Die Nutzung von Daten mit Raumbezug hat in der Sozialforschung eine lange Tradition. Bereits in der Chicago School zu Beginn des 20. Jahrhunderts integrierten Robert E. Park, Ernest W. Burgess und Roderick D. McKenzie Informationen und Überlegungen auf einem sehr feingliedrigen Nachbarschaftslevel in ihre Fragestellungen (Park et al. 1925). Raum war schon damals integraler Bestandteil in der Untersuchung sozialer Organisation menschlicher Gesellschaftssysteme.

Over the last decade, mobile technologies such as smartphones and tablets have become an integral part of people’s daily life. While only 18% of Internet users in Germany used a smartphone in 2011, this rate increased to 78% in 2019, among people aged 16-24 even to 95% (Destatis 2011, 2020), with similar trends observed in other countries (Silver 2019). Smartphones have become an everyday companion that people not only use for calling and texting but also for interaction on social media, news consumption, entertainment, and navigation, among many other things (Perrin 2017).

Given its ability to handle a large amount of data, artificial intelligence (AI) has the potential to improve data-driven decisions under various situations. The present research identifies the necessary conditions for the implementation of an AI-based advisory system (AS) in higher education. Using a factorial survey design, we examine experimentally varied features of an AI-based AS to explore students’ willingness to use it and students’ willingness to share their data as a core challenge for successful implementation. Theoretically, we focus on the perceived costs and benefits to explain students’ intention, but we also highlight the role of trust and privacy concerns in regard to collecting data for the AS. In terms of benefits, information about the predictive power of the AS significantly increases students’ intention to use the tool and to share data and thus offers an incentive for students to share data. Moreover, a disproportionately long survey duration and survey topics that seem unrelated to the AS reduce students’ willingness to share data. With respect to trust and privacy concerns, our results indicate that providing transparent information about the AS has no effect on students’ willingness to share data, while aspects regarding who has access to the AS results and a long period of data storage reduce students’ intentions to share data. Based on these findings, we advise universities to communicate students’ expected benefits from a system to implement the AS, but we also recommend seriously considering students’ privacy concerns. Who has access to the data and the results of the AS should be transparent, as well as for what reason and how long. Otherwise, a substantial and probably selective part of the student body may not use the tool or share data due to privacy concerns.

Das angebrochene digitale Zeitalter, treffend charakterisiert durch computers everywhere (Salganik 2018, S. 3), eröffnet den Sozialwissenschaften einzigartige Möglichkeiten des Erkenntnisgewinns und neuartige Forschungsfelder (z.B. Fussey und Roth 2020). Watts (2011, S. 266) sieht darin nicht weniger als „the potential to revolutionize our understanding of ourselfes and how we interact (…)“. Gleichsam sind damit aber auch große Herausforderungen verbunden.

Sharing Economy Plattformen werben in ihren Selbstbeschreibungen damit, zwischenmenschliche Interaktionen zu fördern und das gegenseitige Kennenlernen zu einem unvergesslichen Erlebnis zu machen. Dieser soziale Aspekt stellt den zentralen Unterschied zu klassischen Märkten dar und soll zur Überwindung sozialer Ungleichheit und damit verbundener Diskriminierung beitragen (Neuhofer 2017; Schor und Attwood-Charles 2017). Daher verwundert es auch nicht, wenn ein Teil der wirtschaftswissenschaftlichen Literatur positiv hervorhebt, dass ansonsten un- oder wenig genutztes Eigentum, Fertigkeiten (z.B. Reparaturfertigkeiten) oder Zeit (Taxifahren auf Uber oder Lyft) zum Nutzen aller Beteiligten mobilisiert und kommodifiziert werden (Cheng und Foley 2018; Franssen et al. 2018; Jamal 2018).

Smartphones sind für viele Menschen zu einem selbstverständlichen Bestandteil des Alltags geworden. Sie werden neben der Nutzung zur Kommunikation, Unterhaltung und Information auch bei der Jobsuche und im Arbeitsalltag genutzt (Perrin 2017). Dies bietet Möglichkeiten Smartphones als Datenerhebungsinstrument für die wissenschaftliche Forschung einzusetzen.

