kondeor.ai – Handbuch

Alles Wichtige zu Analyse, Textauswertung, Berichten und deinem Konto an einem Ort — mit Beispielen zum direkten Ausprobieren. Nutze die Suche links, um schnell zu einem Thema zu springen, oder blättere dich Kapitel für Kapitel durch.

Teil A

Erste Schritte

Registrierung, Daten hochladen, erste Fragen stellen — der Einstieg in kondeor.ai.

A0

Die Oberfläche im Überblick

Bevor es losgeht, kurz eine Landkarte der Bedienelemente. Gezeigt wird hier die Maximalvariante (Pro-Plan mit Lektor:innen-Rolle) — je nach Plan siehst du weniger Elemente; die Spalte „Sichtbar ab“ gibt jeweils an, wo ein Element dazukommt. Details zu jeder Funktion findest du im verlinkten Kapitel.

Kopfzeile — Werkzeuge

ElementFunktionSichtbar ab
Datensätzegespeicherte Datensätze laden/bearbeiten/verwalten — siehe A4bBasis
📂 Datensatz-Leisteüber dem Eingabefeld: zwischen mehreren offenen Datensätzen wechseln — siehe A4cPro (Free/Basis: eigener Datensatz + Beispiele)
Berichteeigene Berichte öffnen/verwalten — siehe D1Pro
Videoseigene Video-Zusammenfassungen öffnen — siehe D4Pro
Analyseplanmehrere Analysefragen im Voraus planen — siehe B2Pro
Batchgeplante Fragen automatisiert nacheinander abarbeiten — siehe B2Pro
Lektoreigenes Panel für Lektor:innen-AufgabenRolle „Lektor“ (planunabhängig)
Kurse / Meine KurseKurskatalog bzw. eigene eingeschriebene Kurse — siehe F1bei Kurseinschreibung
Admininternes Verwaltungspanelnur Admin-Konten

Kopfzeile — Plan & Abrechnung

ElementFunktionSichtbar ab
Plan-Badge, Credits-Ringaktueller Plan bzw. Guthaben im laufenden 30-Tage-Fenster — siehe E1immer
+ Creditszusätzliche Credits dazukaufen — siehe E1immer
UpgradePlan wechseln — siehe E1Free, Basis
EinlösenEinladungscode für ein Plan-Upgrade eingebenFree, Basis
✕ Abo kündigenlaufendes Abo beendenalle außer Free

Kopfzeile — Konto & Meta

Immer sichtbar, unabhängig vom Plan:

ElementFunktion
⛶ Vollbildöffnet kondeor.ai als eigenständige Seite — nur sichtbar, wenn in eine andere Seite eingebettet — siehe A1
Feedbacköffnet eine vorausgefüllte E-Mail an office@kondeor.ai, um Hinweise zu kondeor.ai mitzuteilen
InfoInfo-Fenster, u.a. mit der Möglichkeit, das eigene Konto zu löschen — siehe E7
KIKI-Einstellung deines Kontos: KI an, Nur EU oder KI aus — siehe A5c
DE/ENSprachumschalter für Oberfläche und Antworten — siehe E6
Neu startensetzt Chat und hochgeladenen Datensatz zurück, ohne sich abzumelden
Abmeldenbeendet die Sitzung sofort — siehe E6

Fußzeile — Icon-Leiste links

Icon (Form)FunktionSichtbar ab
Pfeil nach oben in eine AblageDatei hochladen (CSV/SPSS) — siehe A2; im Pro-Plan mit Auswahl „SPSS-Datei erstellen“ — siehe B8aimmer
Free: eigene Daten bis 500 Zeilen; ab Basis ohne Zeilenlimit
Raster/Tabellen-Symbol (3×3-Gitter)Daten eingeben oder Datensatz bearbeiten — siehe A2, A4immer
kleines BalkendiagrammGrafik erstellen (für Berichte) — siehe D1cIcon immer sichtbar; die Grafikerstellung selbst ab Basis
drei gestapelte Chevron-SchichtenVariablen berechnen/transformieren — siehe B4immer
Pfeil nach unten in eine Ablageaktuellen Datensatz exportieren (SPSS, Excel mit Codeplan oder ZIP) — siehe B8aimmer
Häkchen im DokumentrahmenAPA-Statistik-Check gegen den geladenen Datensatz — siehe B6immer, sobald ein Datensatz geladen ist
Fragezeichen im KreisLeitfaden zur Methodenwahl — siehe A2cimmer, auch im Free-Plan

Ein weiteres Icon (Rechteck mit Zeilen, Mehrfachantworten-Syntax für SPSS) erscheint zusätzlich, sobald in der laufenden Sitzung mindestens ein Mehrfachantwortenset entstanden ist — sonst bleibt es verborgen.

Modus-Umschalter über dem Eingabefeld

Vier Modi bestimmen, wie kondeor.ai deine nächste Nachricht behandelt:

ModusFunktionSichtbar ab
Analysestatistische Auswertung deiner Daten — siehe A5 und Teil Bimmer
TheorieFragen zu Statistik-Konzepten, unabhängig von einer konkreten Analyse — siehe A6immer
Poweröffnet den Stichprobenrechner unter dem Chat-Fenster — siehe B5Basis, Pro
HilfeFragen zur Bedienung von kondeor.ai selbst — siehe A7immer

Der eingestellte Modus gilt jeweils nur für die als Nächstes gesendete Frage; kondeor.ai erkennt Bedienungs- und Theoriefragen aber meist auch automatisch außerhalb des passenden Modus (siehe A7).

A1

Registrierung & Pläne

Du kannst kondeor.ai ohne Kreditkarte kostenlos ausprobieren (Plan Free) und bei Bedarf jederzeit auf Basis oder Pro upgraden. Bei der Registrierung stimmst du den AGB und der Datenschutzerklärung zu — das gilt auch für den kostenlosen Plan, da auch dieser ein Nutzungsvertrag ist. Beide Dokumente gesammelt, auch als Auftragsverarbeitungsvertrag und in Englisch, siehe E4.

Hast du bereits einen Einladungscode (z.B. für ein vergünstigtes Upgrade), kannst du ihn direkt im Registrierungsformular in das optionale Feld „Einladungscode“ eintragen — ein nachträgliches Einlösen über den „Einlösen“-Button in der Kopfzeile (siehe A0) ist ebenso möglich, falls du den Code erst später erhältst.

E-Mail-Adresse bestätigen: Nach der Registrierung schickt dir kondeor.ai eine E-Mail mit einem Bestätigungslink (24 Stunden gültig). Erst nach dem Klick auf den Link kannst du dich einloggen. Das gilt auch bei Einladungscode. Kommt die E-Mail nicht an, schau im Spam-Ordner nach oder wähle auf der Bestätigungsseite „E-Mail erneut senden“. Wird die Adresse nicht innerhalb von 7 Tagen bestätigt, löscht kondeor.ai das Konto automatisch. Wer über eine Kurs-Einladung kommt, bestätigt die Adresse mit dem Einladungslink, den er per E-Mail erhält.

Free — Übungsdatensatz, Theoriefragen Basis — eigene Daten, Standardmethoden auf Bachelor-Niveau Pro — zusätzlich fortgeschrittene Methoden, qualitative Textanalyse, Videos

Details zu Preisen und Limits siehe Teil E · Plan-Vergleich.

Ist kondeor.ai in eine andere Seite eingebettet (z.B. eine Kurs-Plattform), erscheint oben rechts ein Vollbild-Symbol (⛶) — es öffnet kondeor.ai als eigenständige Seite in einem neuen Browser-Tab, außerhalb des einbettenden Rahmens.

A2

Daten hochladen

Zwei Wege, Daten in kondeor.ai zu bekommen:

Liegen deine Daten als CSV vor und steht die Bedeutung der Zahlen (Labels, Kodierung) in einem eigenen Codeplan — etwa bei einem REDCap-Export —, kannst du daraus eine fertige SPSS-Datei erstellen lassen, siehe B8a.

Ohne eigenen Datensatz steht dir jederzeit der Übungsdatensatz GBOO (Gäste- und Besucherbefragung Österreich, n = 1.153) zur Verfügung — ideal zum Ausprobieren von Methoden, bevor du mit echten Daten arbeitest.

Tipp: Der Original-Fragebogen zum GBOO-Datensatz (Fragetexte, Antwortskalen, Sprunglogik) hilft, die Variablen besser einzuordnen — abrufbar über die Hilfe in der App.
A2b

Datenqualitätsprüfung

Direkt nach jedem Upload fragt kondeor.ai, ob der Datensatz vor der Analyse geprüft werden soll — mit drei Optionen:

Auffällige Personen (einfache Prüfung, ab Basis-Plan)

Die einfache Prüfung schaut nicht nur auf Spalten, sondern auch auf einzelne Personen (eine Zeile = eine befragte Person):

Qualitäts-Flag (ordinal) und Stufe 3

Der Button „Qualitäts-Flag in Datensatz übernehmen“ unter dem Bericht legt drei Spalten an: qualitaet_flag (ordinal: 0 = keine Auffälligkeit, 1 = leicht, 2 = mittel, 3 = stark), qualitaet_punkte (gewichtete Punktsumme) und qualitaet_grund (z.B. „Speeder; viele fehlende Antworten“). Jede Art von Hinweis zählt je Person einmal mit einem Gewicht: Quasi-Duplikat 3; Speeder, Straightlining und viele fehlende Antworten je 2; Long-String, Extremantworten und Sägezahnmuster je 1; Even-Odd-Inkonsistenz und multivariater Ausreißer je 0,5. Die Summe bestimmt die Stufe (unter 2 leicht, 2 bis unter 4 mittel, ab 4 stark). Die drei Letzteren sowie Long-String gehören zur strengen Prüfung (ab Pro-Plan). Es wird nichts gelöscht. Zum Ausschließen stellst du im Teilstichproben-Filter (siehe B3) z.B. qualitaet_flag <= 1 (nur unauffällige und leichte Fälle) oder == 0 ein.

Aufmerksamkeitsfragen und Logikregeln ergänzen: Der zweite Button „Aufmerksamkeitsfragen und Logikregeln ergänzen“ öffnet eine Maske (ab Basis-Plan, jederzeit wieder aufrufbar, auch wenn dir erst später bei der Analyse Widersprüche auffallen):

„Vorschau“ zählt die Treffer, ohne etwas zu ändern. „Anwenden“ berechnet die drei Spalten direkt neu (keine _2-Kopien); ein aktiver Filter bleibt erhalten. Hat sich die Zeilenzahl geändert, ist eine neue Datenprüfung nötig.

Das Ergebnis der vertiefenden Prüfung zeigt eine Zusammenfassung nach Auffälligkeitstyp sowie je geprüfter Variablengruppe, wie viele Fälle betroffen sind. Die vollständige, sortierbare Liste mit Zeile/ID steht im Ergebnis-Dashboard, inklusive Download als eigenständiger HTML-Bericht.

kondeor.ai zeigt nur die Auffälligkeiten — die Bereinigung (z.B. verdächtige Fälle ausschließen oder korrigieren) liegt bei dir, etwa über den Teilstichproben-Filter (siehe B3) oder direkt im Datensatz-Editor (siehe A4).

A2c

Leitfaden zur Methodenwahl

Unsicher, welche statistische Methode zu deiner Fragestellung passt? Über das Fragezeichen-Symbol in der Fußzeile (siehe A0) öffnet sich ein eigenes Fenster mit zwei Zugangsarten:

Zu jeder Methode zeigt eine Ergebniskarte eine Erklärung wahlweise aus studentischer (fachlich-methodisch) oder unternehmerischer Sicht (Geschäftsfrage + Handlungsableitung), dazu eine fertig formulierte Frage zum direkten Übernehmen ins Eingabefeld.

Der Leitfaden funktioniert unabhängig von einem hochgeladenen Datensatz und ist auch im Free-Plan nutzbar — er löst selbst keine Berechnung und keine Credits aus. Schlägt er eine Methode vor, die im aktuellen Plan nicht enthalten ist, erscheint beim tatsächlichen Ausführen der übliche Upgrade-Hinweis.

Verwandte Verfahren: Einfaktorielle und zweifaktorielle ANOVA, ANCOVA und lineare Regression beschreiben mit Gruppenvariablen im Kern dasselbe lineare Modell; sie unterscheiden sich vor allem darin, was die Ausgabe in den Vordergrund stellt (ein Gesamttest je Faktor oder einzelne Koeffizienten gegen eine Referenzgruppe). Die Ergebniskarte der vier Verfahren weist darauf hin. Rechnerisch ist nicht alles identisch: Die einfaktorielle ANOVA in kondeor.ai rechnet mit dem Welch-F und Games-Howell-Paarvergleichen, die Regression mit dem klassischen F-Test; bei ungleich großen Gruppen hängen die Faktor-Tests einer mehrfaktoriellen Auswertung zudem vom Berechnungsweg der Quadratsummen ab.

Siehe auch A3 · „Warum diese Methode?“ für die Erklärung, warum kondeor.ai bei einer bereits gestellten Frage eine bestimmte Methode gewählt hat, sowie B7a für die Rückmeldung zur automatischen Methodenwahl.

A3

Farbcodierung der Variablen

Bevor eine Berechnung startet, zeigt kondeor.ai zur Bestätigung an, welche Variablen erkannt wurden — die Farbe des Variablennamens zeigt das erkannte Skalenniveau:

FarbeSkalenniveauBeispiel
● TürkisMetrischAlter, Einkommen, Punktzahl
● GelbOrdinalSchulnoten, Zufriedenheitsskala
● ViolettKategorialGeschlecht, Wohnort, Beruf
Achtung bei CSV-Uploads: Zahlencodes mit wenigen eindeutigen Werten (z.B. 1/2/3 für drei Gruppen) werden manchmal als metrisch statt kategorial erkannt. Prüfe die angezeigte Farbcodierung vor der Berechnung — falls falsch, weise kondeor.ai in der Frage explizit darauf hin, z.B. 'gruppe' ist kategorial.

Abhängige & unabhängige Variable

Bei Verfahren mit Zielgröße (z.B. Regression, t-Test) zeigt die Karte zusätzlich, welche Variable kondeor.ai als abhängig (AV) und welche als unabhängig (UV) erkannt hat — als eigene Gruppen oberhalb der übrigen Variablen. Das ist eine reine Anzeige zur Kontrolle, kein anklickbares Auswahlfeld: Passt die Zuordnung nicht, korrigierst du sie einfach im Chat (siehe B1), statt in der Karte selbst herumzuklicken.

„Warum diese Methode?“

Unterhalb der Variablenliste erklärt ein aufklappbarer Abschnitt in einem Satz, warum genau diese Methode zur erkannten Variablenkombination passt — z.B. „Da 'geschlecht' genau zwei Ausprägungen hat, passt eine logistische Regression.“ Der Abschnitt ist standardmäßig ausgeklappt und lässt sich bei Bedarf einklappen. Gedacht auch zum Mitlernen, nicht nur zur Kontrolle.

Erkennt kondeor.ai zwei binäre Variablen, für die sowohl ein t-Test (eine Variable quasi-metrisch behandelt) als auch ein Chi²-Test (beide bleiben kategorial) methodisch vertretbar sind, wird das direkt an dieser Stelle transparent gemacht — inklusive der jeweils anderen Möglichkeit als Alternative, statt stillschweigend nur eine der beiden vorzuschlagen.

Hinweis bei vielen Prädiktoren

Sind bei einem Regressionsverfahren deutlich mehr Prädiktoren angegeben, als bei der vorliegenden Fallzahl sinnvoll interpretierbar sind (Faustregel: mindestens ca. 10 Fälle pro Prädiktor), zeigt die Karte einen zusätzlichen Hinweis mit der Empfehlung, die Auswahl gezielt einzugrenzen — z.B. mit „nur mit den wichtigsten Variablen“ (siehe B1).

Unklares Skalenniveau

Lässt sich das Skalenniveau einer Variable nicht eindeutig bestimmen — z.B. ein Zahlencode mit wenigen eindeutigen Werten, der ebenso gut eine Gruppierung wie eine echte Messgröße sein könnte —, erscheint statt der gewohnten Bestätigungskarte zunächst eine eigene Rückfrage-Karte. Sie zeigt pro unklarer Variable die tatsächlich in den Daten gefundenen Werte sowie zwei Buttons, „Metrisch behandeln“ und „Ordinal/Gruppe behandeln“, jeweils mit einer kurzen Für/Wider-Erklärung. Erst wenn für alle betroffenen Variablen eine Wahl getroffen wurde, wird „Weiter“ aktiv — danach läuft deine ursprüngliche Frage automatisch mit der getroffenen Entscheidung weiter, ein erneutes Formulieren ist nicht nötig.

Für alle Variablen gemeinsam entscheiden: Betrifft die Rückfrage mehrere Variablen, steht über der Liste eine Zeile „Für alle:“ mit denselben zwei Auswahlmöglichkeiten. Ein Klick legt alle Variablen gemeinsam fest (z.B. eine ganze Fragebatterie auf einer Skala); einzelne Variablen kannst du danach noch umstellen. Das gilt in der Chat-Karte genauso wie in der gesammelten Karte im Batch-Modus.

Im Batch-Modus (siehe B2) erscheint dieselbe Rückfrage als eine einzige, gesammelte Karte für alle betroffenen Variablen vor dem Start, statt einzeln pro Frage.

Mehr als zwei Gruppen bei einem Zwei-Gruppen-Verfahren

Setzt ein Verfahren genau zwei Gruppen voraus (z.B. t-Test, Chi-Quadrat-Test, Fishers exakter Test, McNemar-Test), die gewählte Variable hat in deinen Daten aber mehr als zwei tatsächliche Ausprägungen, zeigt kondeor.ai eine Auswahl-Karte mit allen gefundenen Werten — wähle einfach die zwei aus, die verglichen werden sollen. Bei Verfahren mit zwei kategorialen Variablen (Chi-Quadrat, Fisher, McNemar) kann direkt danach eine zweite, gleichartige Karte für die andere Variable folgen, falls auch diese mehr als zwei Ausprägungen hat.

A4

Datensatz bearbeiten

Der Tabellen-Button öffnet neben der Dateneingabe („Neu erfassen“) auch den Tab „Datensatz bearbeiten“ — damit lässt sich der aktuell geladene Datensatz direkt im Browser anpassen. Er hat drei Ansichten: Datenansicht (Tabelle), Einzelfall (Formular für einen Fall) und Variablenansicht.

Datenansicht

Änderungen sammeln, dann speichern: Geänderte Zellen werden markiert, aber noch nicht geschrieben. Erst „Änderungen speichern“ übernimmt alle auf einmal — schlägt dabei etwas fehl, wird nichts halb übernommen. „Verwerfen“ setzt alles zurück. Mit „Als neue Kopie speichern“ bleibt der Originaldatensatz unverändert, und der bearbeitete Stand wird als eigener Datensatz abgelegt. Mit „Im Datensatz speichern“ (bei gespeicherten Datensätzen) überschreibst du dagegen den gespeicherten Datensatz unter demselben Namen — so gehen deine Änderungen beim nächsten Öffnen nicht verloren.

Einzelfall

Der Reiter „Einzelfall“ zeigt einen Fall nach dem anderen als Formular — so, wie man es aus Dateneingabe-Systemen der Medizin (z.B. REDCap) kennt. Das ist oft angenehmer als eine breite Tabelle, wenn man Daten einzelner Personen erfasst, prüft oder korrigiert.

Variablenansicht

Hier passt du Variablenname, Label, Skalenniveau und Wertelabels an. Über den Knopf „Variablen-Fenster“ öffnet sich die Variablenliste (Name, Label, Skalenniveau, Wertelabels, mit Suche) in einem eigenen Browserfenster, z.B. auf einem zweiten Bildschirm; ein Klick auf einen Namen kopiert ihn — praktisch zum Einsetzen in Fragen und Formeln.

Fehlende Werte festlegen: In der Spalte „Fehlende Werte“ trägst du Codes ein, die kondeor.ai wie leere Zellen behandeln soll — z.B. 9 oder 99 für „keine Angabe“. Mehrere Codes trennst du mit Komma oder Semikolon, Bereiche schreibst du mit Bindestrich (90-99); negative Codes sind möglich (-9, Bereich -99--1). Bei SPSS-Dateien werden die in SPSS festgelegten benutzerdefinierten Fehlend-Werte automatisch übernommen. Die Festlegung gilt für die Auswertungen (Häufigkeiten, Kennwerte, Tests, Vergleich fehlender Werte, siehe B0); die Zellen selbst bleiben unverändert, nichts wird gelöscht. Beim unveränderten Übungsdatensatz GBOO sind die üblichen Codes vorbelegt; sobald du ihn bearbeitest, stehen sie in der Variablenansicht und lassen sich dort anpassen. Im Variablen-Fenster erscheinen sie in einer eigenen Spalte.

Variablennamen: Direkt nach dem Upload weist kondeor.ai auf Namen hin, die später Probleme machen können. Eine Warnung gibt es bei leeren oder doppelten Namen, Komma, Anführungszeichen, Zeilenumbruch sowie Leerzeichen am Anfang oder Ende. Ein Hinweis kommt bei Punkt, Leerzeichen, Bindestrich, Umlauten/Sonderzeichen, führender Ziffer oder mehr als 64 Zeichen. Namen werden dadurch nicht verändert. Beim Export als SPSS-Datei (.sav) werden nur Namen, die SPSS nicht zulässt, automatisch angepasst; der ursprüngliche Name bleibt als Variablenlabel erhalten. Am zuverlässigsten sind Namen aus Buchstaben, Ziffern und Unterstrich, die mit einem Buchstaben beginnen.
Wichtig: Änderungen gelten nur für die aktuelle Sitzung. Über den Export-Button dauerhaft sichern oder den Datensatz unter „Meine Datensätze“ speichern (A4b) — sonst gehen sie nach 12 Stunden Inaktivität verloren. Für sehr umfangreiche Änderungen (viele hundert Zellen auf einmal) empfiehlt sich weiterhin: Datensatz exportieren, extern (Excel/SPSS) bearbeiten, neu hochladen.
A4b

Datensätze dauerhaft speichern

Nach jedem Upload bietet kondeor.ai an, den Datensatz dauerhaft in deinem Konto aufzuheben — unabhängig von der 12-Stunden-Grenze der Sitzung, für die Wiederverwendung in späteren Sitzungen. Ein Klick auf „Datensatz speichern“ im eingeblendeten Hinweis genügt; „Nein danke“ verwirft das Angebot ohne Folgen für die aktuelle Sitzung.

Über den Button „Datensätze“ gelangst du jederzeit zu deinen gespeicherten Datensätzen:

Anzahl der gleichzeitig speicherbaren Datensätze: 3 im Basis-Plan, 10 im Pro-Plan. Ist das Limit erreicht, meldet „Datensatz speichern“ das entsprechend — lösche dann zuerst einen bestehenden Datensatz, um Platz für einen neuen zu schaffen.

Fragebogen-Kontext: Beim Speichern (oder jederzeit danach über „Kontext“ im Datensätze-Panel) kannst du einen kurzen Freitext hinterlegen, der beschreibt, wie deine Variablen zusammenhängen — z.B. welche Items eine gemeinsame Skala bilden oder umgepolt sind: „Items X1–X5 = Skala Arbeitsbelastung, X3 umgepolt“. kondeor.ai berücksichtigt diesen Text danach sowohl bei der Erkennung der passenden Methode für deine Analysefragen als auch beim Erstellen eines Analyseplans (siehe B2) — nützlich vor allem bei generischen Spaltennamen (z.B. aus SoSci Survey oder LimeSurvey-Exports), bei denen der reine Variablenname wenig über das dahinterstehende Konstrukt verrät.
A4c

Mehrere Datensätze im Arbeitsbereich

Im Pro-Plan kannst du bis zu 10 Datensätze gleichzeitig geöffnet halten und mit einem Klick zwischen ihnen wechseln — etwa mehrere Studien, Standorte oder Erhebungswellen. Einschalten musst du dafür nichts: Sobald du eine zweite, andere Datei hochlädst, legt kondeor.ai den bisherigen Datensatz im Arbeitsbereich ab und öffnet für die neue Datei einen eigenen Platz.

