Paradigmen im Umbruch? Generative KI als epistemischer Akteur in der empirischen Sozial- und Bildungsforschung

Herausgegeben von Tamara Ehmann¹ und Friedrich Wolf¹

¹ Goethe-Universität Frankfurt a. Main, Deutschland

Bitte reichen Sie Ihr Abstract bis zum 15. November 2026 unter https://www.medienpaed.com/about/submissions ein. Dort finden sie auch Hinweise zur formalen Gestaltung.

Call for Papers als PDF

Generative KI-Systeme (Large Language Models wie beispielsweise ChatGPT, Claude, Gemini) markieren eine Zäsur innerhalb der empirischen Sozial- und Bildungsforschung, da sie nicht ausschliesslich der Datenverarbeitung dienen, sondern unter anderem in analytische und interpretierende Forschungsaktivitäten eingreifen. Sie eröffnen damit neuartige forschungsmethodische Zugänge und -praktiken. Zugleich stellen sie etablierte forschungsmethodologische Grenzen grundlegend in Frage, indem sie die paradigmatischen Trennlinien zwischen qualitativen und quantitativen Forschungslogiken potenziell verschieben, durchlässig machen oder sogar auflösen und damit über etablierte methodologische Verknüpfungen wie in der Mixed-Methods-Forschung hinausgehen. In diesen etablierten Paradigmen sind methodische Entscheidungen über das epistemische Ziel hinaus, normative Setzungen darüber, was als Forschungsgegenstand oder Ergebnis anerkannt wird (Seyferth-Zapf 2023). Damit rückt im Kontext von KI als Forschungsmethode und medienpädagogischer Gegenstand die Frage in den Mittelpunkt, welche Annahmen durch die Technologie selbst implizit gesetzt werden und wie diese epistemisch reflektiert werden können.

Digitale Technologien beeinflussen seit Längerem etablierte und z. T. nötige Forschungswerkzeuge den Forschungsprozess auf methodischer und methodologischer Ebene und werfen damit auch epistemologische Fragen auf. Die Implementierung von Analysesoftware wie MAXQDA oder ATLAS.ti in der qualitativen Forschung sowie SPSS, R oder Mplus in der quantitativen Forschung hat in der Vergangenheit zu methodologischen Standardisierungen, veränderten Auswertungspraktiken und neuen Möglichkeiten der Datenanalyse geführt (vgl. Bollen et al. 2022; Kuckartz und Rädiker 2024; Mayring 2025). Dabei zeigt sich eine grundlegende Ambivalenz: Während Tools wie SPSS eher methodologische Standardisierungen befördern, eröffnet die Verbreitung von z.B. R – samt seiner Open-Source-Community – zugleich Räume für methodische Reflexivität und epistemische Offenheit. Diese Spannung verschärft sich mit dem Einsatz von LLMs, und berührt die epistemische Grundfrage, wer im Forschungsprozess analytische und interpretative Urteile trifft, begründet und verantwortet. Während (Sub-)Disziplinen wie beispielsweise die digital humanities oder die Medienwissenschaften sich bereits über einen längeren Zeitraum hinsichtlich des Umgangs und den Einfluss von digitalen Technologien auf Epistemologie und Methodologie auseinandergesetzt haben (vgl. König 2026; und siehe u.a. AI meets Qualitative Methods – AIQM¹), ist der aktuelle Diskurs um den Einsatz von LLMs in der Sozial- und Bildungsforschung noch stark auf damit einhergehende Risiken und forschungsethische Problematisierungen fokussiert (vgl. Nguyen und Welch 2026). Systematische Analysen zu produktiven Einsatzmöglichkeiten, methodologischen Implikationen und konkreten Gelingensbedingungen fehlen aktuell noch weitestgehend oder werden auf Grundlage von konzeptionellen Arbeitspapieren verhandelt (vgl. Aufenanger 2025; Rosenbohm 2025; Wannemacher et al. 2025).

