Statistik für Menschen, die Statistik eigentlich meiden (Teil 2 von 4)

Viele Menschen, die wegen fehlender Statistik-Kenntnisse bisher keine Daten auswerten konnten, können es durch spezielle KI-Tools jetzt. Die Folgen sind vielfältig und alles andere als trivial:

Was KI-Statistik-Tools ermöglichen

Geistes- und andere Wissenschaftler sind nicht mehr nur auf Texte angewiesen, sondern können auch Zahlen und große Datenmengen (und die gibt's) für ihre Analysen nutzen. Das vergrößert nicht nur den methodischen Werkzeugkasten, sondern auch die Art der Fragestellungen.

Das gleiche gilt für all jene, die irgendwas mit Medien machen, ihre Budget-Brötchen im Marketing backen oder sich in tausend anderen Bereichen durchwursteln. Sie alle können jetzt "Statistik machen".

Und siehe da: Die Analysen ergeben oft neue Einsichten und schaffen Verbindungen, wo bisher keine zu sehen waren. Doch da ist noch mehr: Weil das alles so schnell geht, profitieren auch jene, die sich mit Statistik zumindest grundlegend auskennen. Denn jetzt können auch kleinere Arbeiten, für die eine quantitative Analyse bisher zu viel Aufwand war, mit statistischen Analysen angereichert werden. KI erlaubt es hier ganz konkret, Kenntnisse zu skalieren.

Zudem machen die mitgelieferten Visualisierungen die Ergebnisse leicht kommunizierbar – nicht nur in der Wissenschaft und im Arbeitsumfeld, auch in der Öffentlichkeit, gegenüber Medien und Interessenten aller Art.

Auch sterbenslangweilige Aufgaben wie das Filtern und Bereinigen von Daten können jetzt automatisiert werden. So bleibt mehr Zeit für die eigentliche Arbeit (oder ein paar entspannte Stunden im Büro).

Wie gut sind die Tools wirklich?

Jetzt fragen Sie sich: Und wie gut sind die Tools?

Meine anekdotische Evidenz aus eigenen Analysen und meinen Workshops in Unternehmen und Hochschulen sagt: ziemlich gut. Inzwischen gibt es auch erste Studien zu einzelnen Tools, z.B. zu julius.ai (Ich sollte die Leute von Julius AI nach einem kostenlosen Abo fragen 😊) Jedenfalls haben Forscher julius für statistische Analysen genutzt und ein paar Normalitätstests und Varianzanalysen durchgeführt, um die Verarbeitung quantitativer Daten zu testen. (Nebenbei bemerkt: Ich nutze julius auch qualitativ, wenn in Datensätzen neben Zahlen Texte in Form von Kommentaren vorkommen – und es funktioniert gut).

Die Studie von Chang (siehe unten) kommt jedenfalls zu dem Schluss: „dass Julius AI über außergewöhnliche Analysefähigkeiten verfügt [...] und sich als geeignetes Hilfsmittel für Forschende in quantitativen Studien eignet.“

Das alles klingt gut. Sehr gut sogar. Der Sound der Demokratisierung. Aber das ist nur die halbe Geschichte. Die andere Hälfte kommt in Teil 3 – das heißt: wenn ich die Weihnachtsgeschenke eingepackt habe 😊

Quelle: Chang, Yu-Chin: Applications of AI in Educational Research Series (IV): Application of Julius AI in Data Analysis and Visualization, in: Journal of Education Research; Taipei Iss. 370, (2025), S. 132-143. DOI: 10.53106/168063602025020370009