Über dem Eingabefeld erscheint dann die Datensatz-Leiste (📂 Datensätze):

Lädst du eine Datei hoch, die bereits im Arbeitsbereich liegt (gleicher Dateiname, z.B. eine korrigierte Fassung von StudieA.csv), wird kein neuer Platz angelegt, sondern der vorhandene ersetzt und aktiv. Dasselbe gilt beim Laden aus „Meine Datensätze“ (A4b). Sind bereits 10 Datensätze offen, fragt kondeor.ai vor dem Upload, ob der am längsten nicht benutzte geschlossen werden soll — ohne deine Bestätigung wird nichts entfernt.

Sobald mehrere Datensätze offen sind, trägt jedes Analyseergebnis oben den Namen seines Datensatzes (📂 …), damit im Verlauf klar bleibt, welches Ergebnis zu welchen Daten gehört. Knöpfe wie „In Datensatz übernehmen“ oder die nachträgliche Rotation einer Faktorenanalyse funktionieren nur, solange der zugehörige Datensatz aktiv ist — andernfalls weist kondeor.ai darauf hin, statt Werte in den falschen Datensatz zu schreiben.

Arbeitsbereich oder „Meine Datensätze“? Der Arbeitsbereich ist für das Arbeiten mit mehreren Datensätzen nebeneinander gedacht und übersteht auch ein Abmelden oder „Neu starten“ — Datensätze, die du 30 Tage lang nicht benutzt hast, werden jedoch automatisch daraus entfernt. Für die dauerhafte Aufbewahrung speicherst du einen Datensatz zusätzlich unter „Meine Datensätze“ (A4b). Filter werden dort bewusst nicht mitgespeichert; sie gelten nur für die laufende Arbeit.

Beispiele (alle Pläne): Fragst du nach einem Beispiel (B0b), öffnet kondeor.ai dafür den eigenen Platz 🧪 Beispiele — dein bisheriger Datensatz bleibt samt Filtern im Arbeitsbereich erhalten, und du kommst mit einem Klick auf seine Kachel zurück. Mit dem Beispieldatensatz kannst du anschließend auch weitere Analysen ausprobieren. Ein weiteres Beispiel ersetzt den Inhalt des Beispielplatzes; schließe ihn mit ✕, wenn du ihn nicht mehr brauchst.

📚 Übungsdatensatz: Ganz links in der Leiste steht immer die Kachel „📚 Übungsdatensatz“. Ein Klick darauf führt zum Übungsdatensatz (GBOO) zurück, deine eigenen Datensätze und Beispiele bleiben in der Leiste. Der Übungsdatensatz wird dabei immer im Originalzustand geladen — Filter oder Änderungen daran werden nicht aufgehoben, damit Lehrveranstaltungen und Testfragen stets mit denselben Daten funktionieren. Möchtest du eine bearbeitete Fassung behalten, speichere sie unter „Meine Datensätze“ (A4b); sie erhält dabei einen neuen Namen und gilt danach als eigener Datensatz.

Im Basis- und Free-Plan umfasst der Arbeitsbereich deinen eigenen Datensatz und den Beispielplatz; ein neuer Upload ersetzt wie bisher deinen eigenen Datensatz, gespeicherte Datensätze lassen sich über „Meine Datensätze“ nacheinander laden. Dort werden die Daten im Arbeitsbereich — wie bisher die Sitzung — nach 12 Stunden ohne Nutzung gelöscht; im Pro-Plan nach 30 Tagen.

A4d

Datensätze, Rezepte und Berichte teilen

Du kannst gespeicherte Datensätze, Transformieren-Rezepte und Berichte an andere Personen weitergeben — z.B. an Kolleg:innen, Betreuer:innen oder Co-Autor:innen. Das Teilen ist kostenlos (keine Credits).

So geht es

Im Dialog trägst du die E-Mail-Adresse(n) der Empfänger:innen ein (bis zu 5), schreibst auf Wunsch eine kurze Nachricht und bestätigst, dass du die Inhalte weitergeben darfst. Beim Teilen eines Datensatzes oder Berichts kannst du außerdem Rezepte mitgeben (optional) — z.B. die Datenaufbereitung, die zu den Daten oder zum Bericht gehört.

Was die Empfänger:innen bekommen

Plan, Speicherplatz und Widerruf

Verantwortung: Für die Weitergabe bist allein du verantwortlich. Enthält ein Datensatz personenbezogene Daten (z.B. Patient:innendaten), stelle vor dem Teilen sicher, dass die Weitergabe zulässig ist — etwa durch Anonymisierung oder eine entsprechende Rechtsgrundlage.

Das Teilen steht ab dem Basis-Plan zur Verfügung. Den Eingang (Kopien erhalten, ablehnen) kann jede Person nutzen, ob eine Kopie angelegt werden kann, hängt aber vom Plan der Empfänger:innen ab.

A5

Die erste Frage stellen

Der Start-Assistent

Auf der Startseite begleitet dich ein Assistent in drei Schritten — ohne dass du Statistik-Begriffe kennen musst:

Prüfung vor dem Start. Der Assistent warnt, bevor eine Analyse ins Leere läuft:

Ein aktiver Teilstichproben-Filter wird dabei berücksichtigt. Tippst du die Frage direkt in den Chat, erscheint bei fehlenden gemeinsamen Fällen statt der Analyse eine Meldung mit denselben Zahlen.

Unter dem Assistenten führt die Zeile „Weitere Wege“ zu Datenansicht und Bearbeiten (A4), Transformieren (B4), Leitfaden zur Methodenwahl (A2c), zum freien Tippen im Chat und zu diesem Handbuch. „Nicht mehr anzeigen“ blendet den Assistenten aus (ein Hinweis mit „Wieder öffnen“ bleibt stehen; später jederzeit über Info → „Start-Assistent öffnen“); Beispiele zu einzelnen Verfahren fragst du im Chat ab (B0b).

Eine Antwort mit Dashboard bleibt am Anfang stehen, samt der davorstehenden Frage — die Ansicht springt nicht ans Ende der Analyse. Das Eingabefeld sitzt fest unter dem Chat.

Fragen frei formulieren

Formuliere deine Analysefrage einfach in normaler Sprache. Für eindeutige Zuordnung schreib Variablennamen in einfachen Anführungszeichen:

R-Syntax

Kennst du die klassische R-Formelschreibweise (abhängige ~ unabhängige), versteht kondeor.ai diese ebenfalls — nützlich für alle, die Regressionen ohnehin gedanklich so formulieren:

Nennt die Frage Methode, abhängige und alle unabhängigen Variablen bereits vollständig und eindeutig in Anführungszeichen (wie in den Beispielen oben), überspringt kondeor.ai die sonst übliche Bestätigungskarte und rechnet direkt — die erkannte Konfiguration steht dann als kurze, aufklappbare Zusammenfassung neben dem Ergebnis statt davor. Bleibt auch nur eine Variable unklar oder unzitiert, erscheint wie gewohnt zuerst die Bestätigungskarte.

A5b

Zahlenformat (Nachkommastellen)

Wie viele Nachkommastellen Ergebnisse zeigen, stellst du über den Knopf „0,00“ in der Kopfzeile ein (neben dem Sprachwechsel). Du hast zwei Möglichkeiten:

Was die Einstellung betrifft — und was nicht

Für Veröffentlichungen im APA-Stil bleibt der Standard die richtige Wahl. Eine feste Stellenzahl lohnt sich, wenn du Ergebnisse mit anderen Programmen vergleichst oder sehr kleine Koeffizienten (z.B. B = 0,0225) genauer sehen willst.

A5d

Signifikanzniveau (α)

Über den Knopf „α“ in der Kopfzeile (neben dem Zahlenformat) legst du fest, ab welchem p-Wert ein Ergebnis als signifikant gilt: .05 (Standard, empfohlen), .01 oder .10. Die Einstellung wird schrittweise freigeschaltet; wo der Knopf noch fehlt, gilt .05.

A5e

Heller und dunkler Modus

Mit dem Farbmodus-Knopf in der Kopfzeile wechselst du zwischen hellem und dunklem Erscheinungsbild. Ohne Auswahl folgt kondeor.ai der Einstellung deines Betriebssystems. Deine Wahl wird nur in diesem Browser gespeichert (nicht im Konto) und gilt nicht für Druckgrafiken aus R, die immer gleich aussehen. Der Umbau läuft in Etappen: einzelne Bereiche können noch Farben des dunklen Modus zeigen.

A5c

KI-Einstellung (KI an, Nur EU, KI aus)

Du entscheidest selbst, wie viel KI kondeor.ai für dich verwenden darf. Den Knopf „KI“ findest du in der Kopfzeile (neben dem Sprachwechsel), sobald du angemeldet bist. Die Einstellung wird in deinem Konto gespeichert und gilt auf allen deinen Geräten.

StufeWas passiert
KI an (Standard)Alle KI-Funktionen sind verfügbar. Die Verarbeitung läuft zuerst auf EU-Servern; ein Anbieter außerhalb der EU kommt nur nach deiner ausdrücklichen Zustimmung zum Einsatz (siehe E4).
Nur EUKI nur auf EU-Servern bzw. unserer eigenen Infrastruktur. Es werden niemals Daten an Anbieter in den USA gesendet, auch nicht nach Zustimmung. Entfällt dadurch: Erklärvideos mit Avatar (HeyGen).
KI ausEs wird keine KI verwendet, auch nicht auf EU-Servern oder unserer eigenen Infrastruktur. Die Statistik läuft unverändert weiter.

Was mit „KI aus“ weiter funktioniert

Was mit „KI aus“ nicht zur Verfügung steht

Gut zu wissen

Die Rechtsgrundlagen und die beteiligten Dienstleister stehen in der Datenschutzerklärung, Punkt 3.5.

A6

Theoretischer Hintergrund

Unter jedem Analyseergebnis findest du den Button „Theoretischer Hintergrund anzeigen“ — kondeor.ai erklärt daraufhin die zur konkret gestellten Frage passende Statistik-Theorie, nicht nur die Methode allgemein. Fragst du z.B. gezielt nach den Freiheitsgraden einer Kreuztabelle, bekommst du eine Erklärung dazu, nicht nur eine generische Chi-Quadrat-Einführung.

Theorie lässt sich auch unabhängig von einer konkreten Analyse erfragen — einfach eine Frage zu einem statistischen Konzept stellen, ohne Variablennamen in Anführungszeichen:

Antworten stammen aus einer kuratierten Wissensbasis (mehrere Statistik-Lehrbücher), inklusive Quellenangabe am Ende jeder Antwort.

A7

Hilfe-Modus

Für Fragen zur Bedienung von kondeor.ai selbst — nicht zur Statistik, nicht zu deinen Daten — gibt es einen eigenen Modus-Button „Hilfe“ neben Analyse/Theorie. Im Hilfe-Modus behandelt kondeor.ai deine Nachrichten bevorzugt als Bedienungsfragen, auch wenn sie kein eindeutiges Schlüsselwort enthalten — praktisch besonders bei Folgefragen wie „und wie mache ich das jetzt genau?“, die für sich allein schwer einzuordnen wären.

Auch außerhalb des Hilfe-Modus erkennt kondeor.ai die meisten Bedienungsfragen automatisch — der Modus hilft vor allem bei mehrdeutigen Folgefragen im laufenden Gespräch, bei denen der Zusammenhang zur vorherigen Nachricht sonst verloren gehen könnte.

Ausnahme: Nennt deine Frage im Hilfe-Modus einen Namen, der tatsächlich einer Spalte deines gerade geladenen Datensatzes entspricht (z.B. „Wie berechne ich X pro Y?“, wobei X und Y echte Spaltennamen sind), erkennt kondeor.ai das als konkrete Transformationsanfrage und zeigt direkt eine Formel-Vorschau statt einer Erklärung — meist das ohnehin hilfreichere Ergebnis.

A8

Online-Sprechstunde und Termine

Ergänzend zu kondeor.ai bieten wir regelmäßig eine Online-Sprechstunde an, in der du Fragen zur Datenanalyse und zur Bedienung stellen kannst. Sie findet per Microsoft Teams statt — im Browser oder in der Teams-App, ein eigenes Teams-Konto brauchst du nicht. Die Teilnahme ist freiwillig; Kamera und Mikrofon sind optional.

Du hast noch kein Konto? Für die Teilnahme genügt der kostenlose Free-Plan: Registriere dich zuerst und logge dich ein — ein Hinweis auf den Termin steht auch auf der Login- und Registrierungsseite sowie auf der Website. Die Platzreservierung dient dazu, die Teilnehmerzahl zu planen und dir den Link zuzusenden.

Welche Daten dabei verarbeitet werden und wie lange sie gespeichert bleiben (30 Tage nach dem Termin), steht in der Datenschutzerklärung — siehe E4.

A9

Vom Untersuchungsziel zum Bericht (Fahrplan)

In der dünnen Zeile über „Dein Start in drei Schritten“ steht neben den Terminen der Eintrag „Fahrplan: Schritt n von 7“. Er öffnet „Vom Untersuchungsziel zum Bericht“ mit sieben Phasen: den ganzen Weg einer Auswertung und die Werkzeuge, die es in kondeor.ai dafür gibt. Im Fahrplan siehst du zu jeder Phase eine kurze Erklärung und Buttons, die das passende Werkzeug öffnen. Es gibt keine feste Reihenfolge: Steig dort ein, wo du gerade stehst — hast du schon Daten, geh direkt zu Schritt 6.

Der Eintrag erkennt deinen Stand automatisch: Ohne geladenen Datensatz steht dort Schritt 1, mit Daten Schritt 6. Nach der ersten Antwort im Chat verschwindet der Eintrag aus der Zeile, der Fahrplan bleibt über Info erreichbar. Abhaken musst du nichts. Unten im Fenster verweist der Fahrplan auf die nächste Sprechstunde, wenn eine eingetragen ist: Dort kannst du Fragen zu jedem Schritt stellen. Welche Buttons du im Fahrplan siehst, hängt von deinem Plan ab; Werkzeuge, die dein Plan nicht enthält, werden ausgelassen.

„Ausblenden“ am Zeilenende entfernt die Zeile (Termine und Fahrplan) von der Startseite. Das merkt sich dein Browser, auch nach dem nächsten Einloggen. Du findest den Fahrplan weiterhin über Info → „Vom Untersuchungsziel zum Bericht“ und kannst dort die Zeile wieder einblenden. In einem anderen Browser oder nach dem Löschen der Browserdaten erscheint sie wieder.

Teil B

Quantitative Analyse

Statistische Auswertung: von der ersten Frage bis zu Filtern, Transformationen und Poweranalyse.

B0

Methoden im Überblick

kondeor.ai deckt über 100 statistische Verfahren ab, gegliedert in folgende Analysefamilien:

FamilieBeispielverfahrenPlan
Deskriptive StatistikMittelwert, Streuung, Verteilungsform, Normalitätstabelle (Shapiro-Wilk, Anderson-Darling, Lilliefors, siehe B1), Ausreißerdiagnose, Tabelle 1 (Baseline-Tabelle nach Gruppe, siehe B9g), Kaplan-Meier-Schätzung für zensierte Messwerte (siehe B9g)
Gruppenvergleichet-Test, ANOVA (ein-, zwei-, dreifaktoriell, mit Messwiederholung, gemischt), ANCOVA, Mann-Whitney-U, Kruskal-Wallis, Wilcoxon, Friedman, MANOVA, MANCOVA
AnteilstestsChi-Quadrat (mit Odds Ratio, relativem Risiko, Risikodifferenz, NNT), Fishers exakter Test, McNemar, Cochran-Mantel-Haenszel (stratifizierte 2×2-Tabellen, siehe B9g), Cochrans Q
Zusammenhang & KorrelationPearson, Spearman, Kendalls Tau, partielle Korrelation, punkt-biseriale Korrelation, Kendalls W
Vorhersage & RegressionLinear, logistisch, Poisson, negativ-binomial, Gamma; ordinal, multinomial, Zero-Inflated, Beta, robust, Quantilregression; Tobit-Regression für zensierte Messwerte (siehe B9g); Regularisierung (LASSO/Ridge)
Multivariate VerfahrenFaktorenanalyse (auch als Hauptkomponentenanalyse, PCA), Clusteranalyse, latente Klassenanalyse, Diskriminanzanalyse
Kausalanalyse & StrukturmodelleMediation (auch moderiert/seriell), Moderation, Mehrebenenanalyse (Mixed Models), SEM, CFA, Wachstumskurvenmodelle, Propensity-Score-Matching, Propensity-Score-Gewichtung (IPTW, siehe B9b)
Äquivalenz- und NichtunterlegenheitstestsTOST (unabhängige Gruppen, verbundene Messungen, Stichprobe gegen Referenzwert, Anteile, Korrelation); Nichtunterlegenheit (unabhängige Gruppen, Anteile)
Fehlende WerteMultiple Imputation (t-Test/Korrelation/Regression, mit wählbaren Hilfsvariablen, siehe B9); außerdem Ersetzen (Mittelwert/Median/Modus) und FIML (SEM/CFA); Vergleich der Fehlend-Quoten mehrerer Variablen (McNemar bzw. Cochrans Q, siehe B0)
Bayes'sche VerfahrenBayesian t-Test/ANOVA/Korrelation, Bayes-Faktor
Skalenanalyse & ReliabilitätCronbachs Alpha (bei ordinalen Items zusätzlich ordinales Alpha und Omega auf polychorischer Basis), McDonalds Omega, Intraklassen-Korrelation, Interrater-Übereinstimmung (Cohens/Fleiss' Kappa, siehe B9b), Trennschärfe
Medizinische StatistikKaplan-Meier, Cox-Regression, Competing Risks (kumulative Inzidenz, Fine-Gray, siehe B9g), ROC/AUC, Sensitivität/Spezifität, Bland-Altman, Passing-Bablok-Regression
Maschinelles LernenEntscheidungsbaum, Random Forest, Conditional Inference Tree, Gradient Boosting, SVM, KNN, Naive Bayes, neuronale Netze
ZeitreihenanalyseARIMA, Prognosen mit Konfidenzintervall
KI-Prognose (TiRex-2)Zero-Shot-Foundation-Modell, ergänzend zu ARIMA (begrenzter Früheinsatz)
Exponential Smoothing (ETS)Automatische Fehler-/Trend-/Saison-Modellwahl, eigenständige Alternative zu ARIMA
Strukturbruch-/Changepoint-ErkennungChow-Test (bekannter Zeitpunkt), Bai-Perron-Mehrfachsuche, Segment-Trends (Wachstum/Rückgang)
Ausreißer-/Anomalieerkennung (Zeitreihen)STL/Loess-Rest + IQR-robuste Schwelle, berücksichtigt Saisonalität
CUSUM-Test (Parameterstabilität)OLS-CUSUM (Brown-Durbin-Evans), kein bekannter Bruchzeitpunkt nötig
STL-Zerlegung (Trend/Saison/Rest)Saisonbereinigte Reihe als Eingabe für Strukturbruch/CUSUM, Trend-/Saisonstärke
Meta-AnalyseRandom-Effects-Modell (REML, Knapp-Hartung) oder auf Wunsch Fixed-Effects-Modell, Prädiktionsintervall, Forest- & Funnel-Plot, Egger-Test, Trim-and-Fill — Eingabe als Studientabelle, siehe B9f
DatengewichtungHäufigkeits-, Analyse- und Designgewichte, gewichtete Regression, Design-Effekt; Designgewicht auch dauerhaft einstellbar (Chat und Batch rechnen dann gewichtet) — siehe B3b
Methodenvergleichz.B. t-Test vs. Mann-Whitney-U — Empfehlung je nach Datenlage

FFree BBasis PPro — ab welchem Plan die Verfahren einer Familie verfügbar sind (mehrere Marken: die Familie reicht über mehrere Pläne). Basis enthält alles aus Free, Pro alles aus Basis; Basis entspricht grob dem, was in Bachelorstudiengängen gelehrt wird, Pro bietet die fortgeschrittenen Verfahren. Jede einzelne Methode mit ihrer Marke: Methodenübersicht nach Plan; eine verständliche Erklärung je Methode: Leitfaden zur Methodenwahl auf der Assistentenseite.

Deskriptiver Mehrfachvariablen-Vergleich: Werden mehrere Variablen gleichzeitig genannt (in Anführungszeichen oder als Bereich, z.B. 'mpreis' bis 'mshop'), erkennt kondeor.ai eine Vergleichsfrage automatisch an Formulierungen wie „am höchsten“/„am niedrigsten“ oder „die höchste Zustimmung“ und stellt statt einzelner Kennwerte je Variable eine sortierte Vergleichstabelle samt Balkendiagramm bereit (inkl. 95%-Konfidenzintervall als Fehlerbalken, wenn der abgefragte Kennwert der Mittelwert ist). Abgefragt werden können Mittelwert, Median, Standardabweichung, Breite des Konfidenzintervalls sowie unteres/oberes Quartil — welcher Kennwert gemeint ist, erkennt kondeor.ai aus dem Wortlaut der Frage (bei eindeutigen Fachbegriffen wie „Standardabweichung“ ohne KI-Einsatz, bei inhaltlichen Formulierungen wie „Zufriedenheit“ über eine kurze KI-gestützte Zuordnung).

Paarweise Signifikanzmatrix: Als natürliche Folgefrage zu einem solchen Vergleich lässt sich zusätzlich prüfen, welche der verglichenen Variablen sich auch statistisch signifikant voneinander unterscheiden — bei Formulierungen wie „welche unterscheiden sich signifikant?“ oder „gibt es einen signifikanten Unterschied?“ rechnet kondeor.ai gepaarte t-Tests für alle Variablenpaare und stellt das Ergebnis als Halbmatrix dar (Holm-korrigierter p-Wert je Zelle, farblich hervorgehoben bei p < .05). Da jedes Paar nur die Personen nutzt, die beide beteiligten Variablen beantwortet haben, kann die Fallzahl zwischen den Zellen unterschiedlich sein — sie wird pro Zelle mit angezeigt.

Deskriptive Statistik: ein Dashboard je Variable. Jede Variable bekommt ein eigenes Dashboard, gegliedert in Lage, Streuung, Form und Häufigkeitstabelle. Was angezeigt wird, hängt vom Skalenniveau ab (das, das du bei der Bestätigung oder in der Variablenansicht festgelegt hast): metrisch zeigt alles (Mittelwert, Streuung, Verteilungsform, Häufigkeitstabelle bis 20 Werte), ordinal Median, Quartile, Quartilsabstand und die Häufigkeitstabelle mit Wertelabels (Mittelwert, Standardabweichung und Form sind aufklappbar), nominal Modus und Häufigkeitstabelle. Zusätzlich lassen sich bei metrischen Variablen aufklappen: weitere Lageparameter (getrimmte und winsorisierte Mittel, quadratisches Mittel, Summe), Perzentile (P5, Dezile, P95) und der Variationskoeffizient. Der Variationskoeffizient ist nur bei Verhältnisskala mit echtem Nullpunkt sinnvoll; bei Mittelwert ≤ 0 wird er nicht angezeigt, bei Rating-Skalen nur auf Wunsch.

Konfidenzniveau wählen: Im Deskriptiv-Dashboard kannst du das Niveau des Konfidenzintervalls umstellen (90, 95, 99 % oder ein eigener Wert zwischen 80 und 99,9 %). Voreingestellt ist das Niveau 1 − α (siehe A5d), also 95 % bei α = .05; hier lässt es sich unabhängig davon ändern. Die Kennwerte werden für dieselben Fälle neu berechnet. Bei ordinalen und nominalen Variablen heißen die Intervalle der Anteile „Credible Intervals“ (Bayes); sie lassen sich ebenfalls auf Wunsch aufklappen.

