes Arbeitsblatt über eine Reihe von optionalen Spalten, die eine weitere Steuerung des Verhaltens der einzelnen Einträge in der Umfrage ermöglichen, jedoch nicht zwingend erforderlich sind. Jeder Eintrag muss Werte für jede der Pflichtspalten enthalten, die optionalen Spalten können jedoch leer gelassen werden.

• Das survey-Arbeitsblatt verfügt über 3 obligatorische Spalten: type, name und label.
  • Die Spalte type gibt den Typ des Eintrags an, den du für die Frage erwartest.
  • Die Spalte name gibt den eindeutigen Variablennamen für diese Eingabe an. Keine zwei Eingaben dürfen denselben Namen haben. Namen müssen mit einem Buchstaben oder einem Unterstrich beginnen. Namen dürfen nur Buchstaben, Ziffern, Bindestriche, Unterstriche und Punkte enthalten. Bei Namen wird zwischen Groß- und Kleinschreibung unterschieden.
  • Die Spalte label enthält den tatsächlichen Text, den du für die Frage in der Umfrage sehen. Alternativ können Spalten für die Übersetzung der Beschriftungen verwendet werden.

• Das Arbeitsblatt choices enthält ebenfalls drei Pflichtspalten: list_name, name und label.
  • In der Spalte list_name kannst du eine Reihe miteinander verbundener Antwortmöglichkeiten gruppieren, d. h. Antwortmöglichkeiten, die unter einer Frage gemeinsam angezeigt werden sollen.
  • Die Spalte name gibt den eindeutigen Variablennamen für diese Antwortoption an.
  • Die Spalte label zeigt die Antwortoption genau so an, wie sie in der Umfrage erscheinen soll. Alternativ können Spalten für die Übersetzung der Label verwendet werden.

Die Spalten, die du deiner Excel-Arbeitsmappe hinzufügst, können in beliebiger Reihenfolge erscheinen, unabhängig davon, ob sie obligatorisch oder optional sind. Optionale Spalten können vollständig weggelassen werden. Zeilen oder Spalten können zur besseren Lesbarkeit leer gelassen werden, jedoch werden Daten nach 20 aufeinanderfolgenden leeren Spalten oder Zeilen auf einem Blatt nicht verarbeitet. Die gesamte Formatierung der .xlsx-Datei wird ignoriert, sodass du Trennlinien, Schattierungen und andere Schriftformatierungen verwenden kannst, um die Umfrage übersichtlicher zu gestalten.

Beim Erstellen von Umfragen in Excel ist zu beachten, dass die verwendete Syntax präzise sein muss. Wenn du beispielsweise „Choices” oder „choice” anstelle von „choices” eingibst, funktioniert die Umfrage nicht.

Fragetypen

XLSForm unterstützt eine Reihe von Fragetypen. Dies sind nur einige der Optionen, die du in die Spalte type im survey-Arbeitsblatt deiner XLSForm eingeben kannst:

Fragetyp	Antwort-Eingabe
integer	Eingabe einer ganzen Zahl.
decimal	Eingabe einer Dezimalzahl.
range	Bereichseingabe (einschließlich Bewertung)
text	Freitextantwort.
select_one [Optionen]	Multiple-Choice-Frage; es kann nur eine Antwort ausgewählt werden.
select_multiple [Optionen]	Multiple-Choice-Frage; es können mehrere Antworten ausgewählt werden.
select_one_from_file [Datei]	Multiple-Choice-Frage aus einer Datei; es kann nur eine Antwort ausgewählt werden.
select_multiple_from_file [Datei]	Multiple-Choice-Frage aus Datei; es können mehrere Antworten ausgewählt werden.
rank [Optionen]	Rangfrage; eine Liste ordnen.
note	Zeigt eine Notiz auf dem Bildschirm an, benötigt keine Eingabe. Abkürzung für type=text mit readonly=true.
date	Datumsangabe.
time	Zeitangabe.
calculate	Eine Berechnung durchführen; siehe den Abschnitt „Berechnung” weiter unten.

Eine vollständige Liste der Fragetypen und der Elemente, die diese in der Vorlage und im Verweis anpassen können, findest du hier.

Mehrfachauswahl

XLSForm unterstützt sowohl „select_one”-Fragen (nur eine Antwort auswählen) als auch „select_multiple”-Fragen (mehrere Antworten auswählen). Du kannst die Antwortmöglichkeiten für Multiple-Choice-Fragen direkt in der Umfrage festlegen oder, bei sehr langen Auswahllisten oder solchen, die durch einen externen Prozess aktualisiert werden müssen, in angehängten Dateien.

Um Auswahlmöglichkeiten in deiner Umfrage zu definieren, musst du deiner Excel-Arbeitsmappe ein Arbeitsblatt mit den Auswahlmöglichkeiten hinzufügen. Hier ist ein Beispiel für eine „select_one”-Frage:

Beachte, dass das Feld ja_nein im Arbeitsblatt survey mit dem Feld ja_nein in der Spalte list_name des Arbeitsblatts choices übereinstimmen muss. Dadurch wird sichergestellt, dass die Umfrage die richtige Liste mit Antwortmöglichkeiten für eine bestimmte Frage anzeigt. Wir können auch Multiple-Choice-Fragen hinzufügen, bei denen mehrere Antworten ausgewählt werden können, und zwar so:

Klicke auf den Link, um den vollständigen Pizza-Fragebogen anzusehen.

Namen von Auswahlmöglichkeiten (choices)

Die name Spalte des Auswahlblatts definiert die Werte, die gespeichert werden, wenn die jeweilige Auswahl während der Datenerfassung ausgewählt wird. Antwortnamen für select_multiple-Fragen dürfen keine Leerzeichen enthalten, da Leerzeichen als Trennzeichen verwendet werden, wenn eine Antwort mit mehreren ausgewählten Antworten gespeichert wird. Antwortnamen für „select_one”-Fragen dürfen Leerzeichen enthalten. Wir empfehlen jedoch, diese zu vermeiden, um die Analyse zu vereinfachen. Außerdem ermöglicht dies die Umwandlung der Frage in eine select_multiple-Frage in einer zukünftigen Umfrageversion.

Im Allgemeinen sollten die Namen der Auswahlmöglichkeiten innerhalb einer Auswahlliste eindeutig sein. Wenn zwei Auswahlmöglichkeiten derselben Liste denselben Namen haben, lassen sie sich bei der Auswertung nicht voneinander unterscheiden. Bei doppelten Namen der Auswahlmöglichkeiten wird eine Fehlermeldung angezeigt, und deine Umfrage wird nicht konvertiert. In manchen Fällen kann es jedoch sinnvoll sein, doppelte Namen für Auswahlmöglichkeiten zu verwenden. Ein Beispiel hierfür wäre die Verwendung einer kaskadierenden Auswahl, bei der die gleichnamigen Auswahlmöglichkeiten durch eine vorangestellte Frage voneinander unterschieden werden. Wenn du doppelte Auswahlnamen verwenden musst, kannst du die Fehler bei der Verwendung der choice_duplicates Einstellung:

Werte in einer Auswahlliste nachschlagen

Du kannst dem Auswahlblatt zusätzliche Spalten hinzufügen und dann mithilfe der Instanzfunktion Werte für diese Spalten nachschlagen.

„Anderes angeben”

Warnung: Wir empfehlen generell, die Spalte relevant zu verwenden, um deine eigene „Sonstiges”-Option festzulegen. Die in diesem Abschnitt beschriebene Abkürzung funktioniert nur bei Auswahlfeldern ohne Übersetzungen oder choice_filters. Sie verwendet Englisch für die Option „Sonstiges”, die nicht angepasst werden kann.

Bei Multiple-Choice-Fragen bieten Umfragen oft die Möglichkeit, „Sonstiges” anzukreuzen, wenn die gewünschte Antwortoption nicht aufgeführt ist. In diesem Fall werden die Befragten in der Regel gebeten, die sonstige Option näher zu beschreiben. XLSForm bietet hierfür eine Abkürzung: Füge im Umfrage-Arbeitsblatt hinter dem Namen der Antwortauswahlliste „or_other” ein. Das Arbeitsblatt mit den Antwortoptionen bleibt unverändert. Siehe unten:

Mehrfachauswahl aus Datei

Wenn du die Antwortmöglichkeiten für eine Multiple-Choice-Frage in einer separaten Datei bereitstellen möchtest, verwende den Fragetyp select_one_from_file oder select_multiple_from_file. Die Verwendung separater Dateien kann die Verwaltung längerer Antwortlisten vereinfachen und die Wiederverwendung von Antwortlisten in verschiedenen Umfragen erleichtern. Es werden drei Dateiformate unterstützt: CSV-, XML- und GeoJSON-Dateien. Siehe Anwendungsbeispiele unten:

Die Dateien müssen ein bestimmtes Format aufweisen. Eine CSV-Datei muss Spalten enthalten, die den Wert und die Bezeichnung der Optionen. Wenn du die Spaltennamen Name und die Bezeichnung verwendest, werden diese automatisch verwendet. Du kannst auch die zu verwendenden Spalten angeben.

Eine XML-Datei muss die folgende Struktur aufweisen:

<root>
    <item>
        <name/>
        <label/>
        ...
    </item>
</root>

Ein GeoJSON erfordert, dass jedes Feature über eine ID und eine Titel-Eigenschaft verfügt. Das GeoJSON muss durch eine einzige FeatureCollection auf oberster Ebene definiert sein. Weitere Informationen findest du in der ODK-Dokumentation.

CSV-, XML- und GeoJSON-Dateien können zusätzliche Spalten, XML-Knoten oder Merkmale und benutzerdefinierte Eigenschaften enthalten, solange die oben genannten grundlegenden Anforderungen erfüllt sind.

Dieser Fragetyp ist im Allgemeinen die bevorzugte Methode zum Erstellen von Auswahlfragen aus externen Daten, da er am vielseitigsten ist und anwendungsübergreifend funktioniert. Allerdings können Auswahlen aus Dateien mit Zehntausenden von Optionen die Reaktionsgeschwindigkeit der Umfrage beeinträchtigen. Wenn du lange Auswahllisten hast, prüfe, ob deine Umfrage auf dem Gerät mit der geringsten Leistung, das dein Datenerfassungsteam verwenden wird, ausreichend reaktionsschnell ist. Wenn es zu langsam ist, solltest du die Verwendung von dynamischen Auswahlen aus vorgeladenen Daten in Betracht ziehen, sofern deine Datenerfassungsanwendung dies unterstützt.