Dieses Themenheft adressiert die aufgeworfenen Lücken innerhalb der empirischen Sozial- und Bildungsforschung im aktuellen Diskurs durch eine methodologisch differenzierte Bestandsaufnahme. Der Band verfolgt eine dezidiert forschungspraktische Perspektive. Es sollen insbesondere Gelingensbedingungen und Use-Cases präsentiert, kritisch diskutiert und hinsichtlich der Epistemologie reflektiert werden, die den gewinnbringenden Einsatz generativer KI in der empirischen erziehungswissenschaftlichen Forschung aufzeigen. Des weiteren soll die grundlegende Frage diskutiert werden, wie generative KI als epistemischer Akteur die Grenzen zwischen menschlicher Intuition und algorithmischer Mustererkennung verschiebt. Dadurch soll das Themenheft zur Professionalisierung KI-gestützter Forschung beitragen und die Entwicklung einer Community of Practice in der empirischen Bildungsforschung anstossen.

Das Themenheft strukturiert sich zum einen entlang der methodologischen Paradigmen der quantitativen (1), qualitativen (2) und mixed-methods Forschung (3), da diese unterschiedliche Erkenntnislogiken und methodische Anforderungen aufweisen. Zum anderen werden aber auch Implikationen für die forschungsmethodische Ausbildung an Hochschulen und Universitäten (4) thematisiert.

1. In der quantitativen Forschung liesse sich beispielsweise diskutieren, inwiefern komplexe statistische Verfahren durch KI-gestützte Codegenerierung für einen erweiterten Kreis von Forschenden anwendbar und damit die Güte quantitativer Forschung erhöht werden könnte. Generative KI könnte z. B. bei der Identifikation von Syntaxfehlern, der Generierung von vergleichbarem Analysecode, bei der Konstruktion von Fragebögen und psychometrischen Tests und der Dokumentation methodischer Entscheidungen unterstützen. Es liessen sich neue analytische Zugänge erschliessen, wenn KI selbst als Auswertungsinstrument eingesetzt würde, etwa in der automatisierten Textklassifikation grösserer Datensätze oder in der Mustererkennung komplexer Zusammenhänge. Darüber hinaus wären neue Formen und Möglichkeiten der grafischen Repräsentation empirischer Daten denkbar. Zugleich ist kritisch zu fragen, ob die Absenkung methodischer Zugangsschwellen nicht eine Scheinexpertise befördern kann, bei der die Verfügbarkeit von Verfahren und die Kompetenz zu ihrer methodologisch reflektierten Anwendung nicht mehr kongruent sind. Methodologisch ist dabei zu reflektieren, inwiefern die Automatisierung von Analyseschritten die Objektivität und Replizierbarkeit beeinflusst, wenn die zugrunde liegenden Modelle selbst eine epistemische Intransparenz aufweisen.

2. Für das qualitative Paradigma ergeben sich andere spezifische Potenziale und forschungspraktische Überlegungen, die sich zudem je nach analytischer Zielsetzung unterschiedlich darstellen. Für inhaltsanalytische Ansätze stellt sich die Frage, inwiefern generative KI die systematische Kategorienbildung und -anwendung unterstützen kann, während für eher rekonstruktive Verfahren von Interesse ist, wie generativer KI bei einer fallspezifischen Analyse unterstützend eingesetzt werden kann. Generative KI könnte zudem als «critical friend» alternative Interpretationsperspektiven generieren, die systematische Analyse umfangreicher Textkorpora unterstützen und Codierprozesse kritisch begleiten (siehe hierzu beispielsweise Törnberg 2024; oder von Unger 2025; für ein rekonstruktives Vorgehen Schäffer und Lieder 2022; oder für qualitative Inhaltsanalyse siehe Schneijderberg, Wieczorek, und Steinhardt 2026). Diese Praktiken werfen dabei auch grundlegende methodologische Fragen auf: Wie verhält sich eine auf probabilistischen Systemen basierende algorithmische Mustererkennung zu interpretativen Verstehensprozessen? Welche Rolle kann KI z. B. in der Entwicklung theoretischer Konzepte aus dem Material einnehmen? Welche impliziten Vorannahmen und kulturellen Kodierungen sind in KI-Modellen eingeschrieben und wie reproduzieren diese möglicherweise hegemoniale Deutungsmuster (Carius und Teixeira 2025)? Kann eine KI-gestützte Analyse der interpretativen Tiefe qualitativer Verfahren gerecht werden, oder führt der Einsatz von LLMs zu einer schleichenden Standardisierung, die das epistemische Potenzial des ‹Fremdverstehens› unterläuft? Welche datenschutzrechtlichen Problematiken müssen beim Einsatz von LLMs für die qualitative Forschung bedacht werden? Dabei ist grundlegend zu bedenken, dass im qualitativen Paradigma die forschende Person selbst als Erkenntnisinstrument gilt – mit ihrer Positioniertheit, ihrem Vorverständnis und ihrer interpretativen Urteilskraft. KI-gestützte Analyseschritte berühren damit nicht nur Fragen der Innovation, sondern die methodologische Grundannahme, dass Verstehen an Subjektivität gebunden ist.