General population survey samples increasingly include migrants, following the growth of the migrant population in Germany over recent years (Statistisches Bundesamt 2019). The growing interest in migrants’ experiences of their migration and integration also lead to an increasing number of surveys specifically targeting migrants: For example, the SCIP survey on socio-cultural integration processes among new immigrants in Europe (Diehl et al. 2015; Gresser and Schacht 2015), the special samples of the German Socio-Economic Panel Study (SOEP, Kroh et al. 2015; Kühne and Kroh 2017), or special samples/surveys on recent migrants following the so-called “refugee crisis” in 2015 like the SOEP refugee sample (Brücker et al. 2017; Kroh et al. 2016), or the panel of young refugees in the German education system, ReGES (Will et al. 2018). Among the many challenges of survey design that must be tackled when designing surveys of migrants, measuring their socio-demographic characteristics is one area in which just using questionnaire items designed for the German population may not produce data that is true to migrants’ specific background.

Der Beitrag befasst sich mit dem Potenzial georeferenzierter Daten im Nationalen Bildungspanel (NEPS). Es wird beispielhaft die Frage nach der Bedeutung von Schulwegen für die Schulleistungen von Schülerinnen und Schülern der Sekundarstufe I unter Verwendung direkter Distanzen vom Wohnort zur besuchten Schule bearbeitet. Theoretisch wird angenommen, dass der Schulweg als Kostenfaktor gesehen werden kann, welcher von Familien mit höherer sozialer Herkunft eher kompensiert wird.

Zur Beantwortung vieler Forschungsfragen in den Sozialwissenschaften ist es unerlässlich Umfragen durchzuführen, mittels derer die Forschenden Einblicke in die Einstellungen und das Verhalten der Gesamtbevölkerung erlangen. Um zu gewährleisten, dass die aus den Umfragedaten generierten Erkenntnisse auf die Gesamtbevölkerung übertragbar sind, werden klassischerweise zufallsbasierte Stichproben gezogen, beispielsweise aus Bevölkerungsregistern. Die zufällig ausgewählten Personen oder Haushalte werden daraufhin anhand der aus dem Stichprobenrahmen verfügbaren Informationen kontaktiert und befragt.

Social scientists today can access an abundance of data be it survey data, official statistics, or increasingly also data collected with new technologies. This trend is further amplified by the popularity of open science and FAIR (findable, accessible, interoperable, and reusable) data principles (Link et al. 2017). Furthermore, advances in archival practices and technologies make accessing data easier than ever. It is no wonder then that more and more research in the social sciences makes the most of this wealth of data by combining data from different sources (Dubrow and Tomescu-Dubrow 2016; Hussong et al. 2013).

Der Zensus gehört zu den elementaren Konzepten der Bevölkerungsstatistik. Das wichtigste Ziel der Volkszählungen ist dabei die Ermittlung der aktuellen Einwohnerzahl in Deutschland zu einem bestimmten Stichtag (Statistisches Bundesamt 2016). Die Relevanz des Zensus ist dabei für politische und gesellschaftliche Entscheidungen unumstritten.

Sample surveys are ubiquitously used in the academic, government, and commercial sectors to gain insights about diverse populations. The efficiency of surveys, particularly those that are based on random samples, is in their ability to make robust inferences about a population without needing to interview every single member of that population. The possible inferences extend to all data that is collected during the survey interview, regardless of how many questions are asked of the respondents.

Der Einsatz von Geodaten und regionalisierten Kennziffern ist im Geomarketing ein Grundbaustein und hilft beispielsweise Unternehmen bei einer optimierten Aussteuerung von Marketingaktivitäten oder Standortplanungen. Seit einigen Jahren steigt aber auch in anderen Disziplinen die Nachfrage nach mikrogeographischen Daten, z.B. als Anreicherung an georeferenzierte Umfragedaten. Damit einher geht u.a. die Fragestellung nach einem möglichen Wirkungszusammenhang zwischen Nachbarschaftskontexten und sozialem Handeln (vgl. Müller 2019, S. 211).