Rang

Mit dem Rang-Widget können die Befragten eine Liste von Optionen ordnen. Die Antwort wird als geordnete, durch Leerzeichen getrennte Liste von Optionswerten, wobei alle Optionen immer enthalten sind. Die Syntax ist der von Multiple-Choice-Fragen sehr ähnlich.

Um Verzerrungen zu vermeiden, wird oft empfohlen, die Zufallsfunktion in Verbindung mit diesem Widget zu verwenden.

Bereich

Um die Eingabe von ganzen Zahlen oder Dezimalzahlen auf einen bestimmten Bereich zu beschränken, kannst du die Bereichsfrage verwenden. Diese Frage kann mit drei optionalen, durch Leerzeichen getrennten Parametern verwendet werden: Start, Ende und Schritt in einer Parameterspalte. Die Standardwerte sind jeweils 1, 10 und 1.

Das folgende Beispiel erstellt eine Frage, die Eingaben von 0 bis 17 mit einem Schritt von 1 zulässt. Die Verwendung eines Dezimalschritts führt dazu, dass Dezimalwerte erfasst werden.

Um eine Bereichsfrage als Bewertungs-Widget mit Sternen anzuzeigen, kannst du das Bewertungs-Layout wie unten gezeigt hinzufügen:

Metadaten

XLSForm bietet eine Reihe von Datentypoptionen für die Metadatenerfassung:

Metadatentyp	Bedeutung
start	Startdatum und -zeit der Umfrage.
end	Enddatum und -zeit der Umfrage.
today	Tag der Umfrage.
deviceid	Eindeutige Client-Kennung. Kann vom Benutzer zurückgesetzt werden.
phonenumber	Telefonnummer (falls vorhanden).
username	Konfigurierter Benutzername (falls vorhanden).
email	Konfigurierte E-Mail-Adresse (falls vorhanden).
audit	Verhalten des Enumerators während der Dateneingabe protokollieren

Beachte, dass einige Metadatenfelder nur für Umfragen auf Mobiltelefonen gelten.

Wenn du beispielsweise alle diese Arten von Metadaten erfassen möchtest, füge Folgendes in deine Umfrage ein (in der Regel am Anfang, es kann jedoch an einer beliebigen Stelle in der Umfrage stehen):

Beachte, dass den Metadaten-Fragearten keine Beschriftungen zugeordnet sind. Das liegt daran, dass das Telefon diese Variablen automatisch erfasst. Diese Fragen werden nicht auf dem Bildschirm des Telefons angezeigt, aber du siehst sie, wenn du deine übermittelten Umfragedaten einsehen. Das Tutorial XLSForm zeigt, wie Metadaten in einer Umfrage verwendet werden.

Hinweise (hints)

Allgemeine Hinweise

Manchmal möchtest du einer Frage in deiner Umfrage einen kleinen Hinweis hinzufügen, der dem Benutzer erklärt, wie er die Frage beantworten soll, aber du möchtest nicht, dass der Hinweis Teil der Frage selbst ist. In XLSForms ist es ganz einfach, Fragen mit Hinweisen zu versehen. Füge einfach eine Hinweisspalte hinzu und gib deine Hinweismeldung ein. Ein Beispiel findest du unten.

Das Tutorial XLSForm enthält weitere Beispiele für Fragen mit Hinweisen.

Formeln

Formeln werden in den Spalten „Einschränkung”, „Relevant”, „Berechnung” und „Auslöser” sowie optional auch in den Spalten „Standard” und „Erforderlich” verwendet. Mit Formeln kannst du deinen Umfragen zusätzliche Funktionen und Maßnahmen zur Datenqualität hinzufügen.

Formeln bestehen aus Funktionen und Operatoren (+, *, div usw.). Eine gut dokumentierte vollständige Liste der Operatoren und Funktionen findest du in der ODK-Dokumentation. Für technisch Interessierte ist die zugrunde liegende XForms-Spezifikation das eigentliche Quelldokument für die unterstützten Funktionen.

Werte in Auswahllisten oder angehängten Dateien nachschlagen

Du kannst Werte aus Listen abrufen, die im Auswahlblatt, in angehängten CSV-Dateien, in angehängten GeoJSON-Dateien und angehängten XML-Dateien abfragen, indem du die Instanzfunktion verwendest. Du verwendest dabei folgende allgemeine Struktur:

instance('list_name')/root/item[Filterausdruck]/gewünschte_Eigenschaft

Die Instanzfunktion benötigt den Namen der Liste, in der du nach einem Wert suchen möchtest. Bei Listen, die im Auswahlblatt angegeben sind, ist dies der list_name. Bei angehängten Dateien verwendest du den Dateinamen ohne die Erweiterung. Zum Beispiel:

• Um Werte in einer im Auswahlblatt definierten Obstliste nachzuschlagen, verwende instance('fruits')
• Um Werte in einer participants.csv-Datei nachzuschlagen, verwendest du instance('participants')
• Um Werte in einer „places.geojson”-Datei nachzuschlagen, verwendest du instance('places')

Der nächste Teil des Ausdrucks lautet /root/item[Filterausdruck]. /root/item bedeutet, dass jedes Element in die Liste, und der angegebene Filterausdruck wird verwendet, um Elemente einzubeziehen, für die der Ausdruck wahr und Elemente auszuschließen, für die der Ausdruck falsch ist. Es handelt sich um denselben Ausdruck, der auch in der Spalte „choice_filter” verwendet wird. Die gängigste Art von Filterausdruck sucht nach einer exakten Übereinstimmung in der name Spalte eines Elements:

• Um das Element in participants.csv mit dem Namen eines gescannten Barcodes abzurufen: instance('participants')/root/item[name=${barcode_id}]
• Um das Element in participants.csv mit dem Namen eines Werts, der aus einer Auswahl stammt, abzurufen: instance('participants')/root/item[name=${participant}]

Der letzte Teil des Ausdrucks ist ein Eigenschafts- oder Spaltenname, auf den zugegriffen wird, um die Elemente abzurufen, die dem Filterausdruck entsprechen:

• Um das Alter eines Teilnehmers abzurufen, dessen Ausweis gescannt wurde: instance('participants')/root/item[name=${barcode_id}]/age
• Um den Vornamen eines aus einer Liste ausgewählten Teilnehmers abzurufen: instance('participants')/root/item[name=${participant}]/fname

Dies ist in der Regel die bevorzugte Methode zum Abrufen von Werten aus angehängten Dateien, da sie am vielseitigsten ist und anwendungsübergreifend funktioniert. Das Abrufen von Werten aus Dateien mit mehreren Zehntausend Optionen kann jedoch die Reaktionsgeschwindigkeit der Umfrage beeinträchtigen. Wenn du lange Auswahllisten hast, prüfe, ob deine Umfrage auf dem Gerät mit der geringsten Leistung, das dein Datenerfassungsteam verwenden wird, ausreichend reaktionsschnell ist. Sollte es zu langsam sein, ziehe die Verwendung von pulldata() in Betracht, sofern deine Datenerfassungsanwendung dies unterstützt.

Diese Ausdrücke verwenden eine Teilmenge von XPath 1.0. Der Filterausdruck in eckigen Klammern kann ein beliebiger Ausdruck sein, der zu „wahr” oder „falsch” ausgewertet wird, einschließlich der Verwendung von Funktionen.

Externe CSV-Daten

Wenn du eine CSV-Datei an deine Umfrage anhängen möchtest, um darin Werte nachzuschlagen, hast du mehrere Möglichkeiten. Wenn du eine Auswahl aus den Werten dieser CSV erstellen musst, kannst du select_one_from_file verwenden. Dadurch wird die CSV an deine Umfrage angehängt und du kannst darin Werte nachschlagen, wie oben beschrieben.

Wenn du keine Auswahl aus den Werten in deiner CSV-Datei erstellen musst, kannst du den Typ csv-external verwenden und den Namen der Datei ohne Dateiendung angeben:

Das obige Beispielformular fügt die participants.csv Liste an die Umfrage an. Anschließend wird nach einem Barcode-Scan gefragt und verwendet den gescannten Wert, um den Teilnehmer mit der passenden ID in der participant_id Spalte. Der Wert in der Vorname Spalte wird in der Vorname berechnen.

Einschränkungen (constraint)

Eine Möglichkeit, die Datenqualität sicherzustellen, besteht darin, den Datenfeldern in deiner Umfrage Einschränkungen hinzuzufügen. Wenn du beispielsweise nach dem Alter einer Person fragst, möchtest du unmögliche Antworten wie -22 oder 200 vermeiden. Das Hinzufügen von Datenbeschränkungen in deiner Umfrage ist ganz einfach. Füge einfach eine neue Spalte namens constraint hinzu und gib die Formel ein, die die Grenzen für die Antwort festlegt. Im folgenden Beispiel muss die Antwort für das Alter der Person kleiner oder gleich 150 sein. Beachte, wie das . in der Formel auf die Fragevariable verweist.

In diesem Beispiel besagt die Formel . <= 150, dass der eingegebene Wert . Die Antwort auf die Frage muss kleiner oder gleich 150 sein. Wenn der Benutzer 151 oder mehr als Antwort eingibt, darf er nicht zur nächsten Frage übergehen oder die Umfrage absenden.

Weitere nützliche Ausdrücke für die Spalte constraint findest du hier. Schau unter dem Abschnitt Operatoren nach.

Einschränkungsmeldung

Wenn du deiner Einschränkung eine Meldung hinzufügen möchtest, die dem Benutzer erklärt, warum die Antwort nicht akzeptiert wird, kannst du deiner Umfrage eine Spalte constraint_message hinzufügen. Siehe das folgende Beispiel.

Wenn der Benutzer in diesem Beispiel ein Alter unter 18 Jahren eingibt, wird die Fehlermeldung in der Spalte constraint_message angezeigt. Weitere Beispiele zu Einschränkungen sind in diesem XLSForm dargestellt.

Relevant

Eine großartige Funktion von XLSForm ist die Möglichkeit, eine Frage zu überspringen oder eine zusätzliche Frage anzuzeigen, je nach Antwort auf eine vorherige Frage. Nachfolgend findest du ein Beispiel dafür, wie dies durch Hinzufügen einer Spalte relevant für eine „select_one”-Frage umgesetzt werden kann, wobei wir unser vorheriges Beispiel mit den Pizzabelägen verwenden:

In diesem Beispiel wird der Befragte gefragt: „Magst du Pizza?” Wenn die Antwort Ja lautet, erscheint unten die Frage nach dem Pizzabelag. Beachte die ${ } Klammern um die Variable mag_Pizza. Diese sind erforderlich, damit die auf die Variable aus der vorherigen Frage verweisen kann.