3. Die mixed-methods Forschung könnte gleichzeitig durch generative KI eine qualitativ neue Dimension erhalten. Die Auswertung offener Antwortformate in standardisierten Erhebungen, die Integration qualitativer Interviews mit quantitativen Textanalysen oder die Triangulation heterogener Datenformate können durch KI-gestützte Verfahren erleichtert werden, sodass komplexere mixed-methods Designs sowie eine erleichterte Integration beider Datenstränge in Zukunft denkbar wären. Dabei wirft die KI-gestützte Integration heterogener Datenstränge zugleich grundlegende epistemologische Fragen auf: Inwiefern können algorithmische Verfahren die paradigmatischen Spannungen zwischen qualitativen und quantitativen Erkenntnislogiken nicht nur technisch überbrücken, sondern für eine methodologische Weiterentwicklung von mixed-methods Designs produktiv machen? Eine erste Annäherung zu dieser Thematik erfolgte bereits durch das erschienene Jahrbuch Medienpädagogik 15 (Fromme et al. 2020): «Erziehungswissenschaftliche und medienpädagogische Online-Forschung: Herausforderungen und Perspektiven». Des Weiteren erfolgte im April 2025 bereits ein Call für ein Themenheft dezidiert zur mixed-methods Forschung. Dieser Call ist somit auch als eine Fortführung an die bereits aufgeworfenen Debatten und eine spezifische epistemologische Auseinandersetzung an das Themenheft «Mixed Methods im Spannungsfeld. Weiterentwicklung digitaler Forschungsmethoden zwischen KI, NLP, Big Data und transdisziplinäre Forschung» zu verstehen.

4. All dies hat unmittelbare Konsequenzen für die forschungsmethodische Ausbildung an Hochschulen und Universitäten. Wenn generative KI zu einem essentiellen Bestandteil empirischer Sozial- und Bildungsforschung werden sollte, stellt sich einerseits verschärft die Frage, welche Kompetenzen Studierende (noch) erwerben müssen, um eigene methodisch fundierte Forschung zu betreiben und Forschungsliteratur kritisch zu rezipieren (siehe hierzu den Beitrag von Märzinger (2025) in Bezug auf die akademische Schreibpraxis). Andererseits werden hier medienpädagogische Kompetenzen und Critical AI Literacy seitens der Studierenden aufgerufen und gefordert, die zu reflektieren sind sowie darüber nachgedacht werden muss, wie die Arbeit mit KI-Systemen als Teil einer medialen Sozialisation von angehenden Wissenschaftler:innen umgesetzt werden kann (siehe hierzu das Heft 57 MedienPädagogik, mit dem Fokus auf Medienkompetenz messen). Zugleich bietet KI didaktische Chancen für die Simulation von Forschungsprozessen, die explorative Arbeit mit grösseren Datensätzen oder die Vermittlung fortgeschrittener Methoden (siehe hierzu für rekonstruktive Forschungsmethoden: Lieder und Schäffer 2023). Hieran anknüpfend sollte KI selbst als Lerngenstand angesehen werden, der in medienpädagogischen Szenarien zu reflektieren ist. Die Entwicklung didaktischer Konzepte, die diese Potenziale entfalten, stellt eine zentrale Aufgabe der künftigen Methodenausbildung dar.