Amtlichen Statistiken liegt im Regelfall eine einzige Datenquelle zu Grunde. Entweder werden die für die Statistik notwendigen Informationen auf dem Wege einer Primärerhebung gewonnen oder es werden Sekundärdaten – meist Verwaltungsdaten – für die Statistikerstellung genutzt. Inzwischen werden neben Verwaltungsdaten sogenannte Neue Digitale Daten als weitere Sekundärdatenquelle für die Amtliche Statistik verfügbar.

Wenn eine Airline ein neues Flugzeug kauft, dann wird nichts dem Zufall überlassen. Die technischen Daten jeder einzelnen Niete sind von Interesse, umfangreiche Spezifikationshandbücher wechseln die Seiten und die Funktionsfähigkeit jeder Komponente wird unter verschiedensten Bedingungen getestet. Mit gutem Grund: Schon eine Unzulänglichkeit kann im Extremfall Menschenleben kosten, zumindest aber einen teuren Ausfall des Flugzeugs bedeuten. Sicherheit hat in der Luftfahrt mit Abstand höchste Priorität – und Sicherheit basiert auf Vertrauen. Vertrauen braucht schließlich Transparenz.

Geodatenprodukte von Anbietern wie der GfK Geomarketing zielen darauf ab, regionale Unterschiede in der soziodemographischen Struktur, dem Konsumverhalten, Produkt- und Markenpräferenzen sowie Werten und Einstellungen der Verbraucher abzubilden oder aber (Handels-)Standorte in ihrer Bedeutung und Qualität zu bewerten. Derartige Produkte werden i.d.R. durch eine geeignete räumliche bzw. algorithmische Verknüpfung von Daten aus öffentlichen und privaten Quellen (kommerzielle Datenanbieter, Anwender/Kunde) und ggf. eigenen Erhebungen generiert.

Die folgenden Ausführungen sollen die Ziele und wichtige Funktionen der Zusammenführung von Daten verdeutlichen. Der Begriff der Datenzusammenführung impliziert die Annahme, dass mehrere, möglicherweise aus unterschiedlichen Datenquellen stammende Datenmengen vorliegen, die Ergänzungen voneinander darstellen (vgl. Abbildung 1). In der Regel dürfte zunächst ein Datensatz vorliegen, der aus verschiedenen Gründen durch weitere Daten ergänzt wird.

Record Linkage wird häufig mit anderen Techniken verwechselt, z.B. mit „Statistical Matching“ oder Datenfusion. Seltener wird Record Linkage mit einfachem Ergänzen aus anderen Datenbanken durch einen exakten Schlüssel verwechselt (Table Lookup), wobei sich auch das findet. In untechnischen Veröffentlichungen wird gelegentlich der Begriff „fuzzy matching“ verwendet, wobei dieser keine feste Bedeutung besitzt.

Die Nachfrage nach verlässlichen und relevanten (Geo-)Informationen auf immer kleinräumiger Ebene steigt zunehmend, nicht zuletzt aufgrund europäischer und globaler Monitoringaufgaben und Entwicklungsprogramme. Die UN-Agenda 2030 und ihre Ziele für nachhaltige Entwicklung drängen auf eine engere Integration statistischer und geografischer Informationen. Dies stellt einerseits eine Herausforderung für die Statistik und Geographie dar, andererseits eröffnet es eine einzigartige Chance, das Potential und die Wichtigkeit von raumbezogenen statistischen Daten hervorzuheben (Moström et al. 2019).

Die Digitalisierung und die mit den neuen technischen Möglichkeiten einhergehenden Big Data-Entwicklungen haben zu neuen Datenquellen (automatische Verhaltensdaten, Social Media-Daten etc.) auch für Sozialforschung und Marktforschung geführt. Eine selbstverständliche Aufgabe für Marktforscher und Sozialforscher bestand schon immer und besteht erst recht aktuell darin, diese neuen Daten dahingehend zu prüfen, inwieweit sie für die Verhaltens- und Einstellungsmessung verwendbar, vielleicht sogar besser als bisher genutzte Daten verwendbar sind. Eine weitere Aufgabe besteht darin zu prüfen, inwieweit durch Kombination unterschiedlicher Daten ein Qualitätsgewinn der Daten und der daraus abgeleiteten Informationen und/oder ein zusätzlicher Erkenntnisgewinn zu erzielen ist.