Die Festlegung der Relevanz basierend auf dem Wert einer select_multiple-Frage unterscheidet sich geringfügig von dem Beispiel im obigen Beispiel:

Da bei der Frage nach dem Pizzabelag mehrere Antworten möglich sind, müssen wir die Funktion selected(${Lieblingsbelag}, 'Käse') verwenden, da die Frage nach dem Käse jedes Mal erscheinen soll, wenn der Benutzer Käse als eine der Antworten auswählt (unabhängig davon, ob weitere Antworten ausgewählt werden).

Im Abschnitt „Sonstiges angeben” wird erwähnt, dass die Funktion „relevance” verwendet werden kann, um bei Multiple-Choice-Fragen eine Freitext-Option „Sonstiges” anzugeben. Die Vorteile dieser Vorgehensweise gegenüber der Verwendung der Abkürzung or_other bestehen darin, dass du die Kontrolle über den Namen der Auswahlmöglichkeit hast, den Text festlegen kannst, den der Benutzer sieht, und dass dies auch bei mehrsprachigen Umfragen funktioniert. Hier ist ein Beispiel:

Beachte, dass du Sonstiges als Antwortmöglichkeit in das Arbeitsblatt Antwortmöglichkeiten aufnehmen musst.

Berechnung

Deine Umfrage kann Berechnungen anhand der Werte aus den vorhergehenden Fragen durchführen. In den meisten Fällen ist die Verwendung einer Frage vom Typ Berechnung angemessen. In der folgenden Umfrage haben wir beispielsweise das Trinkgeld für eine Mahlzeit berechnet und es dem Benutzer angezeigt:

Beachte, dass das ${Trinkgeld} in der letzten Zeile beim Anzeigen und Ausfüllen der Umfrage durch den tatsächlichen Trinkgeldbetrag ersetzt wird.

Der Berechnungstyp dient zur Berechnung von Text, Berechnungen können jedoch auch zu jedem anderen Fragetyp hinzugefügt werden. Nicht-Text-Typen können für die Datenanalyse nützlich sein, z. B. wenn ein Datum oder eine Datums- und Zeitangabe berechnet wird. Wenn keine Beschriftung und kein Hinweis angegeben sind, wird die Berechnung ausgeblendet. Siehe das folgende Beispiel, das dem vorherigen Formular entspricht:

Und dies ist ein Beispiel dafür, wann aufgrund von Anforderungen an die Datenanalyse ein Nicht-Text-Typ benötigt wird:

Beachte, dass die Verwendung von Berechnungstypen, die kein Text sind, keinen Einfluss auf die Verwendung des Berechnungsergebnisses innerhalb der Umfrage selbst hat. Dies ist ein häufiges Missverständnis.

Wenn eine Beschriftung oder ein Hinweis angegeben wird, wird die Frage in der Umfrage angezeigt und der berechnete Wert erscheint im Eingabefeld oder Widget. Dies wird im Allgemeinen nur für schreibgeschützte Fragen empfohlen, um eine Neuberechnung (und damit das Löschen) eines vom Benutzer eingegebenen Werts zu vermeiden. Siehe das folgende Beispiel:

Beachte den Unterschied zum ersten Formular in diesem Abschnitt: Der berechnete Trinkgeldbetrag wird hier anders angezeigt. Im ersten Beispiel wurde er in der Beschriftung angezeigt, im letzten Beispiel hingegen in einem schreibgeschützten Eingabefeld.

Erforderlich

Es ist ganz einfach, bestimmte Fragen in deiner Umfrage als Pflichtfelder zu kennzeichnen. Wenn du sie als Pflichtfelder kennzeichnest, kann der Benutzer nicht zur nächsten Frage übergehen oder die Umfrage absenden, ohne eine Antwort auf diese Frage eingegeben zu haben.

Um Fragen als Pflichtfelder zu kennzeichnen, füge deinem Umfrage-Arbeitsblatt eine Spalte erforderlich hinzu. Markiere die Fragen in dieser Spalte als Pflichtfelder, indem du ja eintragst. Siehe das folgende Beispiel:

Erforderliche Meldung

Wenn du die Meldung anpassen möchtest, die Benutzern angezeigt wird, wenn sie eine Pflichtfrage leer lassen, kannst du deiner Umfrage eine Spalte required_message hinzufügen. Siehe das Beispiel unten.

Gruppierung von Fragen

Um eine Gruppe von Fragen in deiner Umfrage zu erstellen, verwende die Syntax begin_group…end_group.

Dies ist eine gute Möglichkeit, verwandte Fragen für den Datenexport und die Analyse zu gruppieren. Beachte, dass end_group keinen Namen oder keine Bezeichnung benötigt, da sie in der Umfrage ausgeblendet ist.

In deiner Umfrage kannst du die Darstellung als Feldliste für eine Gruppe verwenden, um mehrere Fragen auf demselben Bildschirm anzuzeigen.

Gruppen innerhalb von Gruppen verschachteln

Fragengruppen können ineinander verschachtelt werden:

Du musst immer zuerst die zuletzt erstellte Gruppe beenden. Die erste end_group, die du siehst, schließt beispielsweise die Gruppe „HIV-Medikamente”, und die zweite schließt die Gruppe „Krankenhaus”. Wenn du mit Gruppen arbeitest und beim Hochladen deiner Umfrage immer wieder Fehlermeldungen erhältst, überprüfe bitte, ob du für jede begin_group eine end_group hast.

Überspringen

Eine praktische Funktion von XLSForm ist die Möglichkeit, eine Gruppe von Fragen zu überspringen, indem man die Gruppenfunktion mit der entsprechenden Syntax kombiniert. Wenn du eine Gruppe von Fragen auf einmal überspringen möchtest, setze das entsprechende Attribut wie folgt an den Anfang einer Gruppe:

Im obigen Beispiel werden die beiden Fragen zur Untergruppe (muac und mrdt) nur angezeigt, wenn das Alter des Kindes aus der ersten Frage fünf Jahre oder weniger beträgt.

Unterstützung mehrerer Sprachen

Es ist ganz einfach, eine Umfrage um mehrere Sprachen zu erweitern. Du musst lediglich deine Beschriftungen wie folgt benennen: label::language1 (Code), label::language2 (Code) usw., und schon sind deine Umfragen in mehreren Sprachen verfügbar. Siehe das folgende Beispiel. Wähle im Pulldown-Menü der Datenerfassungsanwendung (dieses befindet sich möglicherweise unter der Menütaste) eine andere Umfragesprache aus. Für das untenstehende Formular werden Englisch und Spanisch als mögliche Optionen angezeigt.

Du kannst auch verschiedene Sprachspalten für Hinweise und Mediendateien hinzufügen, indem du die ::language (Code) Syntax verwendest. Siehe auch die XLSForm-Referenz, die eine Liste aller Spaltenüberschriften enthält, bei denen eine Sprachänderung vorgenommen werden kann.

Die Sprache der Umfrage und die Sprache der Benutzeroberfläche können von der Anwendung separat festgelegt werden und stimmen möglicherweise nicht überein. Um (in Zukunft) eine Übereinstimmung beider Sprachen zu erleichtern, wird empfohlen – wenn auch optional –, einen zweistelligen Sprachcode hinter dem Sprachnamen anzufügen. Die offiziellen zweistelligen Sprachcodes, sogenannte Subtags, sind hier veröffentlicht (durchsuchen Sie die Seite mit Strg-F oder Cmd-F).

Wenn deine Umfrage mehrere Sprachen definiert und du eine Sprache für die Datenerfassung festlegen möchtest, lege eine explizite Standardsprache fest. Dies geschieht im Einstellungsblatt des XLSForms, indem du die Sprache in der Spalte default_language angibst. Im folgenden Beispiel ist die Standardsprache Französisch.

Standard (Default)

Das Hinzufügen eines Standardfelds bedeutet, dass eine Frage beim ersten Anzeigen für den Benutzer bereits mit einer Antwort vorbelegt ist. Dies kann Zeit sparen, wenn es sich um eine häufig ausgewählte Antwort handelt, oder dem Benutzer zeigen, welche Art von Antwort erwartet wird. Siehe das Beispiel unten.

Der Befragte kann die Antwort ganz einfach ändern, indem er auf das Antwortfeld tippt und eine andere Antwort eingibt.

Du kannst auch eine Standardberechnung hinzufügen, die nur einmal berechnet wird, wenn die Umfrage geladen wird oder – falls sich die Frage innerhalb einer Wiederholung befindet – wenn die Wiederholung hinzugefügt wird.

Darstellung

In der Spalte appearance kannst du das Erscheinungsbild der Fragen in deiner Umfrage ändern. Die folgende Tabelle listet die möglichen Darstellungsattribute auf und zeigt, wie die Frage in der Umfrage angezeigt wird.

Erscheinungsbild-Attribut	Fragetyp	Beschreibung
multiline	text	Am besten für Webclients geeignet, macht das Textfeld mehrere Zeilen lang.
minimal	select_one, select_multiple	Antwortmöglichkeiten erscheinen in einem Dropdown-Menü.
quick	select_one	Nur für mobile Clients relevant, springt automatisch zur nächsten Frage nach Auswahl einer Antwort.
no-calendar	date	Nur für mobile Geräte, unterdrückt die Kalenderanzeige.
month-year	date	Ermöglicht die Auswahl von Monat und Jahr für das Datum.
year	date	Ermöglicht die Auswahl nur eines Jahres für das Datum.
horizontal-compact	select_one, select_multiple	Nur für Webclients, zeigt Antwortmöglichkeiten horizontal an.
horizontal	select_one, select_multiple	Nur für Webclients, zeigt Antwortmöglichkeiten horizontal in Spalten an.
likert	select_one	Am besten für Webclients geeignet, zeigt Antwortmöglichkeiten als Likert-Skala an.
compact	select_one, select_multiple	Zeigt Antwortmöglichkeiten nebeneinander mit minimalem Abstand und ohne Radiobuttons oder Checkboxen an. Besonders nützlich bei Bildauswahlen.
quickcompact	select_one	Wie vorher, springt aber automatisch zur nächsten Frage (nur für mobile Clients).
field-list	groups	Die gesamte Gruppe von Fragen erscheint auf einem Bildschirm (nur für mobile Clients).
label	select_one, select_multiple	Zeigt die Beschriftungen der Antwortmöglichkeiten an (nicht die Eingabefelder).
list-nolabel	select_one, select_multiple	Wird in Kombination mit dem Label-Attribut verwendet, zeigt die Antwort-Eingabefelder ohne Beschriftungen an (bei mobilen Clients die Felder label und list-nolabel in eine Gruppe mit dem Attribut field-list setzen).
table-list	groups	Einfacherer Weg, um das gleiche Erscheinungsbild wie oben zu erreichen; wende dieses Attribut auf die gesamte Gruppe von Fragen an (kann die Umfrage etwas verlangsamen).
signature	image	Ermöglicht das Zeichnen einer Unterschrift in die Umfrage (nur für mobile Clients).
draw	image	Ermöglicht das Skizzieren einer Zeichnung mit dem Finger auf dem Bildschirm des mobilen Geräts.
map, quick map	select_one, select_one_from_file	Ermöglicht die Auswahl einer Option aus vielen Merkmalen auf einer Karte.