Quer gelagert zu diesen aufgezeigten Themenfelder soll innerhalb aller Beiträge des Themenheftes die damit einhergehen übergreifende epistemologische und wissenschaftstheoretische Fragen dezidiert bearbeitet werden. Der Forschungsprozess ist in allen Forschungsparadigmen durch die forschende Person vermittelt. Der Einsatz generativer KI als Ko-Forscher verschiebt diese Konstellation: Interpretative und analytische Leistungen werden zwischen menschlichen und technischen Akteur:innen verteilt, was Fragen nach der epistemischen Verantwortung, nach Transparenz und Nachvollziehbarkeit von Forschungsprozessen aufwirft. Wissenschaftstheoretisch ist dabei auch die Machtdimension der eingesetzten Systeme selbst zu reflektieren: Generative KI-Modelle sind proprietäre, kommerziell entwickelte Systeme, deren Trainingsgrundlagen, Parametisierung und epistemische Vorannahmen weitgehend intransparent bleiben – eine Bedingung, die die nötige Transparenz und Nachvollziehbarkeit von Forschungsprozessen grundlegend in Frage stellt. Fragen die hierzu innerhalb der Beiträge u. a. reflexiv bearbeitet werden sollen sind: Wie sind methodologische Gütekriterien zu konzeptualisieren, wenn KI-Systeme in den Erkenntnisprozess(en) integriert sind? Welche neuen Formen der Dokumentation und Reflexion sind erforderlich, um methodische Entscheidungen transparent zu halten? Zentral ist die wissenschaftstheoretische Auseinandersetzung mit der Frage, welchen Status das durch KI generierte Wissen beanspruchen kann und wie die methodische Kontrolle im Sinne einer reflexiven Forschungspraxis gewahrt bleibt.

Dieser Call lädt zu Beiträgen in einem zweistufigen Begutachtungsverfahren ein:

• Abstracts möglicher Beiträge im Umfang bis max. 200 Wörtern (exkl. Literaturangaben) mit Angabe von fünf bis sechs Keywords. Die Abstracts durchlaufen ein editorial-peer-review-Verfahren. Einreichung bis zum 15. November 2026 via: https://www.medienpaed.com/about/submissions.
• Die Herausgebenden benachrichtigen über die Annahme des Abstracts bis spätestens zum 31. Januar 2027. Aus der positiven Rückmeldung des Abstracts geht keine zwingende Annahme der Publikation hervor.
• Die Volltexte sind bis zum 31. März 2027 einzureichen.
• Im Anschluss werden die Volltexte im zweifachen open peer-review-Verfahren unter Einbezug der Autor:innen bis ca. 31. Mai 2027 begutachtet und anschliessend überarbeitet.
• Die Veröffentlichung des Themenheftes ist für Herbst 2027 geplant.

• Bei den eingereichten Artikeln in Deutsch oder Englisch muss es sich um Originalbeiträge beziehungsweise Erstveröffentlichungen handeln.
• Wissenschaftliche Beiträge (Volltexte) sollten ungefähr 40.000 Zeichen (mit Leerzeichen, ohne Abstract und Literaturverzeichnis) umfassen.
• Ein Abstract von 150-200 Wörtern fasst die zentralen Aussagen und Ergebnisse kurz zusammen.
• Sowohl Titel wie Abstract müssen in deutscher und englischer Sprache vorliegen und zusammen mit dem Artikel eingereicht werden.
• Es gelten die Richtlinien für Autor:innen: https://www.medienpaed.com/about/submissions#authorGuidelines.
• Die eingereichten Beiträge werden im open peer-review-Verfahren begutachtet.
• Im Rahmen der wissenschaftlichen Transparenz ermutigen wir alle Forschenden, ihre Forschungsdaten (z. B. Software, Datensätze, verwendete Fragebögen) mit der Einreichung zur Verfügung zu stellen.