Häufigkeiten mehrerer Variablen als Tabelle: Fragst du gleichzeitig nach mehreren kategorialen Variablen (z.B. „Wie viele Befragte haben den Ort, wie viele das Museum besucht?“), steht vor den Einzelauswertungen eine Vergleichstabelle: eine Zeile je Variable, eine Spalte je Kategorie, jede Zelle als „n (x %)“. Die Prozentwerte beziehen sich je Variable auf die gültigen Fälle („n gültig“), die Spalten folgen der Reihenfolge der Wertelabels. Ein „—“ heißt: Die Kategorie kommt bei dieser Variable nicht vor. Die Tabelle erscheint bis zu acht Kategorien.

Kennwerte mehrerer Variablen als Tabelle: Fragst du bei mehreren Variablen nach Mittelwert, Median oder Modus, erscheint statt eines Fließtextes eine Tabelle mit einer Zeile je Variable. Ein „—“ bedeutet, dass der Kennwert zum Skalenniveau der Variable nicht vorgesehen ist (z.B. kein Mittelwert bei ordinalen Variablen).

Fehlende Werte vergleichen (ab Basis): Mit einer Frage wie die folgende siehst du je Variable, wie viele Werte fehlen und wie viele gültig sind, und ob sich die Fehlend-Quoten unterscheiden.

Oben steht die Tabelle mit den Anteilen je Variable und der Zahl der Fälle mit mindestens einem fehlenden Wert, darunter der Test samt Richtung („Variable A fehlt häufiger als Variable B“). Als fehlend zählen leere Zellen und die in der Variablenansicht festgelegten Fehlend-Codes (siehe A4). Damit die Frage erkannt wird, braucht sie das Wort „fehlend“, ein Vergleichswort (z.B. „unterscheidet“, „vergleiche“, „häufiger“) und mindestens zwei Variablen in Anführungszeichen. Der Test sagt nichts darüber, warum Werte fehlen und ob sie zufällig fehlen; Imputation und Tests auf zufälliges Fehlen sind eigene Verfahren (siehe B9).

B0a

Skalenerkennung & vergleichbare Studien (Demo)

Pilotfunktion: Aktuell nur für ausgewählte Fachgebiete verfügbar (laufend erweitert) — deckt noch nicht jedes Instrument oder jede Methode ab. Erkennt kondeor.ai nichts, heißt das nicht, dass dein Datensatz oder deine Analyse ungewöhnlich ist, sondern nur, dass das jeweilige Fachgebiet noch nicht hinterlegt ist.

Nach dem Hochladen prüft kondeor.ai automatisch, ob Variablennamen zu bekannten, standardisierten Fragebogen-Instrumenten passen (z.B. anhand einer im Namen enthaltenen Abkürzung wie IPSS oder FSFI). Ein Treffer erscheint als eigene Chat-Nachricht direkt nach dem Upload, mit den erkannten Variablen und einer Quellenangabe zum Instrument.

Bei manchen Analyseverfahren ergänzt kondeor.ai das Ergebnis zusätzlich um einen kurzen Hinweis, welche anderen, in der Fachliteratur bekannten Studien dieselbe statistische Methodik verwendet haben — als Einordnungshilfe, nicht als Bewertung deines eigenen Ergebnisses.

Beide Hinweise sind bewusst als „🔬 Demo“ gekennzeichnet: Die zugrundeliegende Wissensbasis wird laufend um weitere Fachgebiete und Instrumente erweitert, deckt aber noch nicht jedes Thema ab.

B0b

Beispielanalysen ausprobieren

Du musst keine eigenen Daten haben, um kondeor.ai kennenzulernen: Frag einfach direkt im Chat nach einem Beispiel für ein bestimmtes Verfahren (z.B. „Zeig mir ein Beispiel für eine Faktorenanalyse“) — kondeor.ai lädt dafür automatisch einen Übungsdatensatz und rechnet die Analyse live.

BereichBeispielfrage
Deskriptive Statistik„Zeig mir ein Beispiel für eine deskriptive Statistik“
Anteilstests„Zeig mir ein Beispiel für einen Chi-Quadrat-Test“
Gruppenvergleiche„Zeig mir ein Beispiel für einen t-Test“
Zusammenhang & Korrelation„Zeig mir ein Beispiel für eine Korrelation“
Vorhersage & Regression„Zeig mir ein Beispiel für eine lineare Regression“
Multivariate Verfahren„Zeig mir ein Beispiel für eine Faktorenanalyse“
Kausalanalyse & Strukturmodelle„Zeig mir ein Beispiel für eine Mediationsanalyse“
Skalenanalyse & Reliabilität„Zeig mir ein Beispiel für Cronbachs Alpha“
Bayes'sche Verfahren„Zeig mir ein Beispiel für einen Bayes-Test“
Medizinische Statistik„Zeig mir ein Beispiel für eine Kaplan-Meier-Analyse“
Maschinelles Lernen„Zeig mir ein Beispiel für einen Random Forest“
Zeitreihenanalyse„Zeig mir ein Beispiel für eine Zeitreihenanalyse“
Meta-Analyse„Zeig mir ein Beispiel für eine Meta-Analyse“
Datengewichtung„Zeig mir ein Beispiel für eine Analysegewichtung“

Du kannst auch direkt fragen „Welche Beispielanalysen kannst Du mir zeigen?“ — kondeor.ai zeigt dann genau diese Liste im Chat an. Nenne eine andere Methode direkt, um zu prüfen, ob dafür ebenfalls ein Beispiel existiert.

Das Beispiel öffnet sich als eigener Datensatz 🧪 Beispiele in der Datensatz-Leiste über dem Eingabefeld (A4c) — ein bereits geladener eigener Datensatz wird nicht ersetzt, sondern bleibt daneben erhalten. Du kannst mit den Beispieldaten danach auch weitere Analysen ausprobieren; die Ergebnisse sind als 🧪 gekennzeichnet und beruhen auf synthetischen, nicht echten Daten.

Die drei auf der Startseite vorgeschlagenen Beispiele (t-Test, Korrelation, lineare Regression) laufen kostenlos. Alle übrigen Beispielanalysen aus dieser Liste werden live berechnet und wie eine reguläre Analyse mit Credits verrechnet.

B1

Folgefragen & Themenwechsel

Nach einer Auswertung kannst du die Ergebnisse direkt vertiefen — formuliere einfach weiter, kondeor.ai bezieht sich automatisch auf die letzte Analyse:

Willst du zu einem neuen Thema wechseln (selbe Daten), stell die neue Frage einfach direkt — bei Missverständnissen hilft ein expliziter Hinweis:

Die letzte Analyse korrigieren

Passt die zuletzt vorgeschlagene oder bereits gerechnete Analyse nicht ganz, musst du nicht die ganze Frage neu formulieren — eine kurze, gezielte Korrektur im Chat genügt. Das funktioniert sowohl bei einer noch offenen Bestätigungskarte als auch bei einem bereits fertigen Ergebnis:

Bezieht sich eine Korrektur nicht eindeutig auf eine bereits gestellte Frage (z.B. wenn du zwischendurch etwas ganz anderes gefragt hast), erkennt kondeor.ai das in aller Regel selbst und behandelt deine Nachricht stattdessen als neue, eigenständige Frage.

B1a

Verteilungsprüfung bei t-Test und ANOVA (Robustheitscheck)

Vor einem Gruppenvergleich (t-Test/Mann-Whitney-U, einfaktorielle ANOVA/Kruskal-Wallis) prüft kondeor.ai die Verteilungsform in jeder Gruppe einzeln — Schiefe, Exzess und Shapiro-Wilk; die Gruppen werden dabei nicht zusammengeworfen. Das Ergebnis bestimmt, wie dir das Ergebnis angezeigt wird:

Beim unabhängigen t-Test und bei der ANOVA steht außerdem eine Normalitätszeile je Gruppe (Shapiro-Wilk) im Ergebnis, ergänzt um eine Beschreibung von Histogramm und Q-Q-Plot in Worten (Zahl der Gipfel, Anteil jenseits von ±3 Standardabweichungen, Q-Q-Muster, Abweichung der Enden). Dasselbe gibt es beim Einstichproben-t-Test, bei Mann-Whitney-U, Kruskal-Wallis und für die Residuen der linearen Regression. Alle Zahlen dazu kommen aus R. Im Free-Plan, im Batch-Modus und bei gewichteten Analysen läuft die Methodenwahl wie bisher ohne diese Stufen.

Normalitätstabelle (Shapiro-Wilk, Anderson-Darling, Lilliefors)

Frag direkt nach der Verteilung einer oder mehrerer Variablen — kondeor.ai zeigt eine Tabelle mit drei Normalitätstests nebeneinander: Shapiro-Wilk, Anderson-Darling und Lilliefors (Kolmogorov-Smirnov mit geschätzten Parametern). Je Variable steht eine Zeile mit Fallzahl, Mittelwert, Standardabweichung, Schiefe, Exzess, den drei p-Werten und der Zahl der Tests, die Normalität ablehnen; dazu gibt es ein Q-Q-Diagramm.

Nach einem t-Test, Einstichproben-t-Test, einer ANOVA, ANCOVA, Pearson- oder Partialkorrelation erscheint unter dem Ergebnis ein Folgechip, der die Normalverteilungsannahme der beteiligten Variablen genau mit dieser Tabelle prüft; bei t-Test und einfaktorieller ANOVA auf Wunsch je Gruppe. Bei der linearen Regression heißt der Chip „Voraussetzungen prüfen“ (siehe B1a). Gepaarte und Messwiederholungs-Verfahren haben keinen Chip: Die Annahme gilt dort für die Differenzen bzw. Residuen, nicht für die Einzelvariablen.

Lies die Tests zusammen mit Q-Q-Diagramm, Schiefe und Exzess, nicht einzeln: Bei großen Stichproben werden alle drei Tests schon bei unbedeutenden Abweichungen signifikant, bei kleinen übersehen sie auch deutliche. Fehlende und benutzerdefiniert fehlende Werte werden ausgeschlossen. Die Normalitätstabelle läuft auch im Batch-Modus.

Regression: Voraussetzungen prüfen

Nach einer linearen Regression kannst du die Modellannahmen direkt prüfen lassen. Stell dazu eine Folgefrage (siehe B1) — kondeor.ai bezieht sich automatisch auf das zuletzt gerechnete Regressionsmodell:

Das Ergebnis ist ein Dashboard mit einer Ampel („Modellannahmen erfüllt“ bzw. „Verletzung(en) der Modellannahmen“) und den einzelnen Prüfpunkten. Die Nummerierung folgt den Gauß-Markov-Annahmen:

PrüfpunktVerfahrenSo liest du es
1. LinearitätRamsey-RESET: ergänzt die vorhergesagten Werte als Quadrat und als dritte Potenz und testet, ob sie zusätzliche Varianz erklärenp ≥ .05 spricht für ein ausreichend lineares Modell
2. Zufallsstichprobenicht aus den Daten prüfbar (hängt vom Erhebungsdesign ab)wird als „nicht prüfbar“ ausgewiesen
3. MultikollinearitätVariance Inflation Factor (VIF) je Prädiktor; bei nur einem Prädiktor nicht anwendbargrößter VIF unter 5 gilt als unproblematisch
4. Exogenitätnicht aus den Daten prüfbar (Theorie: keine ausgelassenen Variablen, keine umgekehrte Kausalität)wird als „nicht prüfbar“ ausgewiesen
5. HomoskedastizitätBreusch-Pagan-Test (Variante nach Koenker, gegen die vorhergesagten Werte)p ≥ .05 spricht für konstante Streuung der Residuen
6. Unabhängigkeit der ResiduenDurbin-Watson-Test, siehe untenp ≥ .05 spricht gegen Autokorrelation
Zusatz: NormalitätShapiro-Wilk-Test der Residuen (bei mehr als 5.000 Fällen entfällt er), dazu Schiefe und Exzess-Kurtosiskeine Gauß-Markov-Annahme selbst, nur für exakte t-/F-Tests bei kleinen Stichproben wichtig; fließt nur bei n ≤ 30 in die Ampel ein, darüber nur als Information (ⓘ), siehe unten
Zusatz: Zufälligkeit der ReihenfolgeRuns-Test (Wald-Wolfowitz um den Median) auf die Residuen in der Reihenfolge der Datenzeilen; dazu ein Diagramm Residuen gegen Reihenfolgep ≥ .05 spricht für eine zufällige Abfolge der Vorzeichen; zu wenige Runs deuten auf Blöcke hin (z.B. einen Trend über die Zeit); fließt nicht in die Ampel ein
Zusatz: einflussreiche FälleCook's D: Anzahl der Fälle über der gängigen Schwelle 4/nfließt nicht in die Ampel ein, ist aber prüfenswert

Die Prüfung braucht mindestens 10 vollständige Fälle (gültige Werte auf der abhängigen und allen unabhängigen Variablen). Das Ergebnis der linearen Regression selbst zeigt zusätzlich einen Antwortplot (beobachtete gegen vorhergesagte Werte, Diagonale = ideale Vorhersage, R² darunter): Je enger die Punkte an der Diagonalen liegen, desto besser passt das Modell. Der Runs-Test und der Reihenfolge-Plot setzen voraus, dass die Datenzeilen eine sinnvolle Reihenfolge haben (z.B. zeitlich); bei beliebig sortierten Daten ist das Ergebnis ohne Aussagekraft.

Ist eine Gewichtung aktiv, laufen diese klassischen Tests nicht; stattdessen erklärt kondeor.ai, worauf es bei gewichteter Regression ankommt (Residuenplot, einflussreiche Fälle).

Normalität der Residuen bei größeren Stichproben

Für die Schätzung der Koeffizienten ist die Normalverteilung der Residuen nicht nötig; sie betrifft vor allem exakte t- und F-Tests bei kleinen Stichproben. In größeren Stichproben trägt in der Regel der zentrale Grenzwertsatz die Inferenz. Gleichzeitig werden formale Normalitätstests wie Shapiro-Wilk bei großem n schon bei unbedeutenden Abweichungen signifikant. Deshalb gilt in kondeor.ai:

Die Grenze von 30 ist eine Faustregel zum zentralen Grenzwertsatz; je nach Verteilung gilt „groß genug“ erst bei deutlich mehr Fällen.

Durbin-Watson: Reihenfolge und p-Wert

Der Durbin-Watson-Test prüft, ob aufeinanderfolgende Residuen zusammenhängen. Die Statistik liegt zwischen 0 und 4: Werte um 2 sprechen gegen Autokorrelation, deutlich darunter für eine positive, deutlich darüber für eine negative.

Kategoriale Prädiktoren: Der automatische Rückbezug funktioniert bei Modellen mit kategorialen (dummy-kodierten) Prädiktoren noch nicht zuverlässig. Workaround: Nenne die numerischen Prädiktoren ausdrücklich, z.B. Residuenanalyse für 'alter' und 'einkommen' — geprüft wird dann der numerische Teil des Modells, nicht der kategoriale Prädiktor.
B2

Analyseplan & Batch-Modus

Für strukturiertes Arbeiten (z.B. eine vorbereitete Fragebogen-Auswertung) kannst du mehrere Analysefragen als Analyseplan hinterlegen und im Batch-Modus alle auf einmal durchlaufen lassen — beides ab dem Pro-Plan verfügbar.

Analyseplan automatisch erstellen lassen

Über den Toolbar-Button „Analyseplan“ beschreibst du deine Forschungsfrage in eigenen Worten — kondeor.ai schlägt daraus einen vollständigen Plan vor, jede Teilfrage bereits im korrekten kondeor.ai-Format:

Mit „⚡ In Batch laden“ übernimmst du den fertigen Plan direkt in den Batch-Modus, oder speicherst ihn über „Analyseplan speichern“ als Datei (.md).

Weitere Auswertungen aus vergleichbaren Studien (optional). Liegen zu deinem Thema vergleichbare Studien in kondeor.ai vor (das ist nur für ausgewählte Themen der Fall), erscheint unter dem Plan ein Angebot mit der Zahl dieser Studien. Mit „Vorschläge anzeigen“ (der Preis steht am Knopf) holst du einen eigenen, einklappbaren Abschnitt „Weitere Auswertungen aus vergleichbaren Studien“: Methoden, die dort verwendet wurden und die dein Plan noch nicht abdeckt. Berechnet wird nur, wenn tatsächlich Vorschläge kommen; ohne passende Vorschläge kostet es nichts. Der Plan selbst geht weiter von deinen Daten und deiner Forschungsfrage aus; die Vorschläge sind eine Ergänzung, die du übernehmen kannst oder nicht.

Die Studien sind eine kleine, ausgewählte Sammlung und keine vollständige Literaturübersicht. Sie zeigen, was üblich ist, und sind kein Beleg dafür, was richtig ist.

In Hypothesen übernehmen. Mit „In Hypothesen übernehmen“ (im Analyseplan- und im Batch-Fenster, ab Pro) gehen die H0/H1 der Analysen in Schritt ② des Hypothesen-Dialogs (B6a). Du wählst für alle Zeilen H1 (Standard) oder H0 und kannst einzelne Zeilen umstellen oder abwählen. Weil Plan und Batch aus den Daten stammen, setzt kondeor.ai dabei „Daten liegen bereits vor“: Die Ergebnisse gelten als explorativ.

Ergebnisse sind explorativ: Ein Plan, den kondeor.ai aus deinen Daten ableitet, liefert Entdeckungen, keine vorab festgelegten Annahmen (was das bedeutet, steht in B6a). Darauf weist ein aufklappbarer Hinweis über dem Plan hin; derselbe Gedanke erscheint kurz unter der Gesamtinterpretation des Batch und wird beim Speichern an den Bericht angehängt. Der Hinweis erscheint auch bei Anschlussanalysen und bei Hypothesen, bei denen „Daten liegen bereits vor“ angehakt ist.

Batch-Modus

Im Batch-Fenster steht eine Analysefrage pro Zeile — entweder aus dem Analyseplan übernommen oder manuell eingetippt:

kondeor.ai sammelt die Einzelergebnisse und erstellt anschließend auf Wunsch eine KI-gestützte Gesamtinterpretation über alle Analysen hinweg — mit vier festen Abschnitten (wesentliche Befunde, nicht-signifikante Ergebnisse, Gesamtbild, methodische Hinweise) sowie einer separaten Hypothesenbilanz: Für jede Analyse mit H0/H1 wird ausgewiesen, ob die Hypothese bestätigt, nicht bestätigt oder uneindeutig ist — inklusive des Falls „signifikant, aber in die falsche Richtung“, der bei einer reinen p-Wert-Prüfung sonst als „bestätigt“ durchgehen würde. Enthält der Batch mehr als eine Analyse mit p-Wert, zeigt die Tabelle zusätzlich eine Holm-Bonferroni-korrigierte Spalte — sie berücksichtigt, dass bei mehreren gleichzeitig durchgeführten Tests die Wahrscheinlichkeit eines zufällig signifikanten Ergebnisses steigt. Weicht das korrigierte Ergebnis vom Einzeltest ab (nur in eine Richtung möglich: einzeln signifikant, korrigiert nicht mehr), wird das als eigene Kategorie ausgewiesen — sowohl in der Tabelle als auch in der Hypothesenbilanz.

Nach dem Batch-Durchlauf steht zusätzlich „🔬 Weitere Analysen vorschlagen“ zur Verfügung: kondeor.ai schaut sich die tatsächlichen Ergebnisse (nicht nur die ursprüngliche Forschungsfrage) an und schlägt daraus sinnvolle Anschlussanalysen vor — im selben Kartenformat wie der ursprüngliche Plan (Titel, Frageformulierung, H0/H1, Begründung, Konfidenz), inklusive anklickbarer Auswahl bei Unsicherheit. Die Vorschläge erscheinen direkt im Batch-Fenster unter den Ergebnissen (ist das Fenster geschlossen, als Karte im Chat). „In Batch laden“ übernimmt sie in das Eingabefeld — dort kannst du Zeilen streichen, bevor du startest. kondeor.ai merkt sich in der laufenden Sitzung, welche Analysen im Batch gestartet und welche Vorschläge schon gezeigt wurden, und schlägt sie bei einem erneuten Aufruf nicht noch einmal vor; bleibt nichts wirklich Neues übrig, sagt es das. Nicht erfasst sind Analysen, die du einzeln im Chat gerechnet hast, und alles vor einem Neuladen der Seite.

Verfahren mit Bestätigungskarte im Batch: Äquivalenz- und Nichtunterlegenheitstest, SEM/CFA, serielle und moderierte Mediation sowie Wachstumskurvenmodelle laufen im Batch ohne Karte. Sind alle nötigen Angaben in der Frage enthalten, wird direkt gerechnet, und die Ausgabe nennt die erkannte Zuordnung als „nicht bestätigt“. Fehlt etwas (z.B. Grenze, Richtung, Testgruppe oder Ereignis), wird die Frage nicht ausgeführt und mit einer Meldung markiert — kondeor.ai rät diese Angaben nie. Im Analyseplan schlägt kondeor.ai diese Verfahren nur vor, wenn die Hypothese die Angaben liefert; sonst wählt es den passenden Gruppenvergleich. Du kannst die Analyse dann einzeln im Chat starten. Die Tobit-Regression folgt demselben Prinzip: Sie läuft im Batch, wenn die Frage die Variable mit den zensierten Werten und die Prädiktoren nennt und die Zensur aus den Daten ablesbar ist (Wertelabel oder Text wie „>90“); die Zensur selbst legst du im Einzel-Chat auf der Karte fest (siehe B9g). Die Kaplan-Meier-Schätzung für zensierte Messwerte läuft nach derselben Regel: Die Frage nennt die Variable (eine Gruppenvariable ist optional) und die Zensur ist aus den Daten ablesbar (Wertelabel, Text wie „>90“ oder eine Spalte „<Name>_zens“).

Als Bericht speichern: Nach der Gesamtinterpretation stehen drei Wege offen. „Zusammenfassung in Bericht speichern“ (direkt unter der Zusammenfassung im Chat) speichert nur den Text der Zusammenfassung als eigenen Eintrag. „Als Bericht speichern“ (im Batch-Dialog) legt einen Bericht mit der Übersichtstabelle und der Gesamtinterpretation als Text an. „Gesamte Batch-Analyse speichern“ — im Batch-Dialog und ebenso direkt unter der Zusammenfassung im Chat — speichert zusätzlich jede einzelne Analyse als eigenen Eintrag — im Bericht kannst du die Einträge danach per Drag & Drop verschieben, löschen und mit einer Notiz versehen (H0/H1 werden als Notiz übernommen). Übersichtstabelle und Gesamtinterpretation lassen sich als eigene Einträge mitspeichern. Die Gesamtinterpretation lässt sich außerdem direkt als Abschluss-Interpretation des Berichts setzen (ohne weiteren KI-Aufruf): Bei einem neuen Bericht oder einem Bericht ohne Abschluss-Text ist das vorbelegt, und sie wird dann nicht zusätzlich als eigener Eintrag gespeichert; hat der Bericht schon eine Abschluss-Interpretation (z.B. bei einem Folge-Batch), ist die Option aus, und die Gesamtinterpretation kommt als Eintrag in den Bericht — beides lässt sich im Dialog umstellen. Wählst du später im Bericht bei der Abschluss-Interpretation „Mit Claude generieren“, baut die Synthese auf den gespeicherten Batch-Interpretationen und einem vorhandenen Abschluss-Text auf (Holm-Korrektur und methodische Hinweise werden übernommen) — das lohnt vor allem, wenn ein Bericht mehrere Batches und Einzelanalysen vereint; nach einem einzelnen, vollständig gespeicherten Batch brauchst du es nicht. Ziel ist ein neuer oder ein bestehender Bericht. Das Speichern aller Analysen kostet einen pauschalen Preis, unabhängig von der Zahl der Analysen (Anzeige im Dialog); wer nur bestimmte Analysen braucht, speichert sie einzeln — das bleibt kostenlos. Bei „Weitere Analysen vorschlagen“ ist beim Speichern standardmäßig der Bericht des ersten Batches vorausgewählt, die Wahl bleibt frei. Ergebnisse ohne Dashboard (z.B. reine Textantworten) werden nicht als Eintrag gespeichert und stehen nur in der Übersichtstabelle.