Eine XLSForm mit allen Darstellungsattributen in dieser Tabelle ist hier verfügbar.

Einstellungs-Arbeitsblatt

Das Einstellungs-Arbeitsblatt ist optional, es wird jedoch dringend empfohlen, zumindest form_title, form_id und version anzugeben. Mit weiteren Einstellungen kannst du deine Umfrage noch individueller anpassen, beispielsweise durch Festlegen eines allgemeinen Stilthemas oder durch Verschlüsseln deiner Datensätze.

Nachfolgend findest du ein Beispiel für ein Einstellungsblatt:

Die verfügbaren Spaltenüberschriften für die Einstellungen sind:

• form_title: Der Titel der Umfrage, der den Benutzern angezeigt wird. Der Umfragetitel wird aus form_id übernommen, wenn form_title leer ist oder fehlt.
• form_id: Der Name, der zur eindeutigen Identifizierung der Umfrage auf dem Server verwendet wird. Die Umfrage-ID wird aus dem Namen der XLS-Datei übernommen, wenn form_id leer ist oder fehlt.
• version: Zeichenfolge, die diese Version angibt. Eine gängige Konvention ist die Verwendung von Zeichenfolgen im Format „yyyymmddrr”. Beispielsweise steht 2017021501 für die erste Überarbeitung vom 15. Februar 2017.
• instance_name: Ausdruck, der Umfragefelder verwendet, um jede Umfrageübermittlung zu identifizieren. Weitere Informationen.
• default_language: In lokalisierten Umfragen legt dies fest, welche Sprache als Standard verwendet werden soll. Es sollte dasselbe Format wie beim Hinzufügen von Übersetzungen verwendet werden, einschließlich des Sprachcodes.
• public_key: Bei Umfragen mit Verschlüsselung wird hier der öffentliche Schlüssel eingefügt. Weitere Informationen.
• submission_url: Diese URL kann verwendet werden, um den Standard-Server zu überschreiben, an den abgeschlossene Datensätze übermittelt werden sollen. Mehr erfahren.
• style: Geben Sie für Webumfragen den Umfragestil an. Weitere Informationen.
• name: Name des XForms-Stammknotens. Dies ist selten erforderlich, mehr erfahren.
• clean_text_values: Diese Spalte kann verwendet werden, wenn ja oder nein um zu steuern, ob Leerzeichen in der Umfrage ausgeblendet ist (Standardwert ist „ja”).

Umfragen mit mehreren Seiten

Webumfragen können mithilfe des Stils Theme Pages auf mehrere Seiten aufgeteilt werden.

Ein Beispiel für eine Umfrage, die auf mehrere Seiten aufgeteilt ist, findest du im Webformular „Widgets auf Seiten”. Erstelle auf der Registerkarte Einstellungen eine Spalte mit dem Namen Stil und lege diese wie folgt auf Seiten fest:

Gruppiere auf der Registerkarte Umfrage die Fragen, die auf jeder Seite erscheinen sollen, und lege dann die Darstellung der Gruppe auf Feldliste fest. Siehe das folgende Beispiel.

Weitere Informationen zum Erstellen mehrseitiger Webumfragen findest du in diesem Blogbeitrag. Den Quellcode für XLSForm findest du hier.

Umfragen im Raster-Design

Der Grid-Stil ermöglicht es deiner Umfrage, das Aussehen traditioneller Papierfragebögen nachzuahmen, indem mehrere Fragen in einer Zeile zusammengefasst werden. Dieser Stil eignet sich am besten für größere Bildschirme (z. B. Computer oder Tablets). Außerdem lässt er sich gut ausdrucken!

Bitte klicke auf den Link, um ein Beispiel für ein Webformular im Grid-Design zu sehen.

Um eine Umfrage im Raster-Stil zu erstellen, gib auf der Registerkarte Einstellungen in der Spalte Stil wie folgt theme-grid ein:

Gruppiere auf der Registerkarte Umfrage die Fragen, die in den einzelnen Abschnitten erscheinen sollen, und lege dann die Darstellung für jedes Feld entsprechend der gewünschten Breite fest (die Standardbreite ist 4). Siehe das folgende Beispiel.

Weitere Informationen zum Erstellen von Grid-Umfragen findest du in diesem Blogbeitrag. Das XLSForm-Beispiel für das Grid-Theme findest du hier.

Tools, die XLSForms unterstützen

• Ona
• Enketo
• ODK
• KoBoToolBox
• CommCare
• SurveyCTO
• Secure Data Kit (SDK)
• Survey123 für ArcGIS
• Community Health Toolkit
• CyberTracker

Weitere Ressourcen

Wenn du dich eingehender mit XForms befassen und über die Informationen zu XLSForms auf dieser Website hinausgehen möchtest, findest du hier einige Ressourcen:

• XForms, wie sie vom ODK-Ökosystem unterstützt werden
• ODK-Richtlinien zum Formular-Design
• Übersicht über das Formular-Design in Ona
• KoBoToolbox-Hilfezentrum für Formularentwurf

Geschichte

XLSForm wurde ursprünglich von Andrew Marder und Alex Dorey vom Sustainable Engineering Lab der Columbia University entwickelt. Als XLSForms von der ODK-Community übernommen wurden, arbeitete SEL mit dem ODK-Team zusammen, um die aktuelle Spezifikation zu entwickeln. PyXForm, die Bibliothek zur Konvertierung von XLSForms in XForms, ist ein Open-Source-Projekt, das von Mitgliedern von ODK, Ona, SurveyCTO und KoBoToolbox unterstützt wird.

Antworttypen

Antworttypen

Der grundlegendste Unterschied beim Umfragedesign besteht zwischen geschlossenen Fragen, bei denen die Befragten aus vordefinierten Optionen auswählen, und offenen Fragen, bei denen sie frei in eigenen Worten antworten. Beide dienen unterschiedlichen Erkenntniszielen und sind mit spezifischen Tradeoffs verbunden.

Geschlossene Fragen sind kognitiv weniger anspruchsvoll und für Befragte, insbesondere in Online-Umfragen, einfacher zu beantworten, da sie lediglich einen Tastendruck oder Mausklick erfordern. Allerdings können vorgegebene Antwortoptionen den Teilnehmenden implizit signalisieren, welche Antworten als vernünftig oder erwünscht gelten, und dadurch die Antworten in eine bestimmte Richtung lenken. Offene Fragen umgehen diesen Effekt, bringen jedoch eigene Herausforderungen hinsichtlich Datenqualität, Vollständigkeit und Analyseaufwand mit sich (Connor Desai & Reimers, 2019⤴) .

Offene Fragen sind das zentrale Instrument der qualitativen Forschungstradition in den Sozialwissenschaften. In dieser Wissenssammlung wird jedoch vorrangig ein quantitativer Ansatz verfolgt; offene Fragen werden daher vor allem als Ergänzung zu geschlossenen Formaten behandelt.

Eine weitere Unterscheidung betrifft den Unterschied zwischen einzelnen Fragen und Fragebatterien: Werden mehrere thematisch zusammenhängende Fragen als Gruppe eingesetzt, spricht man üblicherweise von Items. Dieser Begriff ist in der deutschsprachigen Methodenliteratur etabliert und wird im Folgenden entsprechend verwendet.

Für alle nachfolgend beschriebenen Fragetypen werden exemplarisch Umsetzungsmöglichkeiten in xlsform und DDI Codebook, sowie Darstellungsmöglichkeiten in zwei gängigen Umfragetools vorgestellt.

Geschlossene Fragetypen

1. Single Choice

Bei Single-Choice-Fragen wählt die befragte Person genau eine Option aus einer vorgegebenen, abgeschlossenen Liste aus.

Wann sollte Single Choice verwendet werden?

Single Choice eignet sich, wenn die Antwortkategorien erschöpfend und trennscharf formuliert werden können, d. h. alle relevanten Ausprägungen des Merkmals abdecken, ohne sich zu überschneiden (z. B. Altersgruppen, Bildungsabschluss, Beschäftigungsstatus), (Holbrook & Lavrakas, 2008⤴)

Layout für wenige Antwortoptionen

Bei Fragen mit einer einzigen Antwortmöglichkeit sollten in den meisten Fällen vertikale Radio Buttons verwendet werden. In Kobo Toolbox und in Lime Survey ist die vertikale Darstellung Standard.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
select_one bildungsgrad	bildungsgrad	Was ist Ihr höchster Bildungsabschluss?

choices Copy

list_name	name	label
bildungsgrad	1	Kein Abschluss
bildungsgrad	2	Haupt- oder Realschulabschluss
bildungsgrad	3	Fachhochschulreife / Abitur
bildungsgrad	4	Abgeschlossene Berufsausbildung
bildungsgrad	5	Hochschulabschluss

Mehr anzeigen

Layout für viele Antwortoptionen (Single Choice)

Das Layout für lange Auswahllisten sollte anders sein als bei kurzen Listen: 100 Radio Buttons überladen das gesamte Umfrage-Layout.

Eine Option sind Dropdowns, durch die die Nutzer:in zu der Antwortoption scrollen kann. Bei langen Listen im Web/auf dem Desktop (wie z. B. Ländern oder Berufen) kann ein Dropdown geeignet sein, um Platz auf dem Bildschirm zu sparen. Dropdowns können jedoch bei sehr langen Listen (z. B. 100+ Optionen) ebenfalls unübersichtlich sein. Experimentelle Studien zeigen, dass ein Autocomplete-Feld (bei dem Befragte die ersten Buchstaben eingeben und passende Optionen gefiltert angezeigt werden) bei langen Listen mehr verwertbare Antworten liefert als ein einfaches Textfeld und schneller ist als ein klassisches Dropdown (Couper & Zhang, 2016⤴) .