Einreichung der Abstracts und Volltexte via: https://www.medienpaed.com/about/submissions.

Die Zeitschrift MedienPädagogik hat sich höchste ethische Standards gesetzt, um deren Einhaltung wir bitten möchten:

«MedienPädagogik verpflichtet sich zu höchsten ethischen Standards im wissenschaftlichen Publizieren. In Anlehnung an die Empfehlungen des Committee on Publication Ethics (COPE) erwarten wir von Autor:innen, Gutachter:innen und Herausgeber:innen einen verantwortungsvollen und transparenten Umgang mit KI-Werkzeugen.

• Autor:innen sollten den Einsatz generativer KI-Tools bei der Erstellung, Überarbeitung oder Übersetzung ihrer Manuskripte offenlegen. Dies umfasst auch KI- Datenanalysen, Mediengenerierung oder Literaturrecherchen.
• KI-Systeme dürfen nicht als Autor:innen angegeben werden. Die Verantwortung für den Inhalt liegt vollständig bei den menschlichen Autor:innen.
• Datenschutz, Fairness und mögliche Verzerrungen (Bias) sind beim Einsatz von KI im Forschungs- und Publikationsprozess stets zu berücksichtigen.
• Gutachter:innen und Herausgeber:innen dürfen KI-Tools unterstützend, jedoch nicht als Ersatz für menschliches Urteilsvermögen verwenden. Redaktionsentscheidungen werden niemals ausschliesslich durch Algorithmen getroffen.»

• Tamara Ehmann, Goethe-Universität Frankfurt, Fachbereich Erziehungswissenschaften, Associated Lecturer für Methoden in den Erziehungswissenschaften
• Friedrich Wolf, Goethe-Universität Frankfurt, Fachbereich Erziehungswissenschaften, wissenschaftlicher Mitarbeiter am Fachbereich Erziehungswissenschaften sowie am Center for Critical Computational Studies

Melden Sie sich gerne bei Rückfragen bei den Herausgebenden.

Aufenanger, Stefan. 2025. «Künstliche Intelligenz und Forschungsethik – eine pragmatische Sicht». Erziehungswissenschaft 36 (70): 83–88.

Bollen, Kenneth A., Zachary Fisher, Adam Lilly, Christopher Brehm, Lan Luo, Alejandro Martinez, und Ai Ye. 2022. «Fifty Years of Structural Equation Modeling: A History of Generalization, Unification, and Diffusion». Social Science Research 107: 102769. https://doi.org/10.1016/j.ssresearch.2022.102769.

Carius, Ana Carolina, und Alex Justen Teixeira, «Artificial Intelligence and content analysis: the large language models (LLMs) and the automatized categorization». AI & Society 40 (2025): 2405-2415: https://doi.org/10.1007/s00146-024-01988-y.

Ernst, Julian, Christian Seyferth-Zapf, Judith Martinez Moreno, und Klaus Rummler, Hrsg. Medienkompetenz messen. MedienPädagogik 57. Zürich: OAPublishing Collective. https://doi.org/10.21240/mpaed/57.X

Fromme, Johannes, Stafan Iske, Therese Leik, Steffi Rehfeld, Jasmin Bastian, Manuela Pietraß, und Klaus Rummler, Hrsg. Erziehungswissenschaftliche und medienpädagogigsche Online-Forschung: Herausforderungen und Perspektiven. Jahrbuch Medienpädagogik 15. Zürich: OAPublishing Collective. https://doi.org/10.21240/mpaed/jb15.X.

König, Mareike. 2026. «Fertig – vorerst. Unfertigkeit als epistemischer Wert in den digitalen Geisteswissenschaften». Zeitschrift für digitale Geisteswissenschaften 11. https://doi.org/10.17175/2026_002.

Kuckartz, Udo, und Stefan Rädiker. 2024. Qualitative Inhaltsanalyse: Methoden, Praxis und Umsetzung mit Software und künstlicher Intelligenz. Weinheim: Beltz Juventa.