Tipp: Variablennamen im Analyseplan ebenfalls in einfachen Anführungszeichen schreiben, z.B. 'opmeth' — das verhindert Verwechslungen mit ähnlich benannten Variablen.
B3

Teilstichproben-Filter

Du kannst eine Analyse auf eine Teilstichprobe beschränken, ohne den Datensatz selbst zu verändern — der Filter wird pro Sitzung gesetzt und ist jederzeit sichtbar/entfernbar. Unterstützt werden:

In der Datenansicht werden weggefilterte Zeilen dezent rot markiert, statt einfach zu verschwinden — so behältst du den Überblick, was der Filter tatsächlich ausschließt.

Der Filter gilt für alle Analysen — auch für Äquivalenz- und Nichtunterlegenheitstests, SEM/CFA, Mediation, Wachstumskurven, Multiple Imputation und den APA-Check gegen den Datensatz. Wirkt ein Filter, nennt die Ausgabe die Zeilenzahl der Teilstichprobe („n von N Zeilen“); so fällt ein vergessener Filter sofort auf.

Direkt in der Frage, natürlichsprachlich: Für eine Einschränkung, die nur für eine einzelne Frage gelten soll — z.B. innerhalb einer Batch-Hypothese oder einer per Hypothesenmodell erzeugten Teilstichprobe-Hypothese — reicht eine natürlichsprachliche Formulierung direkt im Fragetext, ganz ohne Anführungszeichen:

Diese Einschränkung gilt nur für die eine Frage — anders als der oben beschriebene, session-weite Filter wird sie nicht in nachfolgenden Fragen mitgeführt. Kann kondeor.ai die Formulierung nicht eindeutig einer Variable zuordnen, kommt eine Rückfrage (im Chat eine Karte mit Textfeld, im Batch eine Sammelkarte vor dem Start) statt stillschweigend ohne Filter weiterzurechnen.

Abgrenzung zur zitierten Schreibweise: Ein Ausdruck in echten Anführungszeichen wie 'urlaubsart' = 1 (s.o.) ist kein Teilstichprobe-Filter, sondern eine dauerhafte Datensatz-Transformation (braucht eine eigene Bestätigung, siehe B4) — für „nur bei den Frauen“-artige, auf eine Frage begrenzte Einschränkungen brauchst du diese Schreibweise nicht.
B3a

Analyse je Gruppe (Gruppenmodus)

Mit dem Gruppenmodus rechnest du jede Analyse getrennt für jede Gruppe einer Variable — z.B. dieselbe Regression für jede Filiale, jedes Land oder jede Behandlungsgruppe. Das entspricht „Split File“ in SPSS. Der Datensatz selbst bleibt unverändert.

Einmal einstellen, dann normal arbeiten

  1. Öffne Transformieren und wähle im Abschnitt „Analyse je Gruppe“ die Gruppenvariable. kondeor.ai zählt die Gruppen und zeigt, wie viele davon ausreichend groß sind. Kleine Gruppen (Mindestgröße einstellbar) und einzelne Gruppen kannst du ausschließen.
  2. Ab jetzt zeigt die Fußzeile einen Hinweis mit ✕ — solange er da ist, gilt der Modus. Mit ✕ beendest du ihn.
  3. Stelle deine Fragen ganz normal im Chat oder starte einen Batch. Jede Frage wird je Gruppe gerechnet.

Eine ausdrückliche Formulierung in der Frage („je Filiale“, „getrennt nach Geschlecht“) hat Vorrang vor dem eingestellten Modus und funktioniert auch ohne ihn.

Bestätigung und Kosten

Im Chat erscheint bei jeder Analysefrage zuerst eine Bestätigungskarte mit Gruppenzahl und Credit-Kosten. Dort kannst du auch „Einmal gemeinsam für alle rechnen“ wählen, ohne den Modus zu beenden. Im Batch zeigt eine Abfrage vor dem Start „Fragen × Gruppen = Rechenläufe“ und die Mindestkosten. Vor jeder Gruppe wird das Guthaben geprüft; reicht es nicht, stoppt der Lauf und liefert, was bis dahin fertig ist.

Ergebnis

Grenzen: Zwei bis 100 Gruppen, höchstens 400 Rechenläufe pro Batch. Hat eine Frage selbst einen ODER-Filter, wird die Gruppenbedingung ohne Klammerung angehängt — formuliere solche Fragen besser eindeutig. „In Datensatz übernehmen“ (Faktorwerte, Residuen usw.) ist für Gruppen-Einzelergebnisse vorläufig gesperrt.

In Rezepten

Der Gruppenmodus lässt sich wie ein Teilstichproben-Filter als Teil eines Transformieren-Rezepts speichern (siehe B4). Beim Laden des Rezepts wird er wieder eingerichtet; fehlt die Variable im aktuellen Datensatz, wird das sichtbar markiert.

B3b

Gewichtung (Designgewicht)

Mit einer Gewichtung passt du die Stichprobe an die Grundgesamtheit an (Poststratifikation, Hochrechnung): Ein Fall mit Gewicht über 1 zählt in der Auswertung mehr, ein Fall mit Gewicht unter 1 weniger — meist liegt der Mittelwert der Gewichte um 1. Du legst die Gewichtungsvariable einmal fest, danach rechnen Chat und Batch gewichtet. Der Datensatz selbst bleibt unverändert.

Einmal einstellen, dann normal arbeiten

  1. Öffne Transformieren und wähle im Abschnitt „Gewichtung (Designgewicht)“ die Gewichtsvariable. Zur Wahl stehen numerische Variablen mit ausschließlich positiven Werten.
  2. Mit „Einschalten“ gilt die Gewichtung. Die Fußzeile zeigt einen Hinweis mit ✕ — solange er da ist, gilt sie. Mit ✕ (oder „Ausschalten“ im Dialog) beendest du sie.
  3. Stelle deine Fragen ganz normal im Chat oder starte einen Batch. Wechselst du den Datensatz, endet die Gewichtung.

Welche Verfahren gewichtet rechnen

VerfahrenGewichtet gerechnet
Deskriptive StatistikMittelwert, Standardabweichung, Quartile und Häufigkeiten mit designbasierten Standardfehlern und Konfidenzintervallen
Kreuztabelle / Chi²gewichtete Tabelle, Test nach Rao-Scott (F-Test), Cramérs V
t-Test, einfaktorielle ANOVAdesignbasierte Tests; Gruppenmittelwerte, Differenz mit Konfidenzintervall, Cohens d bzw. η²
Mann-Whitney, Kruskal-Wallisdesignbasierte Rangtests
Lineare Regressiongewichtete kleinste Quadrate; Koeffizienten mit Standardfehler, 95-%-Konfidenzintervall und Beta, Wald-F-Test des Gesamtmodells, gewichtetes R²; vorhergesagte Werte und Residuen lassen sich in den Datensatz übernehmen

Was sich ändert — und was nicht

Nie still ungewichtet: Ist eine Gewichtung aktiv, rechnet kondeor.ai ein Verfahren ohne gewichtete Variante nicht ungewichtet — das Ergebnis sähe gewichtet aus, ohne es zu sein. Stattdessen erscheint der Hinweis „Mit Gewichtung noch nicht möglich“. Im Batch wird die Frage mit einer kurzen Zeile übersprungen, der Analyseplan schlägt nur gewichtbare Verfahren vor, und ein Methodenvergleich entfällt. Häufigkeits- und Analysegewichte (Stichwortverfahren, siehe B1) lassen sich mit einer gesetzten Designgewichtung nicht kombinieren; auch das wird gemeldet.

Warum die p-Werte höher sein können als anderswo

Programme, die Gewichte wie bekannte Häufigkeiten oder Messgenauigkeiten behandeln, rechnen so, als wären alle Fälle gleich informativ — die Standardfehler fallen dann zu klein und die p-Werte zu niedrig aus. kondeor.ai behandelt die Gewichte als Teil des Stichprobendesigns: Ungleiche Gewichte kosten Information (die Stichprobe ist effektiv kleiner als die tatsächliche Fallzahl), und das schlägt sich in breiteren Standardfehlern, größeren p-Werten und breiteren Konfidenzintervallen nieder. Die Schätzwerte selbst stimmen überein, nur die Unsicherheit wird ehrlicher ausgewiesen.

Regression: Voraussetzungen

Fragst du bei aktiver Gewichtung „Sind die Voraussetzungen erfüllt?“, rechnet kondeor.ai keine klassischen Voraussetzungstests: An ungewichteten Residuen würden sie ein anderes Modell prüfen als das, das du interpretierst. Du bekommst stattdessen eine Erklärung, worauf es bei designbasierten Standardfehlern ankommt: Linearität und einflussreiche Fälle (beides siehst du im Residuenplot des Regressions-Dashboards), keine perfekte Multikollinearität und die Unabhängigkeit der Beobachtungen als Frage des Stichprobendesigns. Keine Voraussetzung mehr sind Normalverteilung und gleiche Streuung der Residuen — designbasierte Standardfehler, Konfidenzintervalle und Tests sind gegen beides robust. Möchtest du die klassischen Tests, schalte die Gewichtung für diese Analyse aus.

Grafiken, Rezepte, Kosten

B4

Variablen transformieren

Neue Variablen berechnen, Kategorien bilden oder Werte rekodieren — entweder über den Transformieren-Dialog oder direkt in natürlicher Sprache:

Auch einfache Rechnungen funktionieren so, z.B. „Berechne die Summe aus 'Q1' und 'Q2'“, „Bilde den Mittelwert aus 'item1', 'item2' und 'item3'“, „Addiere 'a' + 'b'“ oder „Differenz zwischen 'post' und 'prä'“. Variablennamen mit Punkt oder Leerzeichen schreibst du exakt und in einfachen Anführungszeichen.

Im Transformieren-Dialog helfen „Bekannte Werte“-Chips: Sie zeigen die tatsächlich in einer Spalte vorkommenden Werte zum Anklicken, damit du bei Filtern und Rekodierungen nicht raten musst, ob Zahlencode oder Label einzutragen ist.

kondeor.ai zeigt das Ergebnis immer zuerst als Vorschau — nichts wird automatisch übernommen. Erst ein Klick auf „Anwenden“ schreibt die neue Variable tatsächlich in den Arbeitsdatensatz.

Transformationen als Rezept speichern: Gerade bei komplexeren Formeln oder mehreren verketteten Schritten lohnt es sich, sie nicht jedes Mal neu einzutippen. Im Transformieren-Dialog steht dafür „💾 Als Rezept sichern“ zur Verfügung — ein Rezept ist einfach die aktuell zusammengestellte Operation bzw. Operationskette unter einem selbst gewählten Namen. Gespeicherte Rezepte lassen sich jederzeit über die Dropdown-Auswahl im selben Dialog laden, vor dem Ausführen bearbeiten und entweder unter demselben Namen aktualisieren oder als neues Rezept sichern. Rezepte sind bewusst projektübergreifend gespeichert — wie eine persönliche Formel-Bibliothek, die sich auch auf andere Datensätze anwenden lässt. Referenziert ein geladenes Rezept eine Variable, die im aktuellen Datensatz nicht existiert (z.B. weil sie anders heißt), wird das direkt in der Karte sichtbar markiert, statt es stillschweigend zu verwerfen. Ein Rezept kann seit Version 1.16.56 auch einen Teilstichproben-Filter und den Gruppenmodus (B3a) sowie die Gewichtung (B3b, seit Version 1.16.57) enthalten — so lässt sich eine komplette Datenvorbereitung samt Einschränkung mit einem Klick wiederherstellen.

Mit „Neu beginnen“ räumst du den Dialog auf: Alle Karten und das geladene Rezept werden verworfen, sodass du ein neues Rezept anlegen kannst, statt versehentlich das zuletzt geöffnete zu überschreiben. Ein Rezept lässt sich außerdem mit „Teilen“ an andere weitergeben (siehe A4d).

Fünf weitere Operationen stehen im Transformieren-Dialog zur Verfügung:

Zensurwerte aufteilen: Steht in einer Spalte ein Grenzwert — als Wertelabel an einem Zahlencode oder als Text wie „>90“ bzw. „<15“ —, zerlegt kondeor.ai sie in zwei neue Spalten: den Wert (bei zensierten Zeilen die Grenze selbst, sonst der Messwert) und die Kennung (0 = exakt gemessen, 1 = rechtszensiert, 2 = linkszensiert). Du startest die Operation mit dem Button „≷ Zensurwerte aufteilen“ im Transformieren-Dialog — die Karte zeigt unter der gewählten Quell-Variable sofort, welche Zensur erkannt wurde — oder gibst sie als Frage im Chat an, wie jede Transformation in natürlicher Sprache. Die Rückmeldung nennt die erkannten Grenzen mit ihrer Häufigkeit. Erkannt werden nur Angaben mit >, ≥, < oder ≤ und einer Zahl; Zeilen, die sich nicht zuordnen lassen, bleiben leer und werden gemeldet. Die Grenze kommt aus dem Label bzw. Text, nie aus dem Zahlencode. Die beiden neuen Spalten lassen sich in der Tobit-Karte im Chat als „eigene Spalte“ verwenden (siehe B9g); im Batch liest Tobit die Zensur weiterhin aus den Wertelabels bzw. dem Text der Originalspalte — eine Kennungs-Spalte gibt es dort nicht.

Proaktive Vorschläge: Bei deutlich schiefen Verteilungen oder einer unübersichtlich großen Kreuztabelle schlägt kondeor.ai direkt unter dem Ergebnis eine passende Transformation vor (z.B. Log-Transformation oder Klassieren in Gruppen) — ein Klick genügt, um sie zu übernehmen, oder du ignorierst den Vorschlag einfach.
Skalenniveau bei rekodierten Variablen: Neu gebildete Variablen (z.B. aus Kategorisierung) werden zunächst pauschal als nominal angenommen — das ist nicht immer methodisch korrekt (z.B. bei geordneten Gruppen). Falls nötig, korrigierst du das Skalenniveau danach in der Variablenansicht (siehe Datensatz bearbeiten).
B5

Stichprobenrechner (Power-Planung)

Über das Zielscheiben-Symbol links unten neben dem Eingabefeld öffnest du einen Online-Rechner für den notwendigen Stichprobenumfang — er erscheint im Chat-Fenster, unmittelbar nutzbar, ganz ohne KI-Anfrage; dein aktueller Modus und Datensatz bleiben dabei unverändert. Drei getrennte Reiter, je nach Fragestellung:

„Ich bin unsicher — Methode über den Leitfaden finden“: Du kennst das Testverfahren nicht? Der Button im Power-Reiter öffnet den Leitfaden zur Methodenwahl (A2c). Dort beantwortest du die Fragen zu deinem Vorhaben und wählst die passende Methode; mit „→ Stichprobe für diese Methode planen“ springst du zurück in den Rechner, und das zugehörige Verfahren ist bereits vorausgewählt. Die Zuordnung ist regelbasiert, es entsteht keine KI-Anfrage. Wo der Rechner nur ein eng verwandtes Verfahren verwenden kann (z.B. bei ANCOVA, partieller Korrelation, Fisher-Test oder Cox-Regression), erscheint ein Hinweis zur Einordnung der Zahl — etwa „beim Fisher-Test ca. 10 % mehr Personen je Gruppe einplanen“. Die Zuordnungen wurden per Simulation geprüft (tatsächliche Teststärke beim vorgeschlagenen n, Ziel 80 %).

Für komplexere Designs (z.B. dreifaktorielle ANOVA, gemischte Designs, Sensitivitätsanalysen) empfiehlt sich ergänzend G*Power.

Post-hoc-Teststärke bei Ergebnissen: Neben der Vorab-Planung zeigt kondeor.ai bei vielen Testergebnissen automatisch eine Teststärke — berechnet aus der tatsächlich beobachteten Effektgröße und dem vorliegenden Stichprobenumfang. Bei niedriger oder grenzwertiger Teststärke erscheint zusätzlich ein methodischer Hinweis: Diese Kennzahl hängt eng mit dem p-Wert zusammen und ist bei nicht signifikanten Ergebnissen systembedingt niedrig — sie zeigt nicht zuverlässig an, ob eine größere Stichprobe zur Signifikanz geführt hätte. Ergänzend wird die kritische Effektgröße ausgewiesen: der kleinste Effekt, den der jeweilige Test bei der vorliegenden Stichprobengröße und dem gewählten Signifikanzniveau mit 80 % Teststärke überhaupt hätte nachweisen können — eine vom p-Wert unabhängige Zusatzinformation. Abgedeckt sind t-Test (unabhängig, gepaart, Einstichprobe), Mann-Whitney-U, Wilcoxon, Kruskal-Wallis, ANOVA, Korrelation (auch partiell und punktbiserial), Chi²-Test, Chi²-Anpassungstest, Binomialtest, lineare Regression sowie Mediation und Moderation.

Effektstärken & Hover-Hinweise am Dashboard: Viele Ergebnisse zeigen mehrere Effektstärken nebeneinander statt nur einer — z.B. Cohen's d, Hedges' g und Glass' Δ beim t-Test (unabhängig, gepaart und Einstichprobe, je nach Design unterschiedlich sinnvoll), η², ω² und Cohen's f bei der ANOVA, ε² bei Kruskal-Wallis (samt Dunn- und DSCF-Post-hoc-Vergleichen — DSCF nutzt eine auf die studentisierte Spannweite zugeschnittene Korrektur statt Dunns generischer Holm-Korrektur, gilt bei allen paarweisen Vergleichen oft als trennschärfer), sowie Odds Ratio, relatives Risiko, Kontingenzkoeffizient und Gamma beim Chi²-Test. Bei Kendalls Tau unterscheidet kondeor.ai automatisch zwischen Tau-b (Standardfall) und Tau-c nach Stuart (rechteckige Kreuztabellen, d.h. unterschiedliche Anzahl an Zeilen-/Spaltenkategorien) — die passendere Variante wird ohne Zutun gewählt. Wo eine Kennzahl Erklärung braucht, ist der Begriff am Dashboard gepunktet unterstrichen — der Mauszeiger darüber zeigt einen kurzen, methodischen Hinweis (z.B. wann welche Effektstärke vorzuziehen ist). Diese Markierung erscheint aktuell nur am Desktop: Tooltips lassen sich auf Touch-Geräten technisch nicht per Antippen aufrufen, die Erklärung fehlt dort also, auch wenn die Kennzahl selbst weiterhin angezeigt wird.

Bootstrap-Konfidenzintervall (ANOVA): Erwähnst du das Wort „Bootstrap“ in deiner Frage, berechnet kondeor.ai bei der einfaktoriellen ANOVA zusätzlich ein Bootstrap-basiertes Konfidenzintervall für η² und ω² — anders als das sonst gezeigte analytische Konfidenzintervall setzt es keine Normalverteilung innerhalb der Gruppen voraus. Läuft bewusst nicht automatisch mit, da das Verfahren spürbar rechenintensiver ist als die analytische Variante.

Ein-/zweiseitige Hypothese bei Kreuztabellen: Bei Fishers exaktem Test (2×2) sowie bei der Proportionsdifferenz-Berechnung steht am Dashboard ein Steuerelement „Hypothese“ zur Verfügung (Gruppe1 ≠/>/< Gruppe2) — die Auswahl einer gerichteten Hypothese ändert den berechneten p-Wert entsprechend. Bei größeren Kreuztabellen (mehr als 2×2) bleibt der Test aus statistischen Gründen zweiseitig, ein entsprechender Transparenz-Hinweis erscheint dann am Dashboard.

Kreuztabellen lesen: Die Eckzelle der Kreuztabelle nennt untereinander „Zeilen: <Variable>“ und „Spalten: <Variable>“. So ist auch bei zwei Variablen mit gleichen Ausprägungen klar, welche die Zeilen und welche die Spalten bildet.

Sprache der KI-Texte: Interpretationen im Dashboard und Gesamtinterpretationen in Berichten sind sachlich und ohne direkte Anrede („Die Gruppen unterscheiden sich …“); Befund vor Einordnung, Effektstärke vor Signifikanz. Lernpläne in Kursen sprechen dich weiter mit „du“ an.

B6

APA-Check

Für Lektor:innen und alle, die publizierte Kennwerte gegenprüfen möchten: Kopiere einen berichteten Statistik-Wert direkt in das Analysefrage-Feld — kondeor.ai erkennt das Muster automatisch und prüft die interne Konsistenz.

Unterstützt: t-Test, F (ANOVA), Chi², Korrelation r, z, Mann-Whitney-U, Kruskal-Wallis-H, Wilcoxon. Standardmäßig eine reine Konsistenzprüfung der berichteten Werte untereinander, ganz ohne Datensatz. Ist zusätzlich ein Datensatz geladen, kannst du einzelne Kennwerte direkt gegen die tatsächlichen Daten nachrechnen lassen.

B6a

Forschungsfrage und Hypothesen prüfen, Hypothesenmodell zeichnen

Über das Symbol in der Werkzeugleiste unter dem Chat-Fenster öffnet sich ein Dialog mit fünf Schritten: ① Forschungsfrage → ② Hypothesen → ③ Modell zeichnen → ④ Fragebogen → ⑤ In den Batch. Jeder Schritt lässt sich einzeln nutzen: Hast du schon Hypothesen, springst du direkt zu ②, hast du schon ein fertiges Modell, direkt zu ③. Die Funktion steht ab dem Pro-Plan zur Verfügung.

① Forschungsfrage prüfen. Füg deine Forschungsfrage ein (sie muss nicht als Frage formuliert sein, auch ein Untersuchungsziel oder Thema ist möglich). kondeor.ai prüft sie anhand der Anforderungen aus dem Aufsatz „Forschungsfrage und Hypothesenmodell“: ein Satz, ohne versteckte Unterfragen, Gegenstand, Grundgesamtheit, geografischer und zeitlicher Bezug, lesbar, widerspruchsfrei, empirisch prüfbar, ein klarer Fokus und machbar. Einfache Formfehler erkennt eine kostenlose Regelprüfung sofort, der Rest kommt von der KI. Jedes Kriterium erscheint mit einer Ampel (passt, unklar, passt nicht, Hinweis) und einer kurzen Begründung, bei Bedarf mit einem Formulierungsvorschlag.

② Hypothesen prüfen. Füg deine Hypothesen ein, eine pro Zeile (bis zu 30). Geprüft werden jede einzelne Hypothese (Wenn-dann-Form, genau eine Aussage, allgemeingültig formuliert, operationalisierbar, Richtung, Bezug zur Forschungsfrage) und alle zusammen (Widersprüche, Überschneidungen, Abdeckung der Forschungsfrage, H0/H1). Die Nummerierung wird nur ab H2 beanstandet, weil „H1“ für die Alternativhypothese reserviert ist, ein H0/H1-Paar ist in Ordnung. Zeilen mit „+ Variable“ gelten als reine Beschreibung und nicht als Hypothese.

Hypothesen vorschlagen (optional). Hast du eine Forschungsfrage, aber noch keine Hypothesen, schlägt kondeor.ai auf Knopfdruck bis zu fünf passende Hypothesen vor. Grundlage ist ausschließlich deine Forschungsfrage, nicht dein Datensatz und nicht der Analyseplan: So bleibt die Reihenfolge „erst Hypothesen, dann Daten“ gewahrt. Die Vorschläge sind Ausgangspunkte aus allgemeinem Fachwissen. Du wählst per Häkchen aus, was ins Hypothesenfeld übernommen wird (nichts geschieht automatisch), und begründest jede Hypothese anschließend mit Literatur. Ist „Daten liegen bereits vor“ gesetzt, erscheint zusätzlich der HARKing-Hinweis.