Bei Autocomplete ist jedoch zu beachten, dass sich die kognitive Aufgabe verändert: Während geschlossene Fragen mit sichtbarer Optionsliste einer Wiedererkennungsaufgabe (Recognition) ähneln, funktionieren offene Eingabeformate eher wie Aufgaben des freien Abrufs (Recall), die auf kontrollierten Gedächtnisprozessen basieren. Empirische Befunde legen nahe, dass offene und geschlossene Antwortformate auf unterschiedlichen kognitiven und mnestischen Prozessen beruhen und daher zu unterschiedlichen Ergebnissen führen können (Connor Desai & Reimers, 2019⤴) . Autocomplete eignet sich daher vor allem für Fragen, bei denen die Befragten die Antwort bereits kennen (z. B. das eigene Herkunftsland oder eingenommene Medikamente), weniger für Fragen, bei denen Optionen erst durch Ansehen der Liste erkannt werden (z. B. „Welche dieser Marken kennen Sie?”).

Kobo Toolbox erlaubt für Single Choice eine Autocomplete-Option, während bei LimeSurvey nur ein Dropdown möglich ist. Über die appearance-Spalte in XLSForm kann die Darstellung über den Wert minimal zu einem Dropdown geändert werden.

Beim Fragebogendesign bietet es sich an viele Antwortoptionen über eine seperate Datei oder in einem separaten Sheet, dass dann über eine Formel eingebunden wird, abzubilden.

In DDI Codebook führen wir die Konvention ein, über den concepttag ein vocabular zu referenzieren.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
select_one_from_file iso_3166_1.csv	geburtsland	In welchem Land wurden Sie geboren?

Mehr anzeigen

2. Multiple-Choice

Bei Multiple-Choice-Fragen können Befragte alle zutreffenden Optionen auswählen. Jede Option wird als eigene binäre Variable kodiert (0 = nicht genannt, 1 = genannt). Strukturell entspricht eine Multiple-Choicefrage einer Batterie aus ebenso vielen Ja/Nein-Fragen, wie Antwortoptionen vorhanden sind.

Wann sollte Multiple Choice verwendet werden?

Single Choice ist das methodisch robustere Antwortformat (Smyth et al., 2006⤴) . Multiple Choice sollte nur verwendet werden, wenn Antwortoptionen sich nicht gegenseitig ausschließen (z.B. genutzte Medien, gesprochene Sprachen oder berufliche Tätigkeitsfelder).

Layout für wenige Antwortoptionen

Hier gilt das gleiche wie bei Single Choice.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
select_multiple wochenendtage	wochenende	An welchen Tagen des Wochenendes sind Sie erreichbar?

choices Copy

list_name	name	label
wochenendtage	sa	Samstag
wochenendtage	so	Sonntag

Mehr anzeigen

Layout für viele Antwortoptionen

Die Probleme von Dropdowns und vielen Radio Buttons sind ähnlich zu Single Choice, verschärfen sich hier jedoch: sie können dazu führen, dass nur bestimmte oder nicht alle relevanten Optionen ausgewählt werden. Es gibt weder in Kobo Toolbox, noch in Lime Survey gibt es gute und einfach umsetzbare Alternativen. Kobo Toolbox erlaubt einen Mutiple Choice Dropdown, aber kein Multiple Choice Autocomplete. Lime Survey erlaubt beides nicht für Mutiple Choice, es gibt jedoch ein Question Theme, das autocomplete für Multiple Choice ermöglicht.

In Limesurvey gibt es die option das dropdown fpr multiple chocie zu nehmen, oder ein repoeat vom autocompomplet zu nutzen. Leider ist letzteres eher führ mehrer fragen in einer sich wiederholdenden Gruppe gedacht, sodass die Wiederholungen bei vielen ausgewählten Optionen schnell zu viel Platz wegnehmen.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
select_multiple_from_file iso_3166_1.csv	besuchte_laender	Welche dieser Länder haben Sie bereits besucht? Mehrere Antworten möglich.

Mehr anzeigen

Halb-Offene Antwortformate

Halb-offene Antwortformate nehmen eine Zwischenposition zwischen vollständig geschlossenen und vollständig offenen Frageformaten ein (Soliman, 2024⤴) . Sie stellen eine vordefinierte, geschlossene Antwortliste bereit (Single oder Multiple Choice) und ergänzen diese um ein optionales Freitextfeld — typischerweise gelabeled als „Sonstiges (bitte angeben)”. Dadurch entstehen zwei verschiedene Datentypen innerhalb einer Frage: kategoriale, quantitativ auswertbare Antworten aus der geschlossenen Liste sowie Freitexteingaben, die qualitativ aufbereitet und gesondert analysiert werden müssen.

Der konzeptionelle Vorteil dieses Formats — Erschöpfungsgrad ohne vollständige Offenheit — ist in der Praxis jedoch begrenzt: Befragte nutzen die „Sonstiges”-Option selten und interpretieren die vorgelegte Liste als vollständig, selbst wenn ihre tatsächliche Antwort außerhalb der Kategorien läge (Krosnick et al., 2018⤴) .

Das „Sonstiges”-Feld sollte stets am Ende der Antwortkategorien platziert werden, um Primacy-Effekte zu vermeiden.

Themen, die wiederholt genannt werden, deuten auf eine Lücke im Kategoriensystem hin und sollten in künftigen Erhebungen als eigenständige Kategorien aufgenommen werden (O'Cathain & Thomas, 2004⤴) .

1. Single Choice mit „Sonstiges”-Antwortmöglichkeit

Bei Single-Choice-Fragen ist ein „Sonstiges (bitte angeben)“-Feld nur dann gerechtfertigt, wenn das erhobene Merkmal einen offenen Wertebereich hat, der sich nicht vollständig vorspezifizieren lässt — etwa Geschlecht, Berufsbezeichnung oder Religionszugehörigkeit. Bei Merkmalen mit klar begrenztem Wertebereich (z. B. Altersgruppe, Bildungsabschluss, Beschäftigungsstatus) sollte auf das Feld verzichtet werden, da die Kategorien so formuliert werden können, dass sie erschöpfend und trennscharf sind (Holbrook & Lavrakas, 2008⤴) .

Layout

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label	relevant
select_one quelle	aufmerksam	Wie sind Sie auf unser Angebot aufmerksam geworden?
text	aufmerksam_other	Sonstiges (bitte angeben)	${aufmerksam} = 'other'

choices Copy

list_name	name	label
quelle	suchmaschine	Suchmaschine
quelle	empfehlung	Persönliche Empfehlung
quelle	soziale_medien	Soziale Medien
quelle	other	Sonstiges

Mehr anzeigen

2. Multiple Choice mit „Sonstiges”-Antwortmöglichkeit

Bei Multiple-Choice-Fragen ist ein „Sonstiges”-Feld häufiger gerechtfertigt, weil der Antwortraum — also die Menge aller möglichen Auswahlen — im Voraus schwerer vollständig zu antizipieren ist als bei Single-Choice-Fragen.

Layout

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label	relevant
select_multiple geraete	geraetebesitz	Welche dieser Geräte besitzen Sie?
text	geraetebesitz_other	Sonstiges (bitte angeben)	${geraetebesitz} = 'other'

choices Copy

list_name	name	label
geraete	smartphone	Smartphone
geraete	laptop	Laptop
geraete	tablet	Tablet
geraete	other	Sonstiges

Mehr anzeigen

Geschlossene, gruppierte Antwortformate

1. Matrix / Likert-Skala (Grid)

Matrix-Fragen fassen mehrere Items zusammen, die dieselbe Antwortskala und denselben Einleitungstext teilen. In DDI 2.5 müssen die Antwortkategorien bei jedem Item wiederholt werden.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label	appearance
begin_group	institutionsvertrauen	Vertrauen in Institutionen	table-list
select_one skala5	vertrauen_parlament	Das Parlament
select_one skala5	vertrauen_polizei	Die Polizei
end_group

choices Copy

list_name	name	label
skala5	1	Gar nicht
skala5	2	2
skala5	3	3
skala5	4	4
skala5	5	Vollständig

Mehr anzeigen

Offene Antwortformate

1. Offene Zahl (Integer)

Offene numerische Fragen erfassen Zahlenwerte ohne vorgegebene Antwortkategorien — z.B. Alter, Haushaltsgröße oder Anzahl.

Einfachauswahl mit vorgegebene Antwortkategorien (z.B. Intervalle) sind bei numerischen Fragen problematisch, weil Befragte die mittlere Kategorie als implizite Norm interpretieren und ihre Antwort entsprechend anpassen — ein Effekt, der in Online-Befragungen auch außerhalb sensitiver Themen nachweisbar ist (Baur et al., 2014⤴) . Weiterhin: Vage Quantoren wie „manchmal”, „häufig” oder „selten” werden von verschiedenen Befragten sehr unterschiedlich interpretiert und erzeugen dadurch systematische Messfehler. (Krosnick et al., 2018⤴) . Für numerische Fragen — etwa zur Häufigkeit eines Verhaltens — empfiehlt sich daher grundsätzlich die direkte Abfrage eines konkreten Wertes anstelle vorgegebener Kategorien.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
integer	alter	Wie alt sind Sie?

Mehr anzeigen

2. Offener Text

Freitextfragen ermöglichen den Befragten, eigene Antworten in Textform zu formulieren — z.B. für Kommentare oder offene Rückmeldungen.

Wann eignet sich eine offene Texteingabe?

Nach Züll et al. (2019⤴) eignen sich die offene Texteingabe:

• Wenn der Befragungsgegenstand noch nicht eingegrenzt werden kann oder neue, unerwartete Aspekte erwartet werden (explorative Fragebogenentwicklung)
• Wenn das Spektrum möglicher Antworten zu groß für vorgegebene Kategorien ist
• Wenn eine Lenkung des Befragten in Richtung vorgegebener Kategorien vermieden werden soll — vorgegebene Antwortoptionen riskieren, Nennungen zu erzeugen, die Präferenzen des Fragebogenentwicklers statt echte Meinungen widerspiegeln
• Wenn Wissen abgefragt wird — offene Fragen minimieren die Wahrscheinlichkeit, durch Raten eine richtige Antwort zu erzielen, und führen häufig zu reliableren und valideren Angaben als geschlossene Fragen

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
text	anmerkungen	Haben Sie weitere Anmerkungen?

Mehr anzeigen

Weitere Antwortformate

Endpunkt-verankerte Ratingskalen

Endpunkt-verankerte Ratingskalen verwenden eine numerische Skala, bei der nur die Endpunkte (und ggf. der Mittelpunkt) verbal beschriftet sind. Im Gegensatz zu Likert-Batterien, bei denen jeder Skalenpunkt eine verbale Kategorie trägt und mehrere Items zu einem Gesamtwert aggregiert werden, sind endpunkt-verankerte Skalen typischerweise Einzelitem-Maße: Der einzelne Zahlenwert ist die interessierende Variable. Gängige Formate sind Feeling Thermometer (0–100), Cantril-Leiter (0–10), NPS-Skala (0–10), Schulnoten-Skala (1–6) und Wahrscheinlichkeitseinschätzungen (0–100%).