Lieder, Fabio Roman, und Burkhard Schäffer. 2023. «Lehren und Lernen rekonstruktiver Forschungsmethoden mit genrativen Sprachmodellen in hybriden Forschungswerkstätten? Theoretische und empirische Befunde». Journal für Psychologie 31(2): 131-154: https://doi.org/10.30820/0942-2285-2023-2-131.

Mayring, Philipp. 2025. «Qualitative Inhaltsanalyse mit ChatGPT: Fallstricke, große Annäherungen und grobe Fehler. Ein Erfahrungsbericht». Forum Qualitative Sozialforschung 26 (1): https://doi.org/10.17169/fqs-26.1.4252.

Märzinger, Marina. 2025. «Begleitung des Denk- und Schreibprozesses durch KI-basierte Werkzeuge». Magazin erwachsenenbildung.at 55: 29–36. https://erwachsenenbildung.at/magazin/ausgabe-55.

Nguyen, Duc Cuong, und Catharina Welch. 2026. «Generative Artificial Intelligence in Qualitative Data Analysis: Analyzing–Or Just Chatting?». Organizational Research Methods 29 (1): 3–39.

Rosenbohm, Sophie. 2025. «Mit künstlicher Intelligenz forschen? Anwendungsmöglichkeiten und Herausforderungen in der arbeitssoziologischen Forschungspraxis». IAQ-Report 2025-09. https://doi.org/10.17185/duepublico/84315.

Schäffer, Burkhard und Fabio Roman Lieder. 2022. «Distributed interpretation – teaching reconstructive methods in the social sciences supported by artificial intelligence». Journal of Research on Technology in Education 55: 111-124.

Schneijderberg, Christian, Oliver Wieczorek und Isabell Steinhard, „The handbook of qualitative and quantitaiv conten analysis. Introduction to Classical, Digital, AI-supported, and Automated Data Analysis (2026): https://doi.org/10.4324/9781003496397.

Seyferth-Zapf, Christian. 2023. «Mixed Methods im Kontext gestaltungsorientierter Bildungsforschung: Beispiel einer Forschungsarbeit zur Förderung von Medienkritikfähigkeit bei Jugendlichen vor dem Hintergrund aktueller Propaganda». MedienPädagogik: Zeitschrift für Theorie und Praxis der Medienbildung (Jahrbuch Medienpädagogik 19): 195–228. https://doi.org/10.21240/mpaed/jb19/2023.03.08.X

Törnberg, Petter. 2025. «Large Language Models Outperform Expert Coders and Supervised Classifiers at Annotating Political Social Media Messages». Social Science Computer Review 34 (6): 1181–1195.

von Unger, Hella, Yves Jeanrenaud, und Thomas Raucheger. 2025. «Mit KI über KI qualitativ forschen». In Wie KI Studium und Lehre verändert: Anwendungsfelder, Use-Cases und Gelingensbedingungen, herausgegeben von Klaus Wannemacher, Elke Bosse, Maren Lübcke und Alena Kaemena, 29–31. Hochschulforum Digitalisierung, Arbeitspapier Nr. 87. https://hochschulforumdigitalisierung.de/wp-content/uploads/2025/04/HFD_AP_87_Wie_
KI_Studium_und_Lehre_veraendert_final.pdf.

Wannemacher, Klaus, Elke Bosse, Maren Lübcke, und Alena Kaemena, Hrsg. 2025. «Wie KI Studium und Lehre verändert: Anwendungsfelder, Use-Cases und Gelingensbedingungen». Hochschulforum Digitalisierung, Arbeitspapier Nr. 87. https://hochschulforumdigitalisierung.de/wp-content/uploads/2025/04/HFD_AP_87_Wie_KI_Studium_und_Lehre_veraendert_final.pdf.

1 https://www.ifib.de/blog/detail/ai-meets-qualitative-methods-ein-interdisziplinaeres-netzwerk-fuer-forschung-mit-ki