Um die Qualität der Umfrageforschung zu gewährleisten, werden Erhebungsinstrumente sowohl mit qualitativen als auch mit quantitativen Methoden validiert. Dabei sind beide Methoden mit Einschränkungen verbunden. Während quantitative Auswertungen aufgrund großer Stichproben effizient verallgemeinerbare Zusammenhänge zwischen verschiedenen Konzepten und systematische Unterschiede zwischen den Befragten aufzeigen können, sind sie nur begrenzt in der Lage, komplexe kognitive Prozesse innerhalb von Individuen zu erfassen.
Im Gegensatz zu quantitativen Methoden bieten qualitative Ansätze wie semi-strukturierte kognitive Interviews tiefere Einblicke in die Denkmuster der Teilnehmer. Die hohen Kosten solcher Studien schränken jedoch häufig die Stichprobengröße und die Skalierbarkeit ein, was die allgemeine Gültigkeit, die Verallgemeinerbarkeit und die Fähigkeit, Unterschiede zwischen Untergruppen zu berücksichtigen, beeinträchtigt.
Die Integration der Stärken beider Methoden kann die Umfrageforschung erheblich verbessern, indem sie ein ganzheitliches Verständnis der Phänomene ermöglicht und gleichzeitig die Vorteile der quantitativen Validierung nutzt. Die Zusammenführung beider Ansätze stellt jedoch eine Herausforderung dar.
Das Projekt AI-SIC leistet einen Beitrag durch die Entwicklung eines KI-basierten Ansatzes zur halbautomatischen Kodierung unter Verwendung eines aktiven Lernansatzes. Dabei werden maschinelle Kodieralgorithmen mit menschlichen Kodierfähigkeiten kombiniert. Darüber hinaus werden neue Methoden zur effizienten und gründlichen Validierung von Befragungsinstrumenten eingesetzt, um Forschungslücken in Bezug auf die bereits etablierte Messung der selbst eingeschätzten Gesundheit zu schließen. Dies wird dazu beitragen, die Lücke zwischen qualitativen und quantitativen Methoden zu schließen und offene Fragen darüber zu beantworten, wie Kinder und ihre Eltern die Gesundheit ihrer Kinder einschätzen.