Semantisches Differential

Semantische Differentiale präsentieren zwei gegensätzliche Adjektive (z.B. „modern – traditionell”) an den Enden einer typischerweise 5- oder 7-stufigen Skala. Befragte verorten sich zwischen den Polen. Das Format wird häufig in der Marken- und Einstellungsforschung eingesetzt.

Ranking

Ranking-Fragen fordern Befragte auf, eine Menge von Items in eine Reihenfolge zu bringen (z.B. nach Wichtigkeit). Sie erzwingen Differenzierung — im Gegensatz zu Ratingskalen, bei denen alle Items gleich bewertet werden können. Ranking-Daten sind jedoch ipsativ (die Ränge sind nicht unabhängig voneinander), was die anwendbaren statistischen Verfahren einschränkt. Ab etwa 5–7 Items steigt die kognitive Belastung deutlich, und die Datenqualität sinkt.

Datum / Uhrzeit

Datums- und Uhrzeitfragen erfassen temporale Angaben direkt (z.B. Geburtsdatum, Zeitpunkt eines Ereignisses). In XLSForm entspricht dies den Typen date und time. Zentrale Designentscheidungen betreffen das Eingabeformat (DD.MM.YYYY vs. Datepicker) und die Mobilfreundlichkeit der gewählten Eingabemethode.

Weitere Empfehlungen für Antwortformate

„Weiß nicht” und „Keine Angabe”

Eine explizite „Weiß nicht”-Option erhöht den Anteil fehlender Antworten, ohne die Reliabilität zu verbessern. Der Anstieg ist nur teilweise auf echte Meinungslosigkeit zurückzuführen — die Option wird auch als Satisficing-Strategie genutzt und kann suggerieren, dass Expertenwissen zur Beantwortung nötig sei. Ihr Einsatz ist daher kritisch zu sehen (Baur et al., 2014⤴) .

„Keine Angabe” / „Möchte ich nicht beantworten” ist konzeptionell von „Weiß nicht” zu trennen: Hier wird nicht Unfähigkeit signalisiert, sondern bewusste Antwortverweigerung. Diese Option sollte bei sensiblen Themen angeboten werden — also bei Fragen, die soziale Erwünschtheit auslösen, als intrusiv empfunden werden oder bei denen Befragte negative Konsequenzen einer Offenlegung befürchten (Tourangeau & Yan, 2007⤴) . Typische Anwendungsbereiche sind Einkommen, Gesundheit, Sexualität und politische Zugehörigkeit. Wird bei solchen Fragen stattdessen eine Antwort erzwungen (Forced Answering), steigen die Abbruchquoten — insbesondere bei hochsensiblen Items — und die Antwortqualität sinkt (Décieux et al., 2015⤴) .

Bei Multiple-Choice-Fragen sollten “Weiß nicht” und “Keine Angabe” als exklusive Optionen implementiert werden: Sobald eine inhaltliche Option gewählt wird, ist eine gleichzeitige Angabe von „Weiß nicht” logisch widersprüchlich und sollte technisch unterbunden werden.

In XLSForm wird die Exklusivität einer Option über die Spalte exclusive in der choices-Tabelle gesteuert:

Nicht empfohlene Antwortformate

Schieberegler/Slider sollten zugunsten von Radio Buttons vermieden werden. Sie benötigen mehr Zeit zum Ausfüllen, führen zu mehr fehlenden Daten (Funke, 2016⤴) und sind insbesondere auf Mobilgeräten problematisch (Antoun et al., 2017⤴) . Entscheidend ist, dass sie keine zuverlässigen kontinuierlichen Daten liefern, denn ein Schieberegler von 0 bis 100 täuscht Präzision nur vor. Radio Buttons sind schneller, besser zugänglich und funktionieren auf allen Geräten gleich.

Fragen formulieren

Fragen formulieren

Eine sehr gute Anleitung des Ministeriums für Digitales mit den häufigsten Fehlern beim Formulieren von Fragen und Beispielen wie man es besser machen kann findet ihr in den Servicestandards.

Als generelle Regeln gelten bei der Formulierung von Fragebogenfragen nach Porst et al. (2019⤴) folgende Punkte:

1. Einfache, unzweideutige Begriffe verwenden, die von allen Befragten gleich verstanden werden. Was „einfach” bedeutet, hängt stark von der Zielgruppe ab.
2. Kurze, einfache Fragen formulieren. Lange Fragen verwirren und enthalten oft überflüssige Informationen.
3. Keine hypothetischen Fragen stellen. Befragte können sich oft nicht zuverlässig in Situationen versetzen, in denen sie nicht sind.
4. Doppelte Stimuli und Verneinungen vermeiden. Eine Frage sollte immer nur einen Sachverhalt abfragen.
5. Keine Unterstellungen oder suggestive Formulierungen. Diese schränken den Antwortspielraum der Befragten ein.
6. Keine Fragen zu Informationen, über die Befragte mutmaßlich nicht verfügen. Fehlendes Wissen senkt die Motivation und verschlechtert die Datenqualität.
7. Eindeutigen zeitlichen Bezug herstellen. Vage Zeitangaben wie „in den letzten Wochen” sind zu vermeiden; konkrete Anker wie „im September 2018” sind besser.
8. Antwortkategorien erschöpfend und disjunkt gestalten. Jede Person muss sich eindeutig einer Kategorie zuordnen können.
9. Kontexteffekte kontrollieren. Vorherige Fragen können die Beantwortung späterer Fragen beeinflussen. Dies lässt sich am besten durch Pretests prüfen.
10. Unklare Begriffe definieren. Wenn Vereinfachung nicht möglich ist, sollten Fachbegriffe erklärt werden.

Fragebogenaufbau

Fragebogenaufbau

Antwortverzerrungen

Reihenfolgeeffekte

Warum die Position einer Frage das Antwortverhalten beeinflussen kann.

Fragebogenlogik

Skip Logic, Branching und Filterführung.

Pretesting

Pretesting

Research Notes — Pretesting mit LLMs

LLM generated survey responses can mimick some aspects of human responses when you know the sociodemographics of the expected human respondents and condition the LLM on that via “personas”. The survey responses often reproduce averages fairly reliably but lack variance. For our purposes this seems surely good enough.

Simulating Human Opinions with Large Language Models: Opportunities and Challenges for Personalized Survey Data Modeling

Kaiser et al. (2025⤴) created ASPIRE (Automated Synthetic Persona Interview and Response Engine) (Couldn’t find their python code though).

They create personas based on real sociodemographic data:

“You are a [ethnicity] [sex] living in [state]. You were born in the year [year] in [country of birth]. Your nationality is [nationality] and you speak [language] fluently. Your education level is: [education level] and your profession is: [profession]. You describe your financial situation with [financial situation].”

Conclusion: Synthetic data is better than random (average agreement between synthetic and real responses was 78% (p<0.001)). However, they found a positivity bias where synthetic responses are more positive than real ones. No strong evidence of sociodemographic bias was found (though this doesn’t mean there’s no bias!). They also observed lower variance in synthetic responses (Kaiser et al., 2025⤴) .

Out of One, Many: Using Language Models to Simulate Human Samples

Argyle et al. (2023⤴) seems to be (among the) first to look in detail at how closely LLM responses map to human responses. They claim that LLMs are very good at reproducing the biases and views of subpopulations when prompted with personas.

Synthetic Replacements for Human Survey Data? The Perils of Large Language Models.

(Bisbee et al., 2024⤴)

Conclusion: Persona-based LLM reponses are good to model human averages but show less variance and non-faithful regression coefficients. Not surprising to me: Pre-trained LLMs have great calibration. After RLHF calibration collapses. Plus the temperature is less than 1 usually (so they sample with less variance than what they think the true next-word distribution is.

Large Language Models in Survey Research: Generating Synthetic Data and Unlocking New Possibilities.

(Motoki et al., 2023⤴)

They let the LLM generate the sociodemographic data (e.g. “73% female, 91% White, average age 41.6” and the LLM draws values to match that). Generally similar pattern. LLM responses are not a bad approximation but have some problems (too homogeneous, bias).

LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings

(Maier et al., 2025⤴)

Also as blog post. For Likert Scales (aka numeric responses): First let LLMs produce text, second match text with semantic similarity rating to Likert scale (very negative, negative, etc.). They had less positivity bias than humans in their experiments

Creating Synthetic User Research: Using Persona Prompting and Autonomous Agents

Blog Post that let’s the LLM come up with five more detailed personas and let’s them have a group chat over a product with autonomous agents. Less relevant for us.

Einführung

Erhebung Einleitung

Methoden der Feldführung und technisches Monitoring.

Feldphase & Monitoring

Feldphase & Monitoring

KoboToolbox

Summary

KoboToolbox ist Open Source, basiert auf XLSform und ist für NPOs in der Community Variante kostenlos gehostet. Die Umfragedaten kann man in einem auswertbaren Format herunterladen oder per API mit survey2ddi direkt in ein mensch- und maschinenlesbares Format für die weitere Auswertung bringen. Das Interface ist etwas weniger polished als bei z.B. Lamapoll, aber die Vorteile überwiegen klar.

Research Notes

• etwas weniger Nutzerfreundlich bei der Erstellung der Umfrage als z.B. Lamapoll.
• Beim online auswerten hat z.B. Lamapoll etwas bessere Möglichkeiten zur Visualisierung, weil z.B. Single Choice, Likert Scale, und Netpromoter im Hintergrund anders behandelt werden. Bei XLSform ist das alles “select one” und die automatische Auswertung weiß nicht, dass die items z.B. geranked werden könnten bei Likert und NetPromoter. Beim Download ist es dafür bei Lamapoll problematisch. Da geht die Info verloren, dass es eine Likert / NetPromoter Frage war.
• Dank dem XLSform Standard, kann man die heruntergeladenen Daten besser auswerten als bei Lamapoll (z.B. kann man alle Antwortmöglichkeiten zu einer Frage finden, was beim Lama Download fehlt.)

LimeSurvey

Lamapoll

Lamapoll notes

Wir schließen Lamapoll als von uns mit Code unterstütztes Umfragetool aus. Es ist nicht Open Source und man kann keine Umfragen importieren. Wir könnten also nicht mit dem XLSform Standard arbeiten und wären an Lamapoll als Platform gebunden.

Kostenfreie Funktionalität

Deskriptive Statistik
Download von aggregierten Daten mit deskriptiver Analyse z.B. als Excel Sheet. Für eine eigenständige weitere Auswertung der Daten braucht man allerdings die individuellen Daten, die es nur in der Bezahl-version gibt.