Nur Hinweise, nichts wird überschrieben. kondeor.ai ändert deinen Text nie von selbst. Vorschläge übernimmst du per Klick, oder du lässt sie unbeachtet.

Daten liegen bereits vor? Hypothesen sollten vor der Datenerhebung feststehen. Setz den Haken „Daten liegen bereits vor“, wenn du sie erst nach der Erhebung formuliert hast: kondeor.ai weist dann auf das Risiko des nachträglichen Hypothesenbildens (HARKing) hin, etwa dass Hypothesen aus auffälligen Ergebnissen entstanden sein könnten. Das gehört offen in die Arbeit, ein Verbot ist es nicht. Die Prüfung der Forschungsfrage ignoriert dann einen Zeitraum, der schon vorbei ist.

Was heißt „explorativ“? Eine bestätigende Auswertung prüft eine Annahme, die vorher feststand. Eine explorative Auswertung schaut in die Daten und sucht, was auffällt. Beides ist legitim, aber die Aussagekraft ist verschieden: Wer viele Zusammenhänge durchprobiert, findet fast immer einen, der „signifikant“ ist, auch wenn er nur Zufall war. Ein explorativer Befund ist deshalb ein Hinweis für künftige Studien und noch kein Beleg. Schreib das im Bericht so hin („explorativ“) und formuliere vorsichtig. Bei vielen Tests hilft zusätzlich eine Korrektur für multiples Testen.

③ Modell zeichnen. Nach der Hypothesenprüfung kannst du das Modell direkt aus dem Prüfergebnis zeichnen lassen, ganz ohne weiteren KI-Aufruf. Alternativ fügst du in Schritt ③ Forschungsfrage und/oder Hypothesen wie bisher als Text ein, und kondeor.ai übersetzt sie nach der Kondeor-Konvention in ein Hypothesenmodell (Kästchen = Variablen/Konstrukte, Pfeile = Hypothesen, inkl. Null-/Alternativhypothese, ein-/zweiseitiger Richtung und multivariater Zusammenhänge). Das Ergebnis ist frei angeordnet, zentrale Variablen werden hervorgehoben, und thematisch zusammengehörige unabhängige Variablen erkennt kondeor.ai in der Regel selbst und stellt sie farblich gruppiert dar. Zeilen mit „+ Variable“ erscheinen als Beschreibungs-Kästchen und gehen nie in die Batch-Analyse.

Konstrukt- und Kategorie-Einstufung explizit vorgeben: Erkennt kondeor.ai eine Variable nicht wie gewünscht als Konstrukt (kursiv dargestellt) oder ordnet sie einer anderen Farbgruppe zu als beabsichtigt, lässt sich das direkt im Text übersteuern, jeweils als Zusatz direkt hinter der betreffenden Variable/Phrase:

Ohne diese Zusätze entscheidet kondeor.ai automatisch anhand des Inhalts — die runden Klammern (Konstrukt)/(Variable) und die eckige Kategorie-Klammer […] sind bewusst getrennt und lassen sich frei kombinieren oder auch einzeln verwenden.

④ Fragebogen. Dieser Schritt zeigt die Hypothesen, die du in ② eingegeben oder in ③ gezeichnet hast, und übergibt sie an den Fragebogen-Dialog: „Entwurf aus diesen Hypothesen“ öffnet den Reiter „Entwurf aus Hypothesen“ mit Forschungsfrage und Hypothesen schon eingetragen, „Vorhandenen Fragebogen prüfen“ öffnet den Prüf-Reiter mit den Hypothesen (bis zu fünf), denen du dort nur noch Methode und Variablen zuordnest. Der Schritt selbst rechnet und kostet nichts, Preise siehst du im Fragebogen-Dialog vor jeder Aktion. Mehr dazu in B8b.

⑤ In den Batch. Die Hypothesen aus dem Modell lassen sich als Fragen in die Batch-Analyse übernehmen, siehe B6.

Umgekehrter Weg. Hast du Analyseplan oder Batch schon, übernimmst du deren H0/H1 mit „In Hypothesen übernehmen“ nach Schritt ②, von dort geht es ins Modell und in den Fragebogen. Dein Text in ② wird dabei ergänzt, nicht überschrieben; doppelte Zeilen werden ausgelassen.

Kosten: Das Modell aus dem Prüfergebnis zu zeichnen ist kostenlos, die übrigen KI-Schritte kosten Credits (Preis jeweils am Knopf, siehe E1); das Modell aus freiem Text zu generieren kostet bei vielen Hypothesen mehr. Abgebucht wird erst, wenn eine brauchbare KI-Antwort vorliegt; die Regelprüfung ist immer gratis. Das Ergebnis bleibt als JSON einsehbar und bearbeitbar und lässt sich als SVG-Grafik herunterladen.

Grenzen: Die Prüfung ist rein textbasiert und beurteilt deine Formulierungen, nicht deinen Datensatz. Ob die Variablen im Datensatz vorhanden und passend skaliert sind, prüft sie (noch) nicht. Die KI kann bei der Benennung gleicher Variablen über mehrere Hypothesen hinweg abweichen, schau im Modell darauf.

B7

Ergebnisse in den Datensatz übernehmen

Bei mehreren Methoden (Faktorenanalyse, Clusteranalyse, Regression [linear, logistisch, multinomial], Diskriminanzanalyse, latente Klassenanalyse, Propensity-Score-Matching und -Gewichtung) kannst du die berechneten Werte — z.B. Faktorwerte, Clusterzugehörigkeit, Residuen oder vorhergesagte Wahrscheinlichkeit/Klasse — per Klick als neue Spalte(n) in den Arbeitsdatensatz übernehmen. Bei Faktorenanalyse/Cluster geschieht das mit den aktuell im Dashboard eingestellten Parametern (z.B. nach Ändern der Rotation oder der Clusteranzahl); bei den übrigen Methoden direkt aus dem Analyseergebnis.

Den erweiterten Datensatz lädst du danach über den Toolbar-Button „Datensatz exportieren“ herunter — wahlweise als SPSS-Datei (.sav), als Excel-Datei mit Codeplan oder als ZIP mit CSV-Dateien, siehe B8a.

B7a

👍/👎 zur Methodenwahl

Am Ergebnis-Dashboard findest du neben der vorgeschlagenen Methode zwei kleine Daumen-Symbole. Ein Klick gibt anonym Rückmeldung, ob die automatisch vorgeschlagene Methode zu deiner Frage gepasst hat — das hilft uns, die automatische Methodenwahl laufend zu verbessern. Du kannst deine Rückmeldung jederzeit ändern, indem du einfach den anderen Daumen anklickst.

Bevor du bewertest, lohnt ein Blick auf „Warum diese Methode?“ direkt auf der Bestätigungskarte (siehe A3) — dort erklärt kondeor.ai bereits, warum genau diese Methode vorgeschlagen wurde, oft hilfreich, um die eigene Einschätzung einzuordnen.

Details zur anonymen Verarbeitung dieser Rückmeldung findest du in der Datenschutzerklärung, Punkt 3.4.

B8

Dateien zusammenfügen

Zwei Datensätze zu einem zusammenführen — z.B. eine zweite Erhebungswelle anhängen oder zusätzlich erhobene Variablen über eine gemeinsame ID einspielen. Du findest die Funktion im Dialog „Variablen transformieren“ (Symbol mit den drei Chevron-Schichten) oben rechts als Button „Dateien zusammenfügen“ (ab Pro). Es öffnet sich ein eigener Dialog:

kondeor.ai gleicht die Spaltennamen beider Dateien automatisch ab — auch bei abweichender Schreibweise oder Sprache (z.B. „geschlecht“ und „gender“ werden erkannt). Bei Unsicherheit wird nichts automatisch entschieden: eine Zuordnungstabelle zeigt jeden Vorschlag mit einem Dropdown zum Überprüfen und Überschreiben, bevor irgendetwas geschrieben wird.

Bei „Variablen hinzufügen“ wird die ID-Spalte zusätzlich tolerant abgeglichen: Schreibweisen wie P07, p7 und 007 werden als dieselbe Person erkannt (Groß-/Kleinschreibung, führende Nullen und Sonderzeichen spielen keine Rolle). Fälle, die nur in der zweiten Datei vorkommen, werden als neue Zeile aufgenommen, statt verworfen zu werden — die dann fehlenden Spalten aus deinem ursprünglichen Datensatz bleiben leer.

Unterschiedliche Kodierung erkennen: Bei „Fälle hinzufügen“ gibt es eine optionale Prüfung „Auf Werte-Unterschiede prüfen“ — nützlich, wenn dieselbe Variable in beiden Dateien unterschiedlich kodiert ist (z.B. 1 = sehr zufrieden in der einen Datei, aber 6 = sehr zufrieden in der anderen, oder Ländercodes wie „AUT“ vs. „Österreich“). Erkennt kondeor.ai einen solchen Fall, wird NICHT einfach vermischt: beide Original-Spalten bleiben getrennt erhalten (je eine pro Ursprungsdatei), zusätzlich entsteht — nur nach deiner Bestätigung — eine neue, vereinheitlichte Variable mit den Originalwerten daneben.
B8a

SPSS-Datei aus Studiendaten und Codeplan erstellen

Studiendaten liegen oft als reine CSV-Datei vor (z.B. ein Export aus REDCap), während die Bedeutung der Zahlen — Variablenlabels, Wertelabels wie „1 = ja, 2 = nein“, Einheiten, Skalenniveau — in einem Codeplan steht. Dieses Werkzeug verbindet beides zu einer .sav-Datei, die du direkt in SPSS öffnen oder hier hochladen kannst. Du öffnest es über den Upload-Button (Pfeil nach oben): Im Pro-Plan fragt kondeor.ai dort, ob du eine Datei hochladen oder eine SPSS-Datei erstellen möchtest. Der Dialog arbeitet unabhängig von einem geladenen Datensatz, dein aktueller Datensatz bleibt unberührt.

Ablauf

Welche Codepläne werden gelesen?

FormatWas erkannt wird
CSVEine Zeile je Variable. Die Spalten werden an ihrer Kopfzeile erkannt (z.B. Variable/Variablenname, Definition/Beschreibung/Label, Einheit, Codierung/Werte/Auswahl, Fehlende Werte, Skalenniveau/Verwendung, Hinweis). Wird die Kopfzeile nicht erkannt, fragt kondeor.ai, welche Spalte was enthält.
Word, TabelleDieselbe Logik für Tabellen in einer .docx-Datei; mehrere Tabellen und über Seiten wiederholte Kopfzeilen sind kein Problem.
Word, FließtextEin Absatz je Variable, z.B. „geschlecht – Geschlecht. Ausprägungen: 1 für männlich, 2 für weiblich (kategorisch).“ Das wird sinngemäß gelesen und ist weniger zuverlässig als eine Tabelle — kondeor.ai weist im Bericht darauf hin. Bitte Labels und Skalenniveaus dann besonders genau prüfen.
SPSS-Syntax (.sps)Variablenlabels und Wertelabels aus VARIABLE LABELS und VALUE LABELS, z.B. aus dem SPSS-Export von REDCap. Die Syntax enthält kein Skalenniveau; es wird aus den Wertelabels abgeleitet (mit Wertelabels nominal, sonst metrisch) und kann im Bericht geändert werden. MISSING VALUES werden erkannt, aber nicht übernommen.

Wertelabels werden in mehreren Schreibweisen gelesen, z.B. 1 = ja; 2 = nein, 1=pT1a, 1, ja | 2, nein, eine Zeile je Wert, „1 für ja, 2 für nein“ und Bereichsformen wie 1–4 = ASA I–IV. Was sich nicht als Wertelabel lesen lässt (z.B. eine Formelbeschreibung), wird als Beschreibung behandelt und nicht als Label übernommen.

Ein Eintrag im Codeplan kann außerdem eine Regel für fehlende Werte enthalten, z.B. „NA bei ischaemie_check = 1“. Sie wird gegen die Daten geprüft; verletzte Regeln erscheinen im Bericht.

Was der Prüfbericht meldet

Entscheidungen im Bericht

Tipp: Die erstellte Datei lädst du danach ganz normal über den Upload-Button (siehe A2) hoch — Variablenlabels, Wertelabels und Skalenniveau sind dann sofort da, ohne dass kondeor.ai sie aus den Werten raten muss.

Die Gegenrichtung: Datensatz mit Codeplan exportieren

Auch umgekehrt geht es: Über den Toolbar-Button „Datensatz exportieren“ wählst du das Format. Der SPSS-Export steht ab dem Basis-Plan ohne Credits zur Verfügung; Excel und ZIP sind — wie „SPSS-Datei erstellen“ — Pro-Funktionen und kosten Credits (der Preis steht im Dialog am Knopf „Exportieren“; abgebucht wird erst, wenn die Datei fertig ist, bei einem Fehler wird nichts berechnet):

Für Excel und ZIP legst du fest, wie die Werte in den Daten stehen: als Codes (empfohlen, z.B. 1 und 2, passend zum Codeplan „1 = ja; 2 = nein“) oder als Beschriftungen (z.B. „ja“ und „nein“, besser lesbar, aber ohne Codeplan nicht eindeutig zurückführbar). Der Codeplan nutzt dieselbe Schreibweise, die „SPSS-Datei erstellen“ liest: Du kannst die ZIP-Dateien später wieder dort einlesen und erhältst dieselben Labels und Skalenniveaus. Excel-Dateien liest das Werkzeug nicht ein — speichere sie dafür als CSV.

Kosten, Datenschutz und Grenzen

B8b

Fragebogen prüfen (LimeSurvey)

Bevor du einen Fragebogen ins Feld schickst, prüft kondeor.ai ihn auf typische Planungsfehler — und gleicht ihn, wenn du es möchtest, mit den Hypothesen und Methoden deiner Studie ab. Die Prüfung (Schritte 1–3) arbeitet mit festen Regeln, dabei wird keine KI befragt. Nur wenn du die KI-Itemprüfung oder den Entwurf aus Hypothesen wählst, werden Fragetexte bzw. Hypothesen an ein KI-Modell gesendet (siehe unten). Du öffnest sie über den Upload-Button (Pfeil nach oben, Auswahl „Fragebogen prüfen“), über „Weitere Wege“ im Start-Assistenten oder über das Info-Fenster.

Hinweis: Der Fragebogen-Bereich steht ab dem Pro-Plan zur Verfügung. Die Skalenbibliothek, aus der kondeor.ai passende Skalen vorschlägt, wird laufend erweitert; Funktionsumfang und Regeln wachsen mit. Gelesen werden Fragebögen aus LimeSurvey (Export als .lss, getestet mit LimeSurvey 7). Weitere Programme folgen schrittweise.

Du erreichst den Fragebogen über das Symbol „Forschungsfrage · Hypothesen · Hypothesenmodell“ (Schritt ④, dort werden deine Hypothesen gleich mitgenommen) und über den Fahrplan (Phase 3).

Ablauf

Entwurf aus Hypothesen (KI-Itemvorschläge)

Im Reiter „Entwurf aus Hypothesen“ schreibst du deine Hypothesen oder Forschungsfrage in Fließtext. kondeor.ai leitet daraus die Konstrukte und ihre Rollen (unabhängig, abhängig, Mediator, Moderator, Kontrolle) ab, ordnet passende Skalen aus der Bibliothek zu und schlägt für alle übrigen Konstrukte eigene Items vor. Daraus entstehen ein Fragebogen mit Einleitung, einer Itemgruppe je Konstrukt und den nötigen Angaben zur Person am Ende, eine LimeSurvey-Datei (.lss) zum Import, ein Codeplan (CSV) für „SPSS-Datei erstellen“ und eine automatische Prüfung mit denselben Regeln wie oben. Den Preis siehst du vorher, abgebucht wird erst, wenn der Entwurf vorliegt. Dein Hypothesentext wird dafür an ein KI-Modell gesendet.

Wichtig: Die Items der KI sind Vorschläge ohne Validierung — es gibt keine belegten Gütekriterien. Prüfe sie inhaltlich und pilotiere den Fragebogen (Reliabilität, z.B. Cronbachs Alpha, kannst du danach in kondeor.ai rechnen). Skalen aus der Bibliothek werden nur dann mit Wortlaut eingesetzt, wenn dieser frei verwendbar ist; bei lizenzpflichtigen Instrumenten legt der Entwurf einen Platzhalter an.

KI-Itemprüfung (Schritt 4)

Optional prüft die KI den Wortlaut deiner Fragen auf typische Formulierungsfehler: Suggestivfragen, Doppelfragen (zwei Sachverhalte in einem Item), doppelte Verneinung, vage Begriffe („regelmäßig“, „oft“), absolute Begriffe („immer“, „nie“), unpassende Antwortskalen und Fachjargon. Zu jedem Befund gibt es einen Vorschlag für einen besseren Wortlaut. Skalen aus der Bibliothek werden nicht bewertet, ihr validierter Wortlaut bleibt unangetastet. Vorab siehst du kostenlos, wie viele Fragen geprüft werden, den Preis und dein Guthaben; abgebucht wird nur, wenn die KI-Auswertung geklappt hat.

Datenschutz: Für diesen Schritt werden die Fragetexte und Antwortoptionen (keine Antworten von Befragten) an ein KI-Modell gesendet. Enthält dein Fragebogen vertrauliche Formulierungen, nutze ihn nicht oder kürze sie vorher. Die Einschätzungen der KI sind Hinweise, keine Gewähr.

Was geprüft wird

BereichBeispiele
Aufbau & Antwortformatedoppelte oder für Statistikprogramme ungünstige Fragencodes, nicht beschriftete Antwortstufen, Lücken oder Überschneidungen in Klassen, Skalen mit uneinheitlichem Antwortformat, sehr lange Optionsfelder-Listen, Mehrfachauswahl ohne „keine davon“, überlange Matrizen und Rankings
Passung zur AnalyseReicht das Skalenniveau der Frage für die geplante Methode (z.B. Mittelwertvergleich mit einer nominalen Antwort)? Wird eine Variable der Hypothese durch keine Frage erhoben? Gibt es Fragen, die in keiner Hypothese vorkommen, Konstrukte mit nur einem Item oder ein Alter in Klassen?
Reihenfolge, Filter & DauerFilterbedingungen, die auf spätere oder unbekannte Fragen verweisen oder nie erfüllt werden; Demografie als erste Frage; Blöcke ohne Einleitung; offene Fragen zu früh; abhängige direkt vor unabhängiger Variable; geschätzte Bearbeitungsdauer gegenüber deiner Obergrenze
Skalen aus der BibliothekVerwendest du eine bekannte Skala (z.B. Zufriedenheit mit dem Leben, Selbstwert, Big-Five-Kurzskalen), erkennt kondeor.ai sie automatisch — am Wortlaut der Items oder an einem Kürzel im Fragecode (z.B. swls1) — und prüft Wortlaut, Vollständigkeit, validierte Sprachfassung und Lizenz gegen die Bibliothek. Da LimeSurvey keine Umpolung speichert, nennt kondeor.ai die Items, die bei der Auswertung umgepolt werden müssen. Zusätzlich erscheint ein Hinweis, in welchen Studien das Instrument verwendet und womit es dort ausgewertet wurde (Pilotfunktion, nur für hinterlegte Instrumente).
DatenschutzFragen nach personenbezogenen oder besonders schützenswerten Angaben, fehlender Hinweis auf Datenschutz bzw. Einwilligung, Pflichtfragen bei sensiblen Themen, Inhalt des Willkommenstexts. Das ist eine Gedächtnisstütze, keine Rechtsberatung.
MehrsprachigkeitFragen oder Antwortoptionen, die in einer der Sprachen des Fragebogens fehlen

Jeder Befund ist als Fehler (sollte vor dem Feldstart behoben werden), Warnung (wahrscheinlich ein Problem) oder Hinweis (zur Kenntnis) eingestuft.

Gut zu wissen

B8c

Eigene Studien hochladen („Meine Studien“)

Wenn du mit einer Studie arbeitest, die kondeor.ai noch nicht kennt, kannst du sie als PDF hochladen. kondeor.ai liest daraus Studienangaben, verwendete Skalen und die Auswertungsschritte aus und nutzt sie danach in deinen Literaturvorschlägen, bei der Skalenerkennung und im Fragebogen-Check. Der Knopf „Meine Studien“ steht in der Kopfzeile neben „Rechnungen“ und ist ab dem Pro-Plan sichtbar.

Hinweis: Der Upload erfolgt auf eigenes Risiko. Du bestätigst vor jedem Upload, dass du zur Verarbeitung des PDFs berechtigt bist. Bitte lade keine Patientendaten und keine unveröffentlichten Manuskripte hoch.

Ablauf

Was gespeichert wird

Privat oder für alle

Deine Studien sind zunächst privat: Nur du siehst sie, und sie fließen nur in deine Vorschläge ein. Mit „Für alle vorschlagen“ kannst du eine Studie zur Aufnahme in den allgemeinen Bestand einreichen. kondeor.ai prüft den Vorschlag; erst nach der Freigabe sehen alle Nutzer die ausgelesenen Angaben (ohne Bezug zu deinem Konto). Bis dahin kannst du den Vorschlag zurückziehen. In der Liste „Meine Studien“ siehst du den Status jeder Studie und kannst nicht freigegebene Studien jederzeit löschen.

B9

Strukturgleichungsmodelle, Multiple Imputation & Wachstumskurven

Drei fortgeschrittene Erweiterungen, die alle nach demselben Prinzip funktionieren: kondeor.ai schlägt anhand deiner Frage eine Konfiguration vor, zeigt sie in einer Bestätigungskarte und rechnet erst nach einem Klick auf „Anwenden“/„Rechnen“ — nichts läuft automatisch im Hintergrund.

Konfirmatorische Faktorenanalyse (CFA) & Strukturgleichungsmodelle (SEM)

Die Bestätigungskarte zeigt die vorgeschlagene Faktor-/Pfadstruktur lesbar an und die rohe lavaan-Syntax in einem editierbaren Textfeld — du kannst die Syntax direkt korrigieren oder eigene Kovarianzen/Faktoren zweiter Ordnung ergänzen, statt auf die automatische Zuordnung angewiesen zu sein. Eine Checkbox erlaubt die Wahl zwischen Listwise (nur vollständige Fälle, Standard) und FIML (Full Information Maximum Likelihood — nutzt alle verfügbaren Werte, keine Zeile wird verworfen; methodisch der Listwise-Löschung überlegen, sofern die Werte zufällig fehlen).

Multiple Imputation

Anders als das einfache „Fehlende Werte ersetzen“ im Transformieren-Dialog (siehe B4 — ein einzelner Ersatzwert je fehlender Zelle) erzeugt Multiple Imputation fünf vollständige, plausibel imputierte Versionen des Datensatzes, rechnet die Analyse auf jeder einzeln und führt die fünf Ergebnisse nach Rubins Regeln zu einem einzigen, die Imputationsunsicherheit korrekt berücksichtigenden Ergebnis zusammen — methodisch der Standardansatz bei fehlenden Werten, sofern mehr als nur vereinzelte Zellen betroffen sind.

Technische Umsetzung (für den Methodenteil): R-Paket mice (van Buuren & Groothuis-Oudshoorn, 2011), 5 Imputationen mit je 5 Iterationen, Predictive Mean Matching für metrische und logistische bzw. multinomiale Regression für kategoriale Variablen, fester Startwert – dieselbe Analyse liefert daher immer dasselbe Ergebnis. Fünf Imputationen sind der klassische Standard und reichen bei wenigen fehlenden Werten; bei einem hohen Anteil fehlender Fälle (etwa über 20 %) empfiehlt die neuere Literatur mehr Imputationen, grob so viele wie der Prozentsatz unvollständiger Fälle.