In den letzten Jahren sind mehr und mehr Mikrodaten aus Befragungen georeferenziert verfügbar. Dies bedeutet im Allgemeinen, dass der aktuelle Wohnort der tatsächlich befragten und teilweise auch der zu befragenden Haushalte entweder als direkte Gebäudekoordinate oder als Zellenzugehörigkeit innerhalb eines Rasters für die Wissenschaft nutzbar ist. Dies ermöglicht einerseits neue Analysemöglichkeiten, bedarf andererseits aber auch zusätzlicher Vorkehrungen für den Datenschutz.

Mit dem European Statistics Code of Practice (European Statistical System, 2017) hat das Europäische Statistische System einen Verhaltenskodex verabschiedet, der Standards für Statistiken definiert. Gerade im Zeitalter von Fake News und schnellen Statistiken sind einheitliche und nachvollziehbare Standards in den Statistiken unverzichtbar. Selbstverständlich müssen diese Standards geeignet und vor allem nachvollziehbar umgesetzt werden.

Kognitive Interviews gehören mittlerweile zu den wichtigsten Pretest-Verfahren in der Entwicklung und Evaluation von Fragebögen. Verschiedene Techniken wie z.B. thinking-aloud oder unterschiedliche probing-Ansätze prüfen die Verständlichkeit und das Verständnis von Fragen, decken Schwierigkeiten der Befragten bei der Beantwortung von Fragebögen sowie zugrundeliegende Ursachen auf. Ein Desideratum dieses Vorgehens ist die methodologische Rahmung, für die wir im vorliegenden Beitrag einen Vorschlag machen. In ihrem Erkenntnisinteresse und ihrer sozial-interaktiven Erhebungspraxis weisen Kognitive Interviews Ähnlichkeiten mit qualitativer Sozial- und Interviewforschung auf.Die direkte Forschungsinteraktion in Pretest-Situationen kann als Akt des Fremdverstehens im Sinne qualitativ-interpretativer Sozialforschung betrachtet werden.Auf dieser Grundlage diskutieren wir den Vorteil methodisch integrierter Kommunikationsstrategien zweier etablierter qualitativer Erhebungsverfahren – des Problemzentrierten Interviews und des Diskursiven Interviews – für die Entwicklung eines Pretest-Interviewansatzes, welcher die Techniken des Kognitiven Interviews aufnimmt und um den essentiell sozialen Charakter von Verständnisklärungsprozessen erweitert.Wir führen dafür den Begriff des Qualitativen Pretest-Interviews (QPI) ein, um der möglichen Verengung des Verständnisses von Pretest-Verfahren auf die Problematik mehrdeutiger Kognitionen zu entgehen.Schließlich reflektieren wir das Potential dieses Ansatzes für die standardisierte Surveyforschung.

Umfrageforschern stehen eine Vielzahl von Methoden zur Verfügung, um Survey-Fragen zu evaluieren. Dabei stellt sich die Frage, welche Methoden am effektivsten sind, um mögliche Probleme in Erhebungsinstrumenten festzustellen. Als Beitrag zu dieser zentralen Frage wurde in einem Methodenvergleich untersucht, ob eine Ergänzung kognitiver Interviews um Eye Tracking wirksamer ist beim Identifizieren von Problemen in Fragen als die Methode des kognitiven Interviews allein. Verglichen werden die Gesamtanzahl der gefundenen Probleme und die Anzahl der Fragen, die als fehlerhaft identifiziert wurden. Die Ergebnisse zeigen, dass sich die beiden Methoden Eye Tracking und kognitives Interview effektiv ergänzen. Durch den Einsatz der hybriden Methode wurden im Vergleich zum alleinigen Einsatz des kognitiven Interviews mehr Probleme aufgedeckt und mehr Fragen als problematisch identifiziert.