Bezahlte Funktionalität

Download individueller Daten als CSV
Gruppenvergleichen in Web GUI (groupBy)
Einfachen Report mit desktiptiven Grafiken erstellen

Einführung

Analyse Einleitung

Vom Rohdatensatz zur statistischen Auswertung.

Datenbereinigung

Datenbereinigung

Deskriptive Auswertung

Deskriptive Auswertung

Viele Fragen aus der Wirkungsmessung und anderen Anwendungsfeldern von Umfragen in zivilgesellschaftlichen Organisationen können mithilfe deskriptiver Statistik beantwortet werden. Deskriptive Statistik verwendet Ihr immer dann, wenn Ihr Aussagen über die Teilnehmenden Eurer Umfrage treffen möchtet, ohne daraus verallgemeinernde Schlüsse über größere Gruppen zu ziehen. Mit Kennzahlen und grafischen Darstellungen könnt Ihr zeigen, welche Informationen Eure Umfrage über die befragten Personen zutage gefördert hat. Ihr gegenüber steht die schließende Statistik, mit der ihr Aussagen treffen könnt, die über die befragte Gruppe hinausgehen. Dabei wird geprüft, ob beobachtete Unterschiede oder Zusammenhänge in den Daten auf Zufall innerhalb der Stichprobe beruhen oder ob sie sich mit einer gewissen Wahrscheinlichkeit auch auf die Grundgesamtheit übertragen lassen. Deskriptive Statistik beschreibt also die vorliegenden Daten und ist damit auch die Grundlage für alle weiteren Auswertungen. Schließende Statistik beurteilt, was sich aus diesen Daten über eine größere Gruppe sagen lässt.

In vielen Organisationen geht es nicht in erster Linie darum, streng auf eine große Grundgesamtheit zu schließen, sondern darum, die eigenen Teilnehmenden, Mitglieder oder Klient*innen besser zu verstehen. Genau dafür ist deskriptive Statistik sehr geeignet.

Gerade bei Evaluationen unter Teilnehmenden oder Befragungen unter Mitgliedern, die Ihr kennt oder denen Ihr schon begegnet seid, können deskriptive Darstellungen der Ergebnisse sehr hilfreich sein. Sie ermöglichen einen verständlichen Überblick darüber, welche Muster sich in den Antworten zeigen und an welchen Stellen es auffällige Unterschiede gibt. Deskriptive Statistik ist in solchen Fällen besonders nützlich, weil sie auch dann aussagekräftig sein kann, wenn keine repräsentative Stichprobe vorliegt. Für viele praktische Entscheidungen in zivilgesellschaftlichen Organisationen reicht es oft schon aus, die Antworten der tatsächlich erreichten Personen systematisch auszuwerten. Die Ergebnisse helfen dann dabei, Bedarfe zu verstehen, Angebote weiterzuentwickeln, Problemlagen früh zu erkennen und Diskussionen im Team auf eine nachvollziehbare Datengrundlage zu stellen. Außerdem hilft die deskriptive Statistik dabei, die Stichprobe genauer zu beschreiben. Ihr könnt zum Beispiel darstellen, welche Gruppen an der Befragung teilgenommen haben, wie sich die Teilnehmenden zusammensetzen und welche Perspektiven in den Daten stärker oder schwächer vertreten sind. Gerade das ist wichtig, um Ergebnisse realistisch einzuordnen und ihre Grenzen transparent zu machen.

Die Aussagen sowohl der deskriptiven als auch der schließenden Statistik sollten immer kritisch hinterfragt werden. Besonders relevant ist der sogenannte Responder Bias: In der Regel wird keine echte Zufallsstichprobe erreicht. Selbst wenn Einladungen zur Umfrage unter Klientinnen oder Mitgliedern zufällig verschickt wurden, ist meist nicht zufällig, wer tatsächlich teilnimmt. Häufig beteiligen sich eher besonders engagierte Personen oder solche, die unzufrieden sind und ihre Kritik äußern möchten. Es gibt statistische Verfahren, die versuchen, solche Verzerrungen rechnerisch zu berücksichtigen. Diese Verfahren sind jedoch oft anspruchsvoll und in der Praxis nicht immer leicht umzusetzen. Deshalb wird häufig im Text auf mögliche Verzerrungen hingewiesen und zu einer kritischen Reflexion der Ergebnisse angeregt. Eine weitere Möglichkeit besteht darin, die Ergebnisse gemeinsam mit Expertinnen zu besprechen, zum Beispiel mit den Personen, die ein evaluiertes Programm durchgeführt haben, und sie im jeweiligen Kontext zu interpretieren.

Zusammenfassend: Deskriptive Statistik ist hilfreich, weil sie

1. Antworten übersichtlich sichtbar macht,
2. Muster und mögliche Handlungsbedarfe erkennen lässt,
3. praktische Entscheidungen unterstützt,
4. auch ohne repräsentative Stichprobe nützlich sein kann,
5. die Grenzen der Daten transparent macht.

Die wichtigsten Kennzahlen der deskriptiven Statistik

Zum Beschreiben der Daten werden vor allem drei Kennzahlen verwendet: Streuungsmaße, Lageparameter und Zusammenhangsmaße. Hier werden nur die erklärt, die für einfache Auswertungen im zivilgesellschaftlichen Bereich wahrscheinlich Anwendung finden würden:

Lageparameter:

Arithmetisches Mittel/ Mittelwert

Dieser Wert ist identisch mit dem umgangssprachlichen Durchschnitt und bietet eine Zusammenfassung von numerischen Angaben oder Skalenwerten. Die kann für Euch zum Beispiel spannend sein, wenn Ihr die Zufriedenheit der Teilnehmenden mit einem Angebot auf einer Skala von 1-5 bewerten lasst. Dieser Wert ist allerdings sehr anfällig für Ausreißer: Wenn sich der Großteil der Nutzenden im oberen oder mittleren Bereich der Zufriedenheit bewegen, können schon wenige sehr negative Stimmen den Mittelwert nach unten ziehen.

Median

Für ähnliche Anwendungsfälle mit starken Ausreißern kann der Median hilfreich sein. Er ist der mittlere Wert einer der Größe nach geordneten Reihe von Antworten. Er teilt die Daten in zwei Hälften: 50 % der Werte liegen unter ihm, 50 % darüber, und zeigt damit, was die mittlere typische Antwortlage ist, ohne von Extremwerten zu stark beeinflusst zu werden. Der Median sagt aber nichts darüber, wie stark die Antworten streuen. Zwei Gruppen können denselben Median haben, obwohl ihre Antworten sehr unterschiedlich verteilt sind.

Modus

Der Modus gibt an, welcher Wert am häufigsten gegeben wurde – dafür muss es sich also nicht um Zahlenwerte mit sinnvoll berechenbaren Abständen wie beim Mittelwert handeln. Der Modus bietet sich an, wenn ihr wissen wollt, ob mehr Haupt- oder Ehrenamtliche an Eurer Umfrage teilgenommen haben oder welches Eurer Angebote von den Nutzenden am häufigsten genutzt wurde. Der Modus ist leicht verständlich, weil er die am häufigsten vorkommende Antwort angibt. Seine Aussagekraft ist jedoch begrenzt. Er zeigt weder, wie die übrigen Antworten verteilt sind, noch wie stark sich die Antworten unterscheiden. Außerdem kann es mehrere Modi geben oder keinen klaren Modalwert. Deshalb sollte der Modus in der Praxis möglichst zusammen mit Häufigkeiten, Prozentangaben oder der gesamten Verteilung betrachtet werden.

Streuungsmaße:

Standardabweichung

Die Standardabweichung ist ein Maß dafür, wie stark die Werte um ihren Mittelwert streuen. Sie zeigt also, ob die Antworten eher eng beieinanderliegen oder ob sie stark auseinandergehen. Dafür wird betrachtet, wie weit die einzelnen Werte im Durchschnitt vom arithmetischen Mittel entfernt sind. Der Wert gibt in der ursprünglichen Einheit an, wie unterschiedlich die einzelnen Werte zueinander sind. Die so darstellbare Unterschiedlichkeit in der Gruppe könnte zum Beispiel interessant sein, um zu erfahren, wie stark sich die Anzahl der ins Ehrenamt investierten Stunden, die Zufriedenheit oder die Zustimmung zu einer Aussage zwischen den einzelnen Antwortenden unterschiedet. Auch dieser Wert kann stark von Ausreißern beeinflusst werden.

Zusammenhangsmaße:

Korrelationskoeffizient nach Pearson

Der Pearson-Korrelationskoeffizient zeigt, ob und wie stark zwei numerische Merkmale linear zusammenhängen. Er zeigt also, ob höhere Werte der einen Variable eher mit höheren oder mit niedrigeren Werten einer anderen Variable einhergehen. Der Pearson-Korrelationskoeffizient kann Werte zwischen -1 und +1 annehmen:

• +1 bedeutet einen perfekten positiven linearen Zusammenhang,
• 0 bedeutet keinen linearen Zusammenhang,
• -1 bedeutet einen perfekten negativen linearen Zusammenhang. Ein positiver Zusammenhang bedeutet: Wenn die eine Variable steigt, steigt tendenziell auch die andere. Ein negativer Zusammenhang bedeutet: Wenn die eine Variable steigt, sinkt tendenziell die andere. Wichtig: Damit ist nicht bewiesen, dass ob eines das andere verursacht. Oder anders ausgedrückt: Korrelation ist nicht Kausalität. Andersherum ist auch nur dann ein Zusammenhang erkennbar werden, wenn dieser linear ist. Und auch hier können Ausreißer das Ergebnis stark beeinflussen. Dennoch ist dieser Koeffizient interessant, sobald es um Muster in euren Umfragen bei Zahlenwerten geht. Eine beispielhafte Frage könne sein: Geben Personen, die viele Stunden an Angeboten teilnehmen, auch hohe Zufriedenheitswerte an?

Rangkorrelationskoeffizient

Auch beim Rangkorrelationskoeffizienten sollen Zusammenhänge gemessen werden – hier geht es aber nicht um die numerischen Werte mit gleichem Abstand wie beim Pearson-Korrelationskoeffizienten, sondern um die Plätze in der Reihenfolge. Der Rangkorrelationskoeffizient ist also für Skalenfragen besonders geeignet, wenn die Frage lautet: Steigen zwei Merkmale tendenziell gemeinsam in ihrer Ordnung?