Verfügbar für t-Test, Pearson-Korrelation und lineare Regression: nach jeder dieser drei Analysen erscheint am Dashboard ein Button „Mit Multiple Imputation neu rechnen“ — die vorhandenen Variablen werden automatisch übernommen, kein erneutes Beschreiben der Analyse nötig. Enthält die Analyse gar keine fehlenden Werte, meldet kondeor.ai das kurz zurück, statt sinnlos zu rechnen. Jeder Lauf kostet Credits; das Plan-Kennzeichen der Überschrift zeigt, ab welchem Plan die Multiple Imputation verfügbar ist.

Hilfsvariablen & Vergleich mit den vollständigen Fällen: Damit die Ergänzung mehr leistet als ein Auffüllen aus der Gruppe, nimmt kondeor.ai automatisch bis zu fünf weitere numerische Variablen des Datensatzes in das Imputationsmodell auf — solche, die mit der unvollständigen Variable oder mit ihrem Fehlen zusammenhängen (z.B. der Ausgangswert bei einer Verlaufsmessung). Sie dienen nur der Ergänzung und gehen nicht in die Analyse ein; die Obergrenze richtet sich nach der Zahl beobachteter Werte (etwa eine Hilfsvariable je zehn). Das Dashboard zeigt die gewählten Hilfsvariablen, den Anteil fehlender Werte und daneben das Ergebnis der Analyse nur mit den vollständigen Fällen — so siehst du, ob sich das Ergebnis durch die Imputation verändert (eine einfache Sensitivitätsanalyse für fehlende Werte).

Hilfsvariablen selbst wählen: Unter dem Ergebnis öffnet „Hilfsvariablen des Imputationsmodells ändern“ eine Liste der in Frage kommenden numerischen Variablen (mit Anteil beobachteter Werte). Du kannst bis zu acht Variablen anhaken und mit „Mit dieser Auswahl neu rechnen“ erneut imputieren oder mit „Ohne Hilfsvariablen rechnen“ bewusst nur aus den Analysevariablen ergänzen lassen. Jeder Lauf kostet wie der erste Credits und erscheint als neue Antwort — so kannst du Auswahlen miteinander vergleichen. Das Dashboard und die Interpretation vermerken, dass die Auswahl von dir stammt.

Grenze: Multiple Imputation setzt voraus, dass die Werte zufällig fehlen, gegeben die Variablen im Imputationsmodell (MAR). Das lässt sich aus den Daten nicht prüfen. Hängt das Fehlen vom nicht beobachteten Wert selbst ab, kann auch das gepoolte Ergebnis verzerrt sein. Bei sehr vielen fehlenden Werten (z.B. über der Hälfte) sind fünf Imputationen knapp — das Dashboard weist bei hohem Fehlinformationsanteil darauf hin.
Spearman- und Kendall-Korrelation sind bewusst ausgenommen — für Pearson gibt es mit der Fisher-z-Transformation ein etabliertes Poolingverfahren, für die beiden anderen nicht.

Wachstumskurvenmodelle

Modelliert den Verlauf eines Messwerts über wiederholte Messzeitpunkte hinweg — auf zwei Arten gleichzeitig: als Mehrebenenmodell (zufälliger Achsenabschnitt + zufällige Steigung je Person) und als latentes Wachstumsmodell (Strukturgleichungsmodell mit Intercept- und Steigungsfaktor). Die Bestätigungskarte zeigt Dropdowns für Personen-ID, Zeit, Messwert, Methode und Wachstumsform sowie eine Mehrfachauswahl für Kovariaten — alles aus deinen Spaltennamen befüllt und vor dem Rechnen editierbar. Der Datensatz muss im Long-Format vorliegen (eine Zeile je Person und Zeitpunkt) — liegt er breit vor (z.B. stimmung_t1, stimmung_t2, stimmung_t3), zuerst mit „Wide ↔ Long umstrukturieren“ (siehe B4) umformen.

Das Ergebnis zeigt sowohl die Kennwerte beider Modelle (falls beide angefordert) als auch eine Trajektorien-Grafik: dünne, individuelle Verläufe im Hintergrund plus eine fette Mittelwertkurve mit 95%-Konfidenzband — Kern des Features, nicht nur Beiwerk.

Wachstumsform: linear (Standard) oder quadratisch (ein zusätzlicher Krümmungsterm für einen sich abflachenden oder beschleunigenden Verlauf). Beim Mehrebenenmodell wird die Krümmung als Populations-Durchschnittswert geschätzt (kein individueller Krümmungs-Unterschied je Person — das wäre ein drittes Zufallseffekt-Level und würde bei üblichen Fallzahlen kaum zuverlässig konvergieren). Beim latenten Modell entsteht dafür ein dritter Faktor.

Zeitvariierende Kovariaten: bis zu 5 zusätzliche Variablen, die selbst über die Zeit gemessen wurden (z.B. „kontrolliert für Belastung über die Zeit“) — nicht zu verwechseln mit einer zeitkonstanten Eigenschaft wie Geschlecht. Beim Mehrebenenmodell fließen sie als zusätzliche feste Effekte ein; beim latenten Modell wird ihr Einfluss auf jeden Messzeitpunkt einzeln, frei geschätzt (kein angenommener gleichbleibender Effekt über die Zeit).

Für das latente Modell werden mindestens 3 Messzeitpunkte benötigt (bei nur 2 Zeitpunkten ist die Steigungsvarianz nicht schätzbar), bei quadratischem Verlauf sogar mindestens 4 (sonst ist das Modell mit drei Faktoren kaum identifiziert) — das Mehrebenenmodell funktioniert bereits ab 2 bzw. 3 Zeitpunkten (linear/quadratisch).
B9b

Weitere fortgeschrittene Verfahren

Weitere Pro-Verfahren: Äquivalenz- und Nichtunterlegenheitstests, latente Klassenanalyse und die erweiterte Mediation werden wie SEM/CFA über eine Bestätigungskarte mit editierbaren Variablen-Dropdowns bedient; beim Propensity-Score-Matching stellst du die Einstellungen nach der Berechnung direkt im Dashboard um. Am Ende des Kapitels steht die Interrater-Übereinstimmung (Kappa), die du über eine normale Frage mit den Rater-Spalten startest.

Äquivalenz- und Nichtunterlegenheitstests (TOST)

Prüft statistisch, ob zwei Werte praktisch gleichwertig sind — anders als ein gewöhnlicher Test, der nur auf einen Unterschied prüft und ein nicht-signifikantes Ergebnis nicht als „gleich“ interpretieren darf. TOST („Two One-Sided Tests“) dreht die Logik um: die Nullhypothese ist der Unterschied, bestätigt wird die Äquivalenz.

Zusätzlich verfügbar: Design „one_sample“ (eine Stichprobe gegen einen festen Referenzwert), Design „proportions“ (zwei unabhängige Anteile, z.B. Zustimmungsquoten zweier Gruppen) und Design „correlation“ (eine Korrelation gegen einen Referenzwert, über Fisher-z-Transformation). Die Äquivalenzgrenzen (untere/obere Grenze, um die herum ein Unterschied noch als vernachlässigbar gilt) musst du inhaltlich begründet selbst begründen: Bei Mittelwerten schlägt kondeor.ai ohne Angabe ±0,3 Cohens d als markierten, in der Karte änderbaren Vorschlag vor; bei Anteilen und Korrelationen gibt es keinen Vorschlag, die Grenzen trägst du selbst ein. Bei Anteilen (z.B. Komplikation ja/nein) wählst du in der Karte außerdem ausdrücklich, welche Ausprägung als Ereignis zählt und welche Gruppe Gruppe 1 ist; gerechnet wird mit einem Score-Test nach Miettinen und Nurminen, der auch bei seltenen Ereignissen zuverlässig bleibt. Das Signifikanzniveau α (je einseitiger Test, üblich 0,05) ist änderbar.

Nichtunterlegenheitstest (einseitig): Prüft, ob eine neue Methode (Testgruppe) gegenüber einer Referenz nicht um mehr als eine vorab festgelegte Grenze Δ schlechter ist — typisch in der Medizin bei neuen Operationsverfahren oder Therapien. Verfügbar für zwei unabhängige Gruppen mit metrischem Ergebnis und für zwei Anteile (z.B. Komplikation ja/nein).

In der Bestätigungskarte legst du ausdrücklich fest: die Grenze, die Richtung (ist ein höherer Wert besser oder schlechter? — ohne Vorauswahl, nichts wird geraten), die Testgruppe (die neue Methode) und bei Anteilen das Ereignis. Das einseitige Signifikanzniveau ist mit 0,025 vorbelegt (entspricht der Untergrenze eines 95-%-Konfidenzintervalls). Eine Überlegenheit wird nur ausgewiesen, wenn die Nichtunterlegenheit gezeigt ist. Bei nicht randomisierten Daten ersetzt der Test keine Adjustierung für Störgrößen (siehe Propensity-Score-Matching).

Latente Klassenanalyse (LCA)

Identifiziert unbeobachtete Untergruppen (Klassen) in den Daten anhand von Antwortmustern über mehrere kategoriale Variablen hinweg — z.B. um aus mehreren Ja/Nein- oder Zustimmungsfragen Typen von Befragten herauszuarbeiten, ohne die Gruppen vorab selbst zu definieren.

Die Anzahl der Klassen wird automatisch anhand des BIC (Bayesian Information Criterion) aus mehreren getesteten Lösungen gewählt, kein manuelles Vorgeben eines K nötig — das Ergebnis zeigt eine Modellvergleichstabelle (AIC/BIC/Log-Likelihood je getesteter Klassenzahl) sowie die relative Größe jeder gefundenen Klasse. Die Klassenzugehörigkeit jedes Falls lässt sich wie bei Cluster-/Faktoranalyse direkt in den Datensatz übernehmen (siehe B7).

Moderierte & serielle Mediation

Baut auf der einfachen Mediation auf (X wirkt über einen Mediator M auf Y, ab Basis-Plan verfügbar), deckt aber zwei komplexere Modelle ab:

Mindestens 20 verwertbare Fälle (vollständige Werte auf allen beteiligten Variablen) sind für beide Verfahren nötig.

Propensity-Score-Matching

Macht zwei Gruppen vergleichbar, die nicht zufällig entstanden sind — etwa Patient:innen zweier Operationsmethoden oder Kund:innen mit und ohne Programmteilnahme, die sich schon vorab in Alter, Schweregrad o.ä. unterscheiden. Aus den Kovariaten wird für jeden Fall die Wahrscheinlichkeit geschätzt, zur Behandlungsgruppe zu gehören (Propensity Score); dann wird jedem Fall der Behandlungsgruppe ein möglichst ähnlicher Fall der Vergleichsgruppe zugeordnet, und der Effekt wird nur zwischen diesen Paaren geschätzt (ATT). Behandlungsgruppe ist automatisch die kleinere der beiden Gruppen.

Im Dashboard stellst du danach Verhältnis (1:1 bis 1:5), Caliper (0,1 / 0,2 / 0,25 Standardabweichungen des Scores oder ohne) und Zurücklegen um — das Ergebnis wird sofort neu berechnet, ohne erneute Credits. Die Balance-Tabelle (Tab „Gruppen“) zeigt je Kovariate die standardisierte Mittelwertdifferenz vor und nach dem Matching; unter 0,1 gilt als gut ausgeglichen. „Paare in Datensatz übernehmen“ schreibt psm_gematcht, psm_paar, psm_score und psm_gewicht in den Arbeitsdatensatz — für weitere Analysen im gematchten Sample nach psm_gematcht = 1 filtern.

Kovariaten nur vor der Behandlung: Als Kovariaten eignen sich nur Merkmale, die schon vor der Behandlung feststanden (z.B. Alter, Vorerkrankungen, Tumorgröße) — nie Folgen der Behandlung selbst. Die Gruppenvariable muss genau zwei Gruppen haben; bei mehr zuerst per Teilstichprobe einschränken (B3). Matching gleicht nur gemessene Unterschiede aus, nicht unbeobachtete.

Faktorenanalyse und Hauptkomponentenanalyse (PCA)

Bei einer Faktorenanalyse rechnet kondeor.ai standardmäßig mit Maximum-Likelihood-Extraktion. Nennst du in der Frage „PCA“, „Hauptkomponentenanalyse“ oder „principal component“, wird stattdessen eine Hauptkomponentenanalyse gerechnet. Der Unterschied: Die Hauptkomponentenanalyse zerlegt die gesamte Varianz der Variablen und eignet sich, wenn du viele Variablen zu wenigen Summenmaßen verdichten willst; die Faktorenanalyse modelliert nur die gemeinsame Varianz und eignet sich, wenn du dahinterliegende Konstrukte suchst.

Im Dashboard heißen die Spalten „K1, K2 …“ (Komponenten) statt „F1, F2 …“, und die Zeile „Verfahren“ nennt die gewählte Methode. „Komponentenwerte in Datensatz übernehmen“ schreibt die Werte als komponente_1_score usw. in den Arbeitsdatensatz (siehe B7).

Passing-Bablok-Regression (Methodenvergleich)

Prüft, ob zwei Messverfahren austauschbar sind — typisch in der Labormedizin, wenn eine neue Methode gegen ein Referenzverfahren verglichen wird. Anders als die gewöhnliche Regression ist die Passing-Bablok-Regression robust gegen Ausreißer und setzt keine Normalverteilung und keinen fehlerfreien x-Wert voraus. Sie ergänzt die Bland-Altman-Analyse: Bland-Altman zeigt, wie weit die Verfahren im Einzelfall auseinanderliegen, Passing-Bablok, ob sie systematisch voneinander abweichen.

Das Ergebnis zeigt Steigung und Achsenabschnitt mit Konfidenzintervall und eine Einordnung der Übereinstimmung: Enthält das Konfidenzintervall der Steigung die 1 und das des Achsenabschnitts die 0, stimmen die Verfahren überein; weicht nur der Achsenabschnitt ab, liegt ein konstanter, weicht nur die Steigung ab, ein proportionaler Unterschied vor (oder beides). Dazu kommen ein Cusum-Test auf Linearität (p < .05 spricht gegen einen linearen Zusammenhang, dann ist die Passing-Bablok-Regression nicht anwendbar) und die Rangkorrelation nach Spearman. Das Streudiagramm zeigt die Regressionsgerade und die Identitätslinie y = x.

Mindestens 6 Wertepaare und je Methode mindestens 3 verschiedene Werte nötig; ab 3.000 Paaren rechnet kondeor.ai mit der Näherung für große Stichproben. Bei kleinen Stichproben ist das Konfidenzintervall breit — empfohlen werden üblicherweise mindestens 40, besser 100 Proben.

Interrater-Übereinstimmung (Cohens & Fleiss' Kappa)

Prüft, wie gut zwei oder mehr Rater (z.B. Kodierer:innen oder Diagnostiker:innen) dieselben Fälle in Kategorien einordnen — über den Zufall hinaus. Das ist die Standardkennzahl, wenn mehrere Personen z.B. Befunde, Interviews oder offene Antworten kodieren.

Jede Rater-Spalte ist ein Rater, jede Zeile derselbe Fall; alle Rater-Spalten nennst du in der Frage in einfachen Anführungszeichen. Fälle, die nicht von allen Ratern bewertet wurden, werden ausgeschlossen. Die Einstufung folgt Landis & Koch (ab ,61 „beträchtlich“, über ,80 „fast perfekt“).

Kappa hängt davon ab, wie gleichmäßig die Kategorien genutzt werden: bei sehr ungleichen Häufigkeiten kann es trotz hoher Roh-Übereinstimmung niedrig ausfallen. Für metrische Bewertungen nimmst du die Intraklassen-Korrelation (ICC), für Rangfolgen Kendalls W; Rater-Spalten mit mehr als 15 verschiedenen Werten weist kondeor.ai auf ICC hin. Eine Rückfrage zum Skalenniveau gibt es hier nicht — Kappa rechnet auf den Kategoriecodes. Die Interrater-Übereinstimmung läuft auch im Batch-Modus.

Propensity-Score-Gewichtung (IPTW)

Die Alternative zum Matching: Auch hier werden zwei nicht zufällig entstandene Gruppen vergleichbar gemacht, aber kein Fall fällt weg. Aus den Kovariaten wird wie beim Matching der Propensity Score geschätzt; jeder Fall wird dann mit dem Kehrwert der Wahrscheinlichkeit seiner tatsächlichen Gruppe gewichtet, sodass beide Gruppen in den Kovariaten ähnlich zusammengesetzt wirken. Das hilft vor allem bei kleinen Fallzahlen, wenn beim Matching viele Fälle ohne Partner blieben.

Das Ergebnis zeigt den bereinigten Effekt mit 95-%-Konfidenzintervall (robuste Standardfehler), die effektive Fallzahl und die Balance-Tabelle (Tab „Gruppen“: standardisierte Mittelwertdifferenz je Kovariate vor und nach der Gewichtung; unter 0,1 gilt als gut ausgeglichen). Hinweise erscheinen bei schwacher Überlappung der Gruppen, sehr großen Gewichten oder verbleibendem Ungleichgewicht. Einstellungen stehen in der Frage; ein Umstellen per Dropdown wie beim Matching gibt es nicht. Über „Gewichte in Datensatz übernehmen“ schreibst du das Gewicht jedes Falls (iptw_gewicht) und den Propensity Score (iptw_score) als neue Spalten in den Arbeitsdatensatz — für eigene gewichtete Auswertungen (dann mit robusten Standardfehlern, da der Score geschätzt wurde); Fälle außerhalb der Analyse bleiben leer (siehe B7).

Wie beim Matching: Kovariaten nur vor der Behandlung, genau zwei Gruppen (bei mehr zuerst per Teilstichprobe einschränken, B3), und es werden nur gemessene Unterschiede ausgeglichen. Sehr große Gewichte lassen einzelne Fälle das Ergebnis dominieren — dann Gewichte trimmen oder weniger Kovariaten wählen. Beide Verfahren für dieselbe Frage zu rechnen ist als Sensitivitätsanalyse sinnvoll.
B9c

Zeitreihenanalyse

Deckt fünf zusammengehörige Verfahren für zeitlich geordnete Daten ab — jedes über eigene Schlüsselwörter in der Frage erreichbar:

KI-Ursachenhypothese: Bei einem erkannten Strukturbruch oder Ausreißer bietet kondeor.ai optional an, eine KI-gestützte Hypothese zu möglichen externen Ursachen abzurufen (z.B. politische Maßnahmen, wirtschaftliche Schocks, saisonale/strukturelle Verschiebungen) — ausdrücklich als Hypothese, nie als bestätigte Ursache, da kondeor.ai keinen Zugriff auf den tatsächlichen kausalen Hintergrund deiner Daten hat. Für Zeitpunkte nach dem Wissensstand des zugrundeliegenden KI-Modells wird das explizit offengelegt, statt ein Ereignis zu erfinden. Bei Bedarf lässt sich zusätzlich eine Synthese zweier unabhängig erzeugter Hypothesen (von zwei verschiedenen KI-Modellen) abrufen — sie zeigt, worin beide übereinstimmen und was jeweils nur ein Modell vermutet.
B9d

KI-Prognose (TiRex-2 Foundation-Modell)

Ergänzend zur klassischen ARIMA-Analyse steht optional eine KI-gestützte Zero-Shot-Prognose zur Verfügung — ein vortrainiertes Foundation-Modell (TiRex-2), das ohne eigenes Training auf deinem Datensatz arbeitet. Mit passendem Schlüsselwort in der Frage laufen beide Verfahren nacheinander, sodass du sie direkt vergleichen kannst:

Aktuell in begrenztem Früheinsatz: Neben dem Pro-Plan ist derzeit zusätzlich eine individuelle Freischaltung nötig, während wir die Performance testen. Ohne Freischaltung läuft automatisch die klassische ARIMA-Analyse, mit einem kurzen Hinweis auf die KI-Alternative.
B9e

Exponential Smoothing (ETS)

Eigenständige Alternative zur klassischen ARIMA-Analyse — automatische Wahl der besten Fehler-/Trend-/Saison-Komponentenkombination (AICc-basiert). Anders als bei der TiRex-Vergleichsfunktion läuft hier nur Exponential Smoothing, nicht zusätzlich ARIMA:

B9f

Meta-Analyse

Fasst die Ergebnisse mehrerer Studien zu einem gemeinsamen Gesamteffekt zusammen — etwa für ein systematisches Review, einen Literaturüberblick in einer Abschlussarbeit oder um eigene Teilstudien zu bündeln. Anders als bei allen anderen Verfahren lädst du dafür keine Rohdaten hoch, sondern eine Studientabelle: eine Zeile pro Studie mit deren Effektgröße.

1. Studientabelle vorbereiten

Leg eine CSV-, Excel- oder SPSS-Datei an, in der jede Zeile eine Studie ist. kondeor.ai erkennt das Format an den Spaltennamen (Groß-/Kleinschreibung egal). Eine der folgenden Kombinationen muss vorhanden sein:

Deine Studien berichten …Benötigte SpaltenGepoolt wird als
Standardisierte Mittelwertdifferenz + Standardfehlerd (oder g, hedges_g, cohens_d, smd) + sed bzw. g
Standardisierte Mittelwertdifferenz + Gruppengrößend/g + n1 + n2d bzw. g
Korrelation + Stichprobengrößer (oder rho, cor) + nr
Odds Ratio mit 95%-Konfidenzintervallor (oder odds_ratio) + ci_lower + ci_upperOR
Logarithmiertes Odds Ratio + Standardfehlerlor (oder log_or) + seOR

Optional, aber empfehlenswert: eine Spalte studie (oder study, autor, label) mit einer Kurzbezeichnung wie „Müller 2021“ — sie erscheint dann im Forest-Plot und in der Studientabelle statt „Studie 1, 2, 3 …“. Beispiel einer Tabelle mit Korrelationen:

studiern
Müller 20210.32120
Schmid 20220.1885
Huber 20230.41210
Wichtig: Alle Studien einer Tabelle müssen dasselbe Maß verwenden — Korrelationen und Mittelwertdifferenzen lassen sich nicht einfach gemeinsam poolen. Rechne Effektgrößen gegebenenfalls vorher auf ein gemeinsames Maß um. Zeilen mit fehlenden, nicht numerischen oder unplausiblen Werten (z.B. Standardfehler 0 oder vertauschte Konfidenzgrenzen) werden ausgelassen; nötig sind mindestens 2 verwertbare Studien. Findet kondeor.ai keine passende Spaltenkombination, erhältst du einen Hinweis mit den akzeptierten Spaltennamen.
Studien aus eigenen Datensätzen sammeln (Pro): Die Studientabelle musst du nicht von Hand anlegen, wenn die Studien als eigene Datensätze vorliegen. Öffne sie nebeneinander im Arbeitsbereich (A4c) und rechne in jedem denselben Test — einen t-Test für unabhängige Gruppen oder eine Pearson-Korrelation. Unter dem Ergebnis erscheint dann „➕ Zur Metaanalyse hinzufügen“: Ein Klick schreibt Hedges’ g mit n1/n2 bzw. r mit n als Zeile in die Studientabelle „Metaanalyse (g)“ bzw. „Metaanalyse (r)“, die kondeor.ai dafür im Arbeitsbereich anlegt. Den Studiennamen kannst du dabei anpassen. Beim t-Test wird angezeigt, welche Gruppe von welcher abgezogen wird (z.B. „Frauen − Männer“) — kehre die Richtung bei Bedarf um, damit alle Studien in dieselbe Richtung zeigen; sie steht zur Kontrolle in der Spalte richtung. Zum Auswerten wechsle zur Studientabelle und frag wie unten beschrieben. Die Tabelle ist ein gewöhnlicher Datensatz: Du kannst sie in der Datenansicht korrigieren, um Werte aus der Literatur ergänzen und unter „Meine Datensätze“ speichern. Gepaarte t-Tests sowie Spearman- und Kendall-Korrelationen bieten den Knopf bewusst nicht an, weil ihre Effektgrößen eine andere Stichprobenverteilung haben.