Kontingenzkoeffizient

Der Kontingenzkoeffizient ist für Zusammenhänge nominalskalierter kategorialer Daten gedacht, also für Merkmale ohne natürliche Reihenfolge. Typische Beispiele wären der Zusammenhang von Geschlecht und anderen Fragen, z.B. Teilnahme an bestimmten Angeboten. Gezeigt werden kann, ob zwei kategoriale Merkmale miteinander assoziiert sind, also ob bestimmte Ausprägungen häufiger gemeinsam auftreten als zufällig zu erwarten wäre. Dabei kann nur gezeigt werden, ob es einen Zusammenhang zwischen Kategorien gibt – keine positiven oder negativen Zusammenhänge wie bei den beiden anderen Zusammenhangsmaßen.

Videoanleitungen

Deskriptive Auswertungen sind oft innerhalb des Funktionsumfangs von webbasierten Umfragetools, aber auch in extra Programmen möglich. Hier findet Ihr einige Anleitungen:

• Deskriptive Reports in KoboToolbox erstellen
• Einfache deskriptive Analysen in Excel anfertigen
• Das kostenfreie Analysetool JASP verwenden

Für umfangreichere Einführungen, vor allem zu der Frage, welche Datenvisualisierungen am Besten für Eure Aussagen geeignet sind, empfehlen wir Euch auch die passenden Bildungsmaterialien aus unserer CDL Academy.

Schließende Statistik

Schließende Statistik

Im Gegensatz zur deskriptiven Statistik, die die vorliegende Daten beschreibt, geht es bei der schließenden Statistik darum Aussagen zu treffen, die über die beobachtete Gruppe hinaus gehen. Mal angenommen wir hatten 30 Teilnehmer an einer Umfrage. Mit schließender Statistik können wir Fragen beantworten wie: “Wie wahrscheinlich ist es, dass der Effekt den wir sehen (z.B. wer länger am Programm teilgenommen hat ist zufriedener) stabil ist und nicht durch Zufall in unserer kleinen Stichprobe an 30 Teilnehmer*innen zustande kam.”

Vielleicht ist euch im Statistik Kontext schonmal der Begriff p-Wert über den Weg gelaufen. Wenn dieser klein ausfällt (typischerweise <0.05), wird in der klassischen Statistik die Nullhypothese abgelehnt. In unserem Fall würden wir bei einem p-Wert von z.B. 0.03 die Nullhypothese, dass es keinen Zusammenhang zwischen Dauer der Teilnahme und Zufriedenheit gibt, ablehnen. Eine Aussage über die Wahrscheinlichkeit der Nullhypothese oder der Alternativhypothese ist allerdings nicht möglich.¹

Eine immer populärer werdende Richtung innerhalb der Statistik ist die Bayessche Statistik. Sie erlaubt im Gegensatz zur klassischen Statistik direkt Aussagen über Hypothesen zu treffen. Also Fragen zu beantworten wie: “Wie wahrscheinlich ist eine positive Korrelation zwischen der Dauer der Teilnahme und der Zufriedenheit”.

Wir haben für euch Tutorials zur Bayesschen Statistik zusammengestellt. Für Coder geht es hier zu unserem GitHub Repository survey-bayes. Für Nicht-Coder empfehlen wir die Arbeit mit dem Programm JASP.

Footnotes

1. Die korrekte Interpretation eines p-Werts ist: “Wie wahrscheinlich sind die gegebenen Daten oder noch extremere Daten unter der Annahme, dass die Nullhypothese wahr ist?” Wenn diese Wahrscheinlichkeit klein ist, dann wird die Nullhypothese abgelehnt. Daraus lässt sich aber nicht ableiten wie wahrscheinlich es ist, dass die Nullhypothese falsch ist. ↩

Statistikprogramm JASP

Statistikprogramm JASP

Für alle, die komplexere Auswertungen mit einer benutzerfreundlichen Oberfläche und nicht über eine Programmiersprache durchführen möchten, empfehlen wir JASP, eine moderne Oberfläche für die Statistiksoftware R. Das Programm ist kostenlos und open source. Es wird durch die Universität von Amsterdam unterstützt und ermöglicht Auswertungen sowohl mit klassischer als auch mit Bayesscher Statistik.

Download

JASP kann frei aus dem Internet heruntergeladen werden und hat dabei keine hohen Systemanforderungen: jasp-stats.org/download/

Einführung

Zur Einführung in die Nutzung von JASP empfehlen wir die JASP Video Library (auf Englisch).

Wer deutsche Anleitungen bevorzugt, findet diese in folgender YouTube-Playlist.

Hier noch zwei Übersichten zu weiteren hilfreichen Materialien (auf Englisch). Einmal eine Übersicht darüber wie man verschiedene klassische und Bayessche statistische Tests mit JASP durchführt. Und eine weitere Übersicht zu breiter gefassten Anleitungen und Büchern zur Statistik mit JASP.

Einführung

Von Daten zu Taten

Wie man Ergebnisse visualisiert, kommuniziert und in Maßnahmen übersetzt.

Datenvisualisierung

Datenvisualisierung

Ergebnisse kommunizieren

Ergebnisse kommunizieren

Datenbasiert entscheiden

Datenbasiert entscheiden

Methodik veröffentlichen - DDI

Methodik veröffentlichen

DDI Codebook

Eine Umfrage ist durchgeführt, die Daten sind da – aber wie sieht es mit der Dokumentation aus? Welche Fragen wurden genau gestellt? Welche Antwortmöglichkeiten gab es? Wie sind die Antworten kodiert? Diese Informationen stecken oft nur im Umfragetool selbst oder im Kopf der Person, die den Fragebogen erstellt hat. Wenn diese Person die Organisation verlässt, geht das Wissen mit.

Das macht es schwer, Ergebnisse richtig einzuordnen, eine Erhebung zu wiederholen oder Fragen über verschiedene Projekte hinweg zu vergleichen. Dabei wäre genau das wertvoll: voneinander lernen, welche Fragen funktioniert haben – und welche nicht.

Eine gute Dokumentation der Methodik löst dieses Problem. Und dafür gibt es einen etablierten Standard: DDI Codebook.

Was ist DDI Codebook?

DDI Codebook ist ein internationaler Standard zur Dokumentation von Umfragedaten, der in der Sozialforschung seit vielen Jahren eingesetzt wird. Er beschreibt strukturiert, welche Fragen in einer Erhebung gestellt wurden, welche Antwortoptionen zur Verfügung standen und wie die Daten aufgebaut sind.

Wichtig dabei: Ein DDI Codebook enthält ausschließlich Metadaten – also Informationen über den Fragebogen selbst, nicht die Antworten der Teilnehmenden. Es dokumentiert, was gefragt wurde und wie, aber nicht, was jemand geantwortet hat. Deshalb ist das Teilen eines DDI Codebooks datenschutzrechtlich unproblematisch.

Technisch gesehen ist ein DDI Codebook eine XML-Datei. XML ist ein textbasiertes Datenformat, das sowohl von Menschen als auch von Software gelesen werden kann. Im Gegensatz zu einer Excel-Tabelle oder einem PDF hat XML eine feste Struktur mit sogenannten Tags – ähnlich wie Beschriftungen, die jedem Inhalt eine eindeutige Bedeutung geben.

Ein Beispiel: So sieht eine einfache Single-Choice-Frage im DDI-Codebook-Format aus (siehe Tab „DDI XML”). Daneben zeigen wir, wie dieselbe Frage in XLSForm sowie in den Tools LimeSurvey und KoboToolbox aussieht – das macht sichtbar, was DDI gegenüber den tool-spezifischen Formaten leistet.

XLSFormDDI XMLLimeSurveyKoboToolbox

---

survey Copy

type	name	label
select_one bildungsgrad	bildungsgrad	Was ist Ihr höchster Bildungsabschluss?

choices Copy

list_name	name	label
bildungsgrad	1	Kein Abschluss
bildungsgrad	2	Haupt- oder Realschulabschluss
bildungsgrad	3	Fachhochschulreife / Abitur
bildungsgrad	4	Abgeschlossene Berufsausbildung
bildungsgrad	5	Hochschulabschluss

Mehr anzeigen

Das <var>-Element beschreibt eine Variable. Innerhalb davon steht in <qstnLit> der genaue Fragetext, wie er den Befragten angezeigt wurde. Attribute wie intrvl="discrete" sagen aus, dass es sich um eine kategoriale Frage handelt, also eine mit festen Antwortmöglichkeiten. Solche Details wirken auf den ersten Blick technisch, aber sie sorgen dafür, dass die Frage eindeutig dokumentiert ist – unabhängig davon, in welchem Tool die Umfrage erstellt wurde. Eine vertiefende Übersicht der Fragetypen findet ihr unter Antworttypen.

Warum lohnt sich das?

Wenn Fragen in einem einheitlichen Format beschrieben sind, werden sie auffindbar, vergleichbar und wiederverwendbar. Andere Organisationen können sehen, wie eine Frage formuliert war, und sie für eigene Erhebungen übernehmen oder anpassen. Statt bei jeder neuen Umfrage von vorne anzufangen, entsteht über die Zeit ein gemeinsamer Bestand an erprobten Instrumenten.

Ihr müsst dafür kein XML von Hand schreiben. Mit survey2ddi stellen wir ein Tool bereit, das aus bestehenden Umfragen (z.B. aus KoboToolbox auf Basis von XLSForm) automatisch ein DDI Codebook erzeugt.

Das Ergebnis kann anschließend über unsere Fragendatenbank QWAC mit der Community geteilt werden. QWAC ist mehr als ein Ablageort: Erst wenn viele Organisationen ihre Instrumente dort einstellen, entsteht ein gemeinsamer Pool erprobter Fragen, aus dem alle schöpfen können. Das hat zwei konkrete Effekte:

• Bessere Umfragen für alle: Wer eine neue Umfrage plant, kann auf Formulierungen zurückgreifen, die andere bereits getestet haben – statt jedes Mal bei Null anzufangen und dieselben Anfängerfehler zu wiederholen.
• Vergleichbarkeit zwischen Organisationen: Werden gleiche oder ähnliche Fragen mehrfach eingesetzt, lassen sich Ergebnisse zwischen Projekten, Trägern und Erhebungszeitpunkten vergleichen. Ohne diese gemeinsame Basis bleibt jede Auswertung eine Insel.

Je mehr Organisationen mitmachen, desto wertvoller wird der Bestand für die gesamte Zivilgesellschaft. Das Veröffentlichen eurer Methodik in QWAC ist daher kein Extra-Aufwand am Ende, sondern ein zentraler Beitrag zur Infrastruktur, von der ihr selbst beim nächsten Projekt profitiert.

Integration mit survey2ddi und qwac