2. Datei hochladen und Frage stellen

Lade die Studientabelle wie jeden anderen Datensatz hoch (siehe A2) und stell eine Frage wie:

Zum Ausprobieren ohne eigene Datei: „Zeig mir ein Beispiel für eine Meta-Analyse“ (siehe B0b).

3. Ergebnis lesen

Gut zu wissen: Korrelationen werden intern über die Fisher-z-Transformation gepoolt und Odds Ratios auf der logarithmischen Skala — so verlangt es die Methodik. Gepoolter Effekt, Konfidenzintervalle und Forest-Plot werden anschließend wieder als r bzw. OR ausgegeben; Teststatistik, p, Q, I², τ², Egger-Test und Funnel-Plot beziehen sich auf die Analyseskala. Bei weniger als 10 Studien haben Egger-Test und Funnel-Plot nur geringe Aussagekraft — ein unauffälliges Ergebnis schließt Publikationsbias dann nicht aus.

Fixed-Effects-Modell

Standard ist das Random-Effects-Modell. Ein Fixed-Effects-Modell kannst du ausdrücklich anfordern, indem du es in der Frage nennst, z.B. „Meta-Analyse mit festem Effekt“ oder „Fixed-Effects-Modell“. Es unterstellt einen einzigen gemeinsamen wahren Effekt für alle Studien und ist nur angemessen, wenn die Studien in Design und Population praktisch identisch sind — etwa mehrere Standorte oder Erhebungswellen mit demselben Protokoll. Die Aussage gilt dann nur für genau diese Studien. Bei heterogenen Studien (siehe I² und Q-Test) fällt sein Konfidenzintervall zu schmal aus; ein Prädiktionsintervall gibt es hier nicht.

Derzeit nicht abgedeckt: Moderator-Analysen (Meta-Regression) und mehrere abhängige Effekte aus derselben Studie (Mehrebenen-Meta-Analyse). Liefert eine Studie mehrere Effekte (z.B. zwei Outcomes), nimmst du pro Analyse nur einen davon auf. Effektgrößen aus Messwiederholungsdesigns (dz) haben eine andere Stichprobenvarianz als solche aus unabhängigen Gruppen — gib für sie den Standardfehler direkt an (Spalte se) statt n1/n2.

B9g

Klinische Auswertungen: Tabelle 1, Cochran-Mantel-Haenszel, Risikomaße, Competing Risks, Tobit-Regression, Kaplan-Meier für zensierte Messwerte

Sechs Auswertungen, die vor allem in der Medizin und im Labor gebraucht werden. Tabelle 1, der Cochran-Mantel-Haenszel-Test, Competing Risks, die Tobit-Regression und die Kaplan-Meier-Schätzung für zensierte Messwerte tragen in der Überschrift das Plan-Kennzeichen (im Free-Plan erscheint ein Hinweis auf den nötigen Plan). Die Verfahren mit Bestätigungskarte zeigen sie vor dem Rechnen, wenn etwas nicht eindeutig aus der Frage hervorgeht.

Tabelle 1 (Baseline-Tabelle)

Beschreibt die Ausgangsmerkmale einer Studie getrennt nach Gruppen — z.B. Alter, Geschlecht und Vorerkrankungen je Behandlungsgruppe — mit einem p-Wert je Merkmal. Du nennst nur die Gruppierungsvariable; alle übrigen Spalten kommen in die Tabelle.

Metrische Merkmale erscheinen als Mittelwert (SD) oder — wenn eine Gruppe nicht normalverteilt und klein ist — als Median [Q1; Q3], kategoriale Merkmale als n (%) innerhalb der Gruppe. Den Test wählt die Statistik-Engine: Welch-t-Test bzw. Welch-ANOVA, alternativ Mann-Whitney-U bzw. Kruskal-Wallis; Chi²-Test bzw. Fishers exakter Test bei kleinen erwarteten Häufigkeiten. Bei zwei Gruppen kommt die standardisierte Differenz (SMD) dazu.

Wenn die Gruppierungsvariable nicht in der Frage steht, fragt die Bestätigungskarte danach — ohne Vorauswahl. Dort kannst du weitere Spalten ausschließen. IDs, Freitext, konstante und leere Spalten werden automatisch übersprungen und im Ergebnis mit Grund aufgeführt, es verschwindet nichts stillschweigend.

Hover-Hinweise: Fahre im Dashboard mit der Maus über eine Zeile (am Handy: antippen): Dort stehen der verwendete Test, die Art des Kennwerts, die SMD und die Zahl fehlender Werte. Die Zeile „Zu den p-Werten“ erklärt, wie die p-Werte zu lesen sind.
Zu den p-Werten: Sie sind nicht für multiples Testen korrigiert (eine Baseline-Tabelle enthält viele Tests) und beschreibend gemeint. Bei randomisierten Studien wird von Signifikanztests der Ausgangsmerkmale abgeraten; für die Vergleichbarkeit der Gruppen zählt die Größe der Unterschiede (SMD, unter 0,1 gilt als ausgeglichen).

Cochran-Mantel-Haenszel-Test (stratifizierte 2×2-Tabellen)

Prüft den Zusammenhang zweier binärer Merkmale (z.B. Verfahren und Komplikation ja/nein) über mehrere Schichten hinweg — etwa Zentren oder Altersgruppen — und adjustiert dabei für die Schichtung.

Die Bestätigungskarte verlangt ausdrücklich: welche Gruppe die exponierte (Test-)Gruppe ist, welche Ausprägung als Ereignis zählt und welche Variable die Schicht bildet — alles ohne Vorauswahl, nichts wird geraten. Das Odds Ratio bezieht sich auf die exponierte Gruppe gegenüber der anderen.

Das Ergebnis zeigt den CMH-Chi²-Test (mit Stetigkeitskorrektur), das gemeinsame Mantel-Haenszel-Odds-Ratio mit Konfidenzintervall und zum Vergleich das rohe Odds Ratio ohne Schichtung — ein deutlicher Unterschied zwischen beiden spricht für Verzerrung durch die Schichtvariable. Der Breslow-Day-Test (Tarone-korrigiert) prüft, ob die Odds Ratios in den Schichten homogen sind; nur dann ist ein gemeinsames Odds Ratio eine sinnvolle Zusammenfassung (sonst erscheint eine Warnung). Zusätzlich stehen die Werte je Schicht im Dashboard.

Voraussetzungen: Exposition und Ergebnis haben genau zwei Ausprägungen, die Schichtvariable mindestens zwei (höchstens 30), und mindestens 10 vollständige Fälle. Ein aktiver Teilstichproben-Filter (B3) wird berücksichtigt.

Competing Risks: kumulative Inzidenz, Gray-Test, Fine-Gray

Von konkurrierenden Ereignissen spricht man, wenn neben dem Ereignis von Interesse ein anderes auftreten kann, das das erste verhindert — z.B. ein Rezidiv, bei dem Patient:innen vorher aus anderer Ursache versterben können. Kaplan-Meier behandelt diese Fälle als zensiert und überschätzt dadurch das Risiko. kondeor.ai berechnet stattdessen die kumulative Inzidenz je Ereignis.

Die Statusvariable braucht mindestens drei Werte (zensiert, Ereignis von Interesse, konkurrierendes Ereignis). Die Bestätigungskarte verlangt ausdrücklich, welcher Wert das Ereignis von Interesse ist und welcher zensiert bedeutet — ohne Vorauswahl. Alle übrigen Statuswerte zählen als konkurrierendes Ereignis, die Karte zeigt dir das live an. Optional wählst du eine Gruppenvariable, Kovariaten (bis zu 8) und die Zeitpunkte, zu denen berichtet wird.

Das Ergebnis zeigt die kumulative Inzidenz des Ereignisses und des konkurrierenden Ereignisses je Gruppe mit 95%-Konfidenzintervall zu den gewählten Zeitpunkten, dazu die Kurve der kumulativen Inzidenz mit Band. Bei Gruppen kommt der Gray-Test hinzu (unterscheidet sich die kumulative Inzidenz eines Ereignisses zwischen den Gruppen?), mit Gruppe oder Kovariaten außerdem die Fine-Gray-Regression mit Subdistribution-Hazard-Ratios (SHR) und Referenzgruppe.

SHR richtig lesen: Das Subdistribution-Hazard-Ratio beschreibt den Effekt auf die kumulative Inzidenz des Ereignisses von Interesse. Es ist kein Verhältnis von Wahrscheinlichkeiten und nicht dasselbe wie ein ursachenspezifisches Hazard-Ratio aus der Cox-Regression. Nenne bei der Deutung immer das konkurrierende Ereignis.

Voraussetzungen: mindestens 20 vollständige Fälle, mindestens 5 Ereignisse von Interesse und mindestens ein konkurrierendes Ereignis; höchstens 5 Gruppen. Ein aktiver Teilstichproben-Filter (B3) wird berücksichtigt. Hat die Statusvariable nur zwei Werte, ist Kaplan-Meier die richtige Methode.

Tobit-Regression: Messwerte mit Grenzwerten (zensierte Werte)

Manche Messwerte liegen nur als Grenzwert vor — z.B. eine Nierenfunktion (GFR), die ab 90 nur noch als „>90“ berichtet wird, oder ein Laborwert „<0,5“ unter der Nachweisgrenze. Behandelt man die Grenze wie einen gemessenen Wert, wird die Schätzung verzerrt. Die Tobit-Regression nutzt stattdessen nur die Information, dass der wahre Wert darüber (rechtszensiert) bzw. darunter (linkszensiert) liegt. Unterschiedliche Grenzen in einer Spalte (z.B. >70 und >90) sind möglich, ebenso Zensur auf beiden Seiten.

Die Zensur gibst du im Chat an. Es gibt dafür keinen eigenen Dialog: Die Bestätigungskarte im Chat zeigt zuerst die Zensurregeln, die kondeor.ai in den Daten erkannt hat — entweder ein Wertelabel an einem Zahlencode (z.B. der Code 91 mit dem Label „>90“) oder Text in der Zelle („>90“, „<15“). Die Grenze wird aus dem Label bzw. Text gelesen, nie aus dem Zahlencode (Code 91 mit dem Label „>90“ ergibt die Grenze 90). Du kannst jede Regel ändern oder löschen und eigene hinzufügen; „>“ bzw. „≥“ bedeutet rechtszensiert, „<“ bzw. „≤“ linkszensiert. Alternativ wählst du eine eigene Spalte mit einer Zensur-Kennung und legst fest, welcher Kennungs-Wert rechts- bzw. linkszensiert bedeutet. Wird nichts erkannt, bleibt die Liste leer — es wird nichts geraten.

Liegen die Werte als Text wie „>90“ in einer CSV-Spalte vor, kannst du sie vorab aufteilen — im Transformieren-Dialog oder im Chat (siehe B4, „Zensurwerte aufteilen“) und die neue Kennungs-Spalte in der Karte wählen.

Das Ergebnis zeigt die Koeffizienten für den latenten (unzensierten) Wert mit 95%-Konfidenzintervall und p, daneben zum Vergleich die naive OLS-Schätzung, bei der die Grenzen als gemessene Werte gelten (Abweichungen ab 10 % werden markiert), außerdem σ, den Likelihood-Quotienten-Test gegen das Modell ohne Prädiktoren, AIC/BIC und einen AIC-Vergleich Normal vs. Lognormal, der eine Log-Skala empfiehlt, wenn sie deutlich besser passt.

Koeffizienten richtig lesen: Sie beziehen sich auf den latenten Wert, nicht auf die gekappten Messwerte. Ein Grenzwert ist kein Messwert — „GFR = 90“ bedeutet hier „GFR über 90“. Auf der Log-Skala ist der Effekt multiplikativ (exp(b) = Faktor je Einheit). Vorausgesetzt werden normalverteilte latente Residuen; bei sehr hohem Zensuranteil (über 50 %) ist die Schätzung weniger verlässlich.

Im Batch: Tobit läuft dort ohne Karte, wenn die Frage Messwert-Variable und Prädiktoren nennt und die Zensur aus den Daten ablesbar ist (Wertelabel oder Text wie „>90“). Die Ausgabe nennt die erkannte Zensur als „nicht bestätigt“. Fehlt etwas — oder ist die Zensur nicht erkennbar —, wird die Frage nicht ausgeführt und mit einer Meldung markiert. Eine eigene Kennungs-Spalte gibt es nur im Einzel-Chat. Im Analyseplan schlägt kondeor.ai Tobit nur vor, wenn die Wertelabels der abhängigen Variable einen Grenzwert zeigen.

Voraussetzungen: mindestens 20 vollständige Fälle, mindestens 5 exakt gemessene Werte und mindestens ein zensierter Wert; bis zu 8 Prädiktoren (kategoriale mit höchstens 12 Ausprägungen). Ein aktiver Teilstichproben-Filter (B3) wird berücksichtigt. Nicht zu verwechseln mit der Zensierung in der Überlebenszeitanalyse — dafür sind Kaplan-Meier und Cox-Regression die richtigen Verfahren. Möchtest du nur die Verteilung (Median, Quartile, Gruppenvergleich) beschreiben, nutze die Kaplan-Meier-Schätzung für zensierte Messwerte (unten).

Kaplan-Meier-Schätzung für zensierte Messwerte (Median, Quartile, Gruppenvergleich)

Auch für Messwerte mit Grenzwerten (z.B. „>90“ oder „<0,5“, siehe Tobit oben) gibt es eine Verteilungsschätzung ohne Prädiktoren: Der Messwert spielt die Rolle der „Zeit“, ein Grenzwert ist ein zensierter Wert. So bekommst du Median und Quartile mit Konfidenzintervall, ohne die Grenzen wie gemessene Werte zu behandeln — optional getrennt nach Gruppen samt Gruppenvergleich. Die Tobit-Regression ist dagegen die richtige Wahl, wenn du den Einfluss von Prädiktoren auf den Messwert schätzen willst.

Die Zensur legst du wie bei Tobit auf der Bestätigungskarte im Chat fest (erkannte Regeln aus Wertelabels bzw. Text in der Zelle oder eine eigene Kennungs-Spalte); zusätzlich wählst du dort optional die Gruppenvariable. Rechtszensierte Werte („>“), linkszensierte Werte („<“) und beides zugleich sind möglich: Bei nur einer Zensurrichtung rechnet kondeor.ai die klassische Kaplan-Meier-Schätzung (bei linkszensierten Werten an der Achse gespiegelt), bei gemischter Zensur ein Turnbull-Verfahren für Intervalldaten.

Das Ergebnis zeigt je Gruppe n, Anteil zensierter Werte, Median mit 95%-Konfidenzintervall und Quartile, daneben zum Vergleich die naiven Kennwerte, bei denen die Grenzen als gemessene Werte gelten, sowie die Kurve P(Y ≤ y) mit Band. Bei Gruppen kommt der Vergleich dazu: bei einseitiger Zensur der Log-Rank-Test (zusätzlich Peto-Peto) mit Holm-korrigierten paarweisen Tests ab drei Gruppen, bei gemischter Zensur ein Gehan-Test mit Permutations-p-Wert samt Effekt (δ = P(Gruppe 1 > Gruppe 2) − P(Gruppe 1 < Gruppe 2)) und dem Anteil nicht entscheidbarer Paare.

„Median nicht schätzbar“: Liegt mehr als die Hälfte der Werte auf einer Seite zensiert (z.B. über 50 % „>90“), lässt sich der Median nur als Schranke angeben — kondeor.ai nennt dann die Grenze statt einer erfundenen Zahl. Die Kurve gibt P(Y ≤ y) an, nicht eine Überlebenswahrscheinlichkeit.

Im Batch: Die Schätzung läuft dort ohne Karte, wenn die Frage die Messwert-Variable nennt und die Zensur aus den Daten ablesbar ist (Wertelabel, Text wie „>90“ oder eine Spalte „<Name>_zens“); eine Gruppenvariable ist optional. Die Ausgabe nennt die erkannte Zensur als „nicht bestätigt“. Sonst wird die Frage nicht ausgeführt und mit einer Meldung markiert. Im Analyseplan wird sie nur vorgeschlagen, wenn die abhängige Variable zensiert ist.

Voraussetzungen: mindestens 10 vollständige Fälle, davon mindestens 3 exakt gemessene Werte; Gruppen mit weniger als 5 Fällen werden ausgelassen und im Ergebnis genannt; höchstens 8 Gruppen. Ein aktiver Teilstichproben-Filter (B3) wird berücksichtigt. Nicht zu verwechseln mit der Zensierung in der Überlebenszeitanalyse — dafür sind Kaplan-Meier und Cox-Regression die richtigen Verfahren.

Risikodifferenz und NNT/NNH im Chi²-Dashboard

Bei einer 2×2-Kreuztabelle zeigt der Chi²-Test neben Odds Ratio und relativem Risiko jetzt auch die Risikodifferenz (Zeile 1 minus Zeile 2, mit Score-Konfidenzintervall) und die NNT/NNH (Number Needed to Treat bzw. to Harm = 1 / |Risikodifferenz|). Die Risikodifferenz ist auch bei einer Nullzelle definiert. Das Konfidenzintervall der NNT erscheint nur, wenn das der Risikodifferenz die 0 nicht einschließt — sonst steht „nicht endlich“ statt erfundener Grenzen.

NNT oder NNH? Das entscheidest du: Ob die Zahl „Nutzen“ (NNT) oder „Schaden“ (NNH) bedeutet, hängt davon ab, ob die erste Spalte ein gutes oder schlechtes Ergebnis ist. kondeor.ai nennt nur die Richtung und bewertet nicht.
B10

R-Code zum Nachbauen

Zu den häufigsten Methoden kannst du dir den passenden, direkt lauffähigen R-Code anzeigen lassen — um kondeor.ai gegenzuprüfen, oder um R nebenbei zu lernen. Einfach in der Frage danach fragen:

Der Code enthält die passende Einlesezeile mit dem tatsächlichen Dateinamen deines Datensatzes (read.csv() bzw. haven::read_sav(), je nach Format) — lädst du denselben Datensatz zusätzlich lokal in RStudio, läuft der Code dort unverändert.

Unterstützt: t-Test, ANOVA, Korrelation, lineare Regression, Chi-Quadrat, deskriptive Statistik, Mann-Whitney-U, Wilcoxon-Test, Kruskal-Wallis-Test.

Bei t-Test und ANOVA zeigt kondeor.ai bewusst beide Testvarianten (Student und Welch) im Code, ohne eine als „die richtige“ vorzugeben — dieselbe methodische Offenheit wie im Analyseergebnis selbst: eine automatische Vortest-Entscheidung anhand des Levene-Tests gilt in der Statistik-Literatur als methodisch umstritten, daher überlässt kondeor.ai dir die Einordnung, statt sie stillschweigend selbst zu treffen.
Teil C

Qualitative Textanalyse

Offene Antworten systematisch auswerten — inklusive der wichtigsten Grenzen, die du kennen solltest.

C1

Verfahren im Überblick

Nenne die Methode direkt, oder stell eine allgemeine Textanalyse-Anfrage — kondeor.ai fragt dann nach Spaltenauswahl und Methode:

KürzelVerfahrenKurzbeschreibung
AInduktive KategorienbildungKategorien entstehen direkt aus dem Material
BDeduktive KategorienbildungDu gibst Kategorien vor, kondeor.ai ordnet die Texte zu
CSentimentanalyseBewertung als positiv / neutral / negativ (5-stufig)
DThemen & SchlüsselwörterHäufigste Themen und Begriffe
EInhaltsanalyse nach MayringSystematische Kategorienbildung mit Ankerbeispielen und Kodierregeln
FGrounded TheoryTheoriegenerierung durch offenes, axiales und selektives Kodieren

Diese Funktionen sind aktuell ab dem Pro-Plan verfügbar. Details zu allen Verfahren: Leitfaden zur Methodenwahl auf der Assistentenseite.

C2

Mehrere Textspalten gemeinsam analysieren

Ja, kondeor.ai kann das automatisch — ein manuelles Zusammenkopieren mehrerer offener Fragen in eine Spalte ist für die eigentliche Analyse nicht nötig. Werden im Datensatz mehrere Freitext-Spalten erkannt, fragt kondeor.ai vor Beginn der Analyse aktiv nach:

Alternativ kannst du die gewünschten Spaltennamen auch direkt in deiner ersten Frage nennen — kondeor.ai erkennt sie automatisch, ohne die Rückfrage zu stellen. Gibt es nur eine einzige Freitext-Spalte im Datensatz, wird sie automatisch gewählt.

Bei „ALLE“ werden die Texte aus allen gewählten Spalten für die Analyse gemischt (nicht spaltenweise nacheinander) — so erkennt die KI keine künstlichen Muster allein aus der Spaltenreihenfolge. Die interaktive Prüfung und der Kategorien-Export (siehe unten) funktionieren seit Kurzem auch bei mehreren gemeinsam analysierten Textspalten — ein manuelles Zusammenkopieren ist für keinen Teil des Ablaufs mehr nötig.

C3

Grenzen: Fallzahl bei Textanalysen

Textanalysen haben aus Kosten- und Zeitgründen eine Obergrenze an Textbausteinen für die Haupt-Analyse. Die Zwei-Modell-Reliabilitätsprüfung hat seit Kurzem keine feste Obergrenze mehr — bei größeren Fallzahlen läuft sie automatisch im Hintergrund weiter (siehe unten).

AnalyseteilObergrenzeDetails
Haupt-Analyse (Fließtext/Kategorien)500… pro Spalte. Bei „ALLE“ mit z.B. 3 Spalten also bis zu 1.500 Texteinheiten insgesamt.
Zwei-Modell-Reliabilitätsprüfung (Kappa/Jaccard)kein CapAb ca. 250 Texteinheiten insgesamt läuft die Prüfung als Hintergrund-Prozess und verarbeitet danach den gesamten Datensatz, nicht nur eine Teilmenge.

Bei induktiven Verfahren (A, D, E, F) wird das Kategoriensystem bei sehr großen Fallzahlen auf einer repräsentativen Stichprobe entdeckt (aktuell rund 220 Texteinheiten) und anschließend auf alle Antworten angewendet — Kategoriensysteme sättigen erfahrungsgemäß deutlich vor der vollen Fallzahl. Bei Sentiment (C) sowie bei vorgegebenen Kategorien (B) entfällt dieser Zwischenschritt, da dort kein neues Kategoriensystem entdeckt werden muss.

Für sehr große Datensätze: Betrifft nur noch die Haupt-Analyse (500 pro Spalte) — hier empfiehlt sich weiterhin eine gezielte Teilstichprobe (z.B. nur eine Untergruppe) oder eine Aufteilung in mehrere kleinere Analysedurchläufe. Die Reliabilitätsprüfung selbst benötigt das nicht mehr.
C4

Dual-Model-Reliabilitätsprüfung

Bei Sentiment (C), induktiver Kategorienbildung (A), Mayring (E) und Grounded Theory (F) sowie bei deduktiver Kategorienbildung (B) läuft zusätzlich zur eigentlichen Analyse eine zweite, unabhängige Klassifikation durch ein zweites KI-Modell (Mistral) im Hintergrund. Der Vergleich zwischen beiden Modellen liefert:

Das funktioniert wie eine zweite, unabhängige Codierer-Perspektive — ähnlich einer Interrater-Reliabilität mit zwei menschlichen Codierer:innen, nur automatisiert.

Bei Grounded Theory (F) kommt zusätzlich ein Kernkategorie-Vergleich hinzu (Selektives Kodieren): Beide Modelle schlagen unabhängig voneinander eine Kernkategorie vor, kondeor.ai zeigt die Ähnlichkeit der beiden Beschreibungen per Embedding-Vergleich als Prozentwert an. Das ist bewusst kein formales Reliabilitätsmaß wie Kappa oder Jaccard, sondern nur ein Hinweis, wie nah die beiden vorgeschlagenen theoretischen Schwerpunkte beieinanderliegen — und läuft unabhängig vom übrigen Kategorien-Matching, auch wenn dieses aus irgendeinem Grund nicht möglich sein sollte.

Bei größeren Fallzahlen (ab ca. 250 Texteinheiten insgesamt): Die Prüfung läuft automatisch im Hintergrund weiter, während du bereits mit der eigentlichen Analyse weiterarbeiten kannst. Ein kurzer Statushinweis im Chat zeigt den Fortschritt an; das Ergebnis (Kappa/Jaccard sowie ggf. die Karte für abweichende Fälle, siehe unten) erscheint automatisch als neue Nachricht, sobald die Prüfung fertig ist — je nach Fallzahl meist nach ein bis wenigen Minuten. Über „⏹ Abbrechen“ direkt neben dem Statushinweis lässt sich der Hintergrundlauf jederzeit stoppen.

C5

Interaktive Prüfung & Kategorien-Export

Nach der Reliabilitätsprüfung kannst du abweichende Fälle direkt in einer interaktiven Karte durchgehen und final entscheiden — übereinstimmende Fälle werden automatisch übernommen. Am Ende übernimmst du das Ergebnis mit einem Klick als neue Spalte(n) direkt in den Datensatz — kein Download-Umweg mehr nötig (siehe nächstes Kapitel).

Das funktioniert seit Kurzem auch, wenn du mehrere Textspalten gemeinsam analysiert hast (Auswahl „ALLE“ oder mehrere genannte Spalten): Stammt ein abweichender Fall aus mehreren analysierten Spalten, zeigt die Karte bei jedem Fall ein kleines Spalten-Kürzel an, damit klar ist, aus welcher ursprünglichen Frage die Antwort stammt. Bei nur einer analysierten Spalte bleibt die Karte wie gewohnt ohne diesen Zusatz.

Export bei mehreren Textspalten: kondeor.ai legt pro Kategorie und Quellspalte eine eigene Spalte an (z.B. kat_zufriedenheit__frage1 und kat_zufriedenheit__frage2), statt beide Antworten in einer Spalte zu vermischen — eine Zeile kann schließlich in Frage 1 anders kategorisiert sein als in Frage 2. Bei nur einer analysierten Spalte bleibt die Spaltenbenennung unverändert wie bisher (kat_zufriedenheit, ohne Zusatz).

Fehlende Antworten werden dabei korrekt als „kein Wert“ (NA) exportiert, nicht als „0“ — eine leere Zelle in Frage 2 bedeutet schließlich nicht, dass die Person „nicht in dieser Kategorie“ ist, sondern schlicht, dass sie diese Frage nicht beantwortet hat. „0“ heißt bei kondeor.ai immer: die Antwort wurde geprüft und liegt nachweislich nicht in dieser Kategorie.

C6

Kategorien in den Datensatz übernehmen

Ein Klick auf „In Datensatz übernehmen“ fügt die neuen kat_*-Spalten direkt in den Arbeitsdatensatz dieser Sitzung ein — kein Herunterladen und erneutes Hochladen mehr nötig. Die neuen Spalten sind sofort für jede Folgeanalyse nutzbar (z.B. eine Kreuztabelle direkt im Anschluss) und landen automatisch im nächsten „Datensatz exportieren“.

Willst du mehrere offene Fragen nacheinander kategorisieren, schließ die nächste Textanalyse einfach an und übernimm sie ebenfalls — alle kat_*-Spalten sammeln sich im selben Arbeitsdatensatz (alternativ: mehrere Spalten direkt gemeinsam in einem Durchlauf analysieren, siehe oben — dann reicht ein einziges Übernehmen).

Die neuen Kategorien-Spalten verhalten sich danach wie jede andere nominale Variable — z.B. für Kreuztabellen oder Gruppenvergleiche nutzbar.

Mehrfachantwortenset: kondeor.ai bündelt die kat_*-Spalten einer Kategorisierung beim Übernehmen automatisch zu einem sogenannten Mehrfachantwortenset (SPSS-Pendant: „Mehrfachantworten definieren“) — bei mehreren offenen Fragen im selben Chat entsteht entsprechend je ein Set pro Frage. Für SPSS-Nutzer erscheint danach ein zusätzlicher Toolbar-Button für eine kleine Syntax-Datei (.sps), die das Set beim einmaligen Ausführen in SPSS anlegt.

Technischer Hinweis: SPSS-Dateien können ein Mehrfachantwortenset nicht direkt beim Export mitbekommen (Einschränkung der zugrunde liegenden Bibliothek, unabhängig von kondeor.ai) — die Syntax-Datei muss einmalig in SPSS ausgeführt werden. Wer das Set dauerhaft in der .sav-Datei verankern möchte, speichert die Datei danach in SPSS erneut.

Häufigkeitsauswertung direkt in kondeor.ai: Statt SPSS zu bemühen, frag einfach im Chat danach — z.B. „Mehrfachantworten auswerten“ oder „Häufigkeit der Mehrfachantworten“. kondeor.ai liefert eine Tabelle mit Anzahl, Prozent der Antworten und Prozent der Fälle je Kategorie (SPSS-Konvention: „Fälle“ bezieht sich auf alle Personen mit mindestens einer gültigen Antwort im Set, nicht auf den Gesamt-N). Gibt es mehrere Sets im selben Chat, kannst du den Namen der jeweiligen offenen Frage in der Frage nennen (z.B. „Häufigkeit für Zufriedenheit auswerten“); ohne Nennung werden alle vorhandenen Sets angezeigt. Diese Auswertung ist eine reine Zählung ohne KI-Aufruf — sie kostet keine Credits.

Die Häufigkeitstabellen — auch die gewichteten — haben im Ergebnis-Dashboard einen Reiter Visualisierung mit einem Balkendiagramm.

Teil D

Berichte & Export

Ergebnisse sammeln, gestalten und weitergeben.

D1

Ein Ergebnis in einen Bericht speichern

Unter jeder Auswertung (quantitativ wie qualitativ) findest du den Button „In Bericht speichern“. Damit kannst du:

Ein Bericht sammelt so über Zeit mehrere Analysen — ideal, um am Ende eines Projekts eine vollständige Auswertung an einem Ort zu haben.

Neben Analysen lassen sich auch selbst erstellte Grafiken in einen Bericht legen — siehe D1c. Wie sich ein Bericht mit Überschriften, Texten und Seitenumbrüchen gliedern lässt, steht in D1d.

Berichte (Einzel- wie Gesamtberichte) sind aktuell ab dem Basis-Plan verfügbar.

D1b

Eigene Markenprofile für Berichte

Statt dem Standard-kondeor.ai-Design können Berichte und Gesamtberichte ein eigenes Markenprofil verwenden — mit eigenem Logo, eigenem Kopf-/Fußzeilentext und einem hellen oder dunklen Farbschema für Kopf- und Fußzeile. Der restliche Berichtsinhalt (Tabellen, Grafiken) bleibt bewusst einheitlich gestaltet.

Verwaltung über „🎨 Markenprofile“ neben „Meine Berichte“. Das Anlegen eines Markenprofils sowie das Ausblenden des „powered by“-Hinweises kosten Credits (einmalig pro Profil, danach unbegrenzt wiederverwendbar) — die genaue Anzahl siehst du beim Anlegen direkt in der App.

D1c

Grafiken erstellen

Für klassische Berichte braucht es nicht nur Analyseergebnisse, sondern auch Grafiken wie Balken-, Kreis- oder Liniendiagramme. kondeor.ai erstellt sie direkt aus dem aktiven Datensatz — mit der gerade aktiven Teilstichprobe und, wenn gewünscht, mit Gewichtung — und legt sie in einen Bericht. Geöffnet wird der Grafik-Dialog über das Balkendiagramm-Symbol in der Icon-Leiste der Fußzeile („Grafik erstellen“) oder per Nachricht im Chat (siehe unten).

Grafikarten

Balken (senkrecht oder waagerecht), gestapelte Balken, gestapelte Balken mit 100 %, Kreis, Donut, Linie, Mittelwert mit Konfidenzintervall, Histogramm, Boxplot und Streudiagramm.

So entsteht eine Grafik

Teilstichprobe und Gewichtung

Ist im Datensatz eine Teilstichprobe aktiv, rechnet die Grafik nur mit diesen Fällen; der Dialog nennt die Teilstichprobe, und sie wird mit der Grafik gespeichert, damit eine spätere Neuberechnung im Bericht dieselben Fälle nimmt. Wählst du eine Gewichtungsvariable, sind Häufigkeiten Summen der Gewichte, Mittelwerte gewichtet und Konfidenzintervalle berücksichtigen die effektive Fallzahl; im Bericht ist die Grafik als gewichtet gekennzeichnet. Ist eine globale Gewichtung aktiv, wird sie für Balken-, Linien-, Kreis-, Mittelwert- und Histogramm-Grafiken automatisch vorgeschlagen (abwählbar mit „— keine —“); für Boxplot und Streudiagramm, die keine Gewichte kennen, weist ein Hinweis ausdrücklich darauf hin, dass die Grafik ungewichtet gezeichnet ist.

Per Chat anfordern

Statt des Dialogs genügt eine Nachricht, etwa „Erstelle ein Balkendiagramm der Häufigkeit nach Geschlecht“ oder „Zeichne ein Histogramm vom Score“. kondeor.ai schlägt daraufhin eine Grafik vor und zeigt eine Bestätigungskarte; erst mit „Grafik erstellen“ öffnet sich der Dialog, in dem sich Variablen, Grafikart, Farben und Beschriftung noch ändern lassen. Berechnet und abgerechnet wird erst im Dialog. Sobald die Frage eine Analyse meint (z.B. nach Signifikanz oder einem Gruppenunterschied fragt), läuft sie wie gewohnt als Analyse, auch wenn das Wort „Diagramm“ darin vorkommt.

Druckfertig (R)

Für Streudiagramm, Boxplot und Histogramm gibt es zusätzlich eine druckfertige Fassung aus R („Mit R zeichnen“): beim Streudiagramm mit Regressionsgerade und Konfidenzband sowie r und n, beim Boxplot optional mit Einzelpunkten, Mittelwert und Fallzahlen, beim Histogramm optional mit Dichte- oder Normalverteilungskurve. Format (PNG, SVG oder PDF), Größe in Zentimetern und Auflösung sind einstellbar, ein Titel im Bild ist optional. Die druckfertige Fassung lässt sich herunterladen oder als Bild in einen Bericht legen; sie kostet nach der Berechnung der Grafik nichts zusätzlich.

In den Bericht übernehmen — und später ändern

Kosten: Eine Grafik aus dem Datensatz kostet Credits, und zwar nur bei einer neuen Datenanfrage (andere Variable, Kennzahl, Teilstichprobe oder Gewichtung). Änderungen an der Darstellung, die identische Wiederholung derselben Anfrage in derselben Sitzung, die Handeingabe und die druckfertige Fassung einer bereits berechneten Grafik sind kostenlos. Die genaue Anzahl siehst du im Dialog.

Die Grafikerstellung ist ab dem Basis-Plan verfügbar.

D1d

Einen Bericht gliedern

Ein Bericht besteht aus Einträgen: Analysen, Grafiken, Texte, Videos. Unter „Meine Berichte“ lässt er sich wie ein Dokument aufbauen — mit Überschriften, eigenen Texten und Seitenumbrüchen.

Bausteine einfügen

Kapitel und Inhaltsverzeichnis

Kapitel ergeben sich aus der Reihenfolge: Eine Kapitel-Überschrift (Ebene 1) umfasst alle Einträge bis zur nächsten. Die Nummerierung (1, 1.1, 2 …) und das Inhaltsverzeichnis in der linken Leiste des Berichts entstehen automatisch und passen sich beim Verschieben an. Wird eine Kapitel-Überschrift gezogen, wandert das ganze Kapitel mit; „Kapitel einklappen“ blendet die Einträge in der Liste nur vorübergehend aus (die Ansicht wird nicht gespeichert). Die Nummern der Analysen werden durch Bausteine nicht verschoben.

Grafiken beim Speichern einer Batch-Analyse

Im Fenster „Gesamte Batch-Analyse speichern“ schlägt kondeor.ai zu passenden Analysen eine Grafik vor: bei Gruppenvergleichen Mittelwerte mit Konfidenzintervall (bei Mann-Whitney und Kruskal-Wallis die Mediane), bei Chi-Quadrat und Fisher 100 %-gestapelte Balken, bei Korrelation und einfacher Regression ein Streudiagramm, bei einer deskriptiven Auswertung ein Histogramm oder Balken. Die Vorschläge folgen festen Regeln, es ist keine KI beteiligt. Du hakst an, welche du willst (voreingestellt ist nichts angehakt); die Preiszeile rechnet mit. Jede gewählte Grafik steht im Bericht als eigener Eintrag direkt hinter ihrer Analyse. Für Analysen mit eigener Teilstichprobe, mit mehr als zwei Variablen und für gepaarte Verfahren gibt es keinen Vorschlag.

Bericht per KI ordnen

Bei Berichten mit mindestens drei Einträgen schlägt die KI auf Knopfdruck („✨ Bericht ordnen (KI)“) eine Gliederung vor: Kapitel- und Unterkapitel-Überschriften sowie eine sinnvolle Reihenfolge der Einträge. Inhalte werden dabei nicht verändert; Grafiken bleiben hinter ihrer Analyse, die Position der Abschluss-Interpretation bleibt am Ende.

Bausteine einfügen und bearbeiten gehört zu den Berichten (ab dem Basis-Plan); das Ordnen per KI ist ab dem Basis-Plan verfügbar.

D3

Den Einzelbericht ansehen & exportieren

Ein gespeicherter Bericht (mit allen darin gesammelten Analysen) lässt sich als Ganzes ansehen und als HTML-Datei exportieren — inklusive interaktiver Grafiken. Für eine Druckversion bzw. PDF steht direkt im Bericht ein „🖨 Drucken / Als PDF speichern“-Button zur Verfügung, der die Druckfunktion des Browsers mit einem eigens dafür optimierten Layout (A4, saubere Seitenumbrüche) nutzt.

Ein Bericht lässt sich zudem mit einem Link teilen — Empfänger:innen sehen dann eine öffentliche, lesbare Ansicht ohne eigenen kondeor.ai-Zugang. Möchtest du den Bericht stattdessen als bearbeitbare Kopie an andere kondeor.ai-Nutzer:innen weitergeben, verwende „Teilen“ (siehe A4d).

Zur Veröffentlichung: Ergänzend zur Gesamtinterpretation kann kondeor.ai daraus einen Pressetext (Fachpresse oder allgemeine Medien) oder einen Social-Media-Text erstellen (Pro, Credits je Text). Die Zahlen im Text werden gegen den Bericht geprüft; Zitate, Namen und Kontaktdaten bleiben Platzhalter, die du selbst ausfüllst, und bei explorativen Ergebnissen weist der Text darauf hin. Mit „In Bericht übernehmen“ wird der Text als Kapitel am Berichtsende eingefügt.

D3b

Mehrere Berichte zu einem Gesamtbericht kombinieren

Mehrere bereits veröffentlichte Einzelberichte lassen sich zu einem Gesamtbericht zusammenfassen — z.B. um mehrere Erhebungswellen oder Teilstudien eines Projekts an einem gemeinsamen Link zu bündeln. Jeder eingebundene Einzelbericht erscheint darin als eigener, umbenennbarer Tab.

Wie beim Einzelbericht steht auch hier ein gemeinsamer „⬇ Als HTML-Datei speichern“- und „🖨 Drucken / Als PDF speichern“-Button zur Verfügung, der alle Tabs erfasst.

Wird ein bereits eingebundener Einzelbericht nachträglich wieder auf Entwurf gesetzt, verschwindet sein Tab im veröffentlichten Gesamtbericht automatisch (statt einen kaputten Link zu zeigen) — er taucht wieder auf, sobald der Einzelbericht erneut veröffentlicht wird.

In der Verwaltungsansicht siehst du außerdem, wie oft der Gesamtbericht insgesamt aufgerufen wurde und wie oft jeder einzelne Tab tatsächlich angeklickt wurde (nicht nur mitgeladen) — ein reiner Zähler, keine Detail-Historie einzelner Aufrufe.

D4

Video-Zusammenfassung

Statt (oder zusätzlich zu) Text kann kondeor.ai eine Ergebnis-Zusammenfassung auch als kurzes Sprecher-Video erzeugen — z.B. für eine Präsentation in einer Lehrveranstaltung oder vor dem Management. Ein „🎬“-Button erscheint an mehreren Stellen:

Jedes Video ist standardmäßig auf ca. 3 Minuten ausgelegt — über zwei Dropdown-Felder neben dem „🎬“-Button lassen sich Dauer (30 Sek. bis 3 Min. in fünf Stufen) und Format (16:9 Querformat oder 9:16 Hochformat, z.B. für Instagram) individuell wählen. Da ein Sprecher-Avatar Formeln, exakte Statistik-Werte und griechische Buchstaben schlecht wiedergeben kann, formuliert kondeor.ai den Inhalt eigens dafür um — Ergebnisse werden qualitativ beschrieben (z.B. „ein kleiner, statistisch signifikanter Unterschied“) statt als Zahl vorgelesen.

Bevor das eigentliche Video erzeugt wird, zeigt kondeor.ai dir das generierte Sprecher-Skript in einem bearbeitbaren Textfeld — du kannst Formulierungen anpassen, bevor die Video-Erstellung startet.

Mit Chart-Einblendung: Existiert für die Analyse ein exportierbares Diagramm, erscheint neben dem Video-Button zusätzlich die Option „mit Chart-Einblendung“ — das Video wechselt dann von einem reinen Sprecher-Avatar zu einem kurzen Mehrszenen-Format mit eingeblendetem Diagramm. Gibt es für das Dashboard mehrere mögliche Diagrammtypen (z.B. Boxplot UND Mittelwert-Diagramm bei derselben ANOVA), erscheint zusätzlich eine Dropdown-Auswahl, welches Diagramm gezeigt werden soll. Dauer- und Format-Auswahl gelten in diesem Fall nicht (werden ausgegraut) — das Mehrszenen-Format hat ein eigenes, festes Layout.

Ein fertiges Video lässt sich per Klick herunterladen oder in deinem persönlichen Ordner „Videos“ speichern (nur für dich sichtbar). Wichtig: Der Video-Link ist über den Anbieter nur ca. 7 Tage gültig — lade das Video herunter, wenn du es dauerhaft behalten möchtest; das Speichern des Links allein reicht nicht.

In einem gespeicherten Projekt-Bericht kannst du zusätzlich einen YouTube-Link hinterlegen (eigener Upload oder Link zu einem angezeigten kondeor.ai-Video), der dann direkt im Bericht eingebettet wird.

Der Video-Verbrauch richtet sich nach deinem aktuellen Credit-Kontingent (siehe Plan-Vergleich) — ein Video kostet spürbar mehr als eine einzelne Analyse, da es über einen externen Anbieter erzeugt wird.

Teil E

Konto, Pläne & Recht

Was die einzelnen Pläne bieten, wie Zahlung und Kündigung funktionieren, und wo du die rechtlichen Dokumente findest.

E1

Plan-Vergleich

 FreeBasisPro
Eigene Daten hochladen–✓✓
Standardmethoden auf Bachelor-Niveau (t-Test, ANOVA, Regression, Faktorenanalyse, Mediation, Moderation u.v.m., siehe B0)–✓✓
Fortgeschrittene Methoden (z.B. MANOVA, ordinale Regression, Tobit-Regression, Mehrebenenanalyse, SEM, Multiple Imputation, siehe B0)––✓
Berichte erstellen (Einzel-/Gesamtberichte)–✓✓
Übungsdatensatz & Theoriefragen✓✓✓
Weitere Funktionen werden geladen …

Jeder Plan enthält ein monatliches Credit-Kontingent (rollierendes 30-Tage-Fenster ab dem ersten Login, kein Übertrag in den nächsten Zyklus). Jede Analyse verbraucht Credits — wie viele, hängt von der Methode ab: eine einfache Analyse (z.B. t-Test, Korrelation) kostet wenig, aufwendigere Verfahren (z.B. Regression, Faktorenanalyse) mehr, und rechenintensive Verfahren mit Kreuzvalidierung oder breiter Modellsuche (z.B. Random Forest, Regularisierung, Zeitreihenanalyse) oder eine qualitative Textanalyse am meisten. Ein Einzelbericht (Anlegen, Analysen hinzufügen, ansehen, exportieren) kostet nichts; ein Gesamtbericht (siehe D1b) sowie das Anlegen eines eigenen Markenprofils kosten dagegen Credits — die genauen Zahlen siehst du direkt beim jeweiligen Anlegen in der App. Das erneute Anzeigen bereits gerechneter Ergebnisse kostet ebenfalls nichts. Auch das Erstellen einer Grafik aus dem Datensatz (siehe D1c) kostet Credits, und zwar nur bei einer neuen Datenanfrage — Änderungen an Farben, Beschriftung und Darstellung sind frei. Auch der KI-Vorschlag zur Gliederung eines Berichts (siehe D1d) kostet Credits, das Übernehmen nicht. Die tatsächlich verbrauchten Credits werden direkt bei jedem Analyseergebnis angezeigt; den aktuellen Kontostand zeigt das Symbol oben in der Kopfzeile, die genauen Kontingente und Preise pro Plan findest du jederzeit aktuell unter „Plan upgraden“ in der App. Was eine einzelne Funktion kostet, steht dort, wo du sie auslöst (am Knopf oder in der Bestätigung); im Hilfe-Modus (siehe A7) kannst du es auch mit „Was kostet …?“ erfragen. Die Handbuchtexte nennen bewusst keine Credit-Zahlen, weil sich Preise ändern können.

Eine Ausnahme von der Regel „kein Übertrag“: Wechselst du zwischen den Plänen (Upgrade oder Downgrade), verfällt ein zu diesem Zeitpunkt noch vorhandenes Rest-Kontingent nicht — es wird in den mit dem Wechsel neu beginnenden 30-Tage-Zyklus übernommen. Ab diesem neuen Zyklus gilt die normale Regel wieder: Ungenutztes verfällt zum nächsten Zyklusende, genau wie bei jedem regulären Monatskontingent. Zugekaufte Credits (siehe E5) sind davon unabhängig und bleiben ohnehin bis zum Ende deines Abos gültig.

E2

Rechnungen & Zahlung

Zahlungen laufen über Mollie (SEPA, Kreditkarte u.a.), Rechnungen werden automatisch erstellt und stehen in deinem Konto zum Download bereit. Unternehmen mit gültiger EU-UID-Nummer aus dem Ausland profitieren automatisch vom Reverse-Charge-Verfahren (0 % MwSt., wird über VIES geprüft) — Privatpersonen und österreichische Unternehmen zahlen den regulären Satz von 20 %.

E3

Kündigung vs. Widerruf

Das sind zwei rechtlich unterschiedliche Dinge:

 Was passiert
KündigungDein Abo endet zum Ende der bereits bezahlten Periode. Der Zugang bleibt bis dahin vollständig aktiv, es gibt keine Rückerstattung für die laufende Periode.
WiderrufInnerhalb von 14 Tagen nach Vertragsabschluss kannst du als Verbraucher:in vom Vertrag zurücktreten — mit Rückerstattung. Stimmst du im Bestellprozess der sofortigen Ausführung zu, verlierst du dieses Recht vorzeitig (siehe Checkbox beim Bestellvorgang).

Details siehe § 12 (Kündigung) und § 13 (Rücktrittsrecht) der AGB.

Beides ist etwas anderes als das Löschen des Kontos (E7): eine Kündigung beendet dein Abo, lässt dein Konto und deine Daten aber bestehen.

E4

AGB, Datenschutz & Auftragsverarbeitung

Die vollständigen rechtlichen Dokumente (AGB, Datenschutzerklärung, Auftragsverarbeitungsvertrag) findest du gesammelt auf einer eigenen Seite, jeweils in Deutsch und Englisch:

→ Rechtliches öffnen

Sind die europäischen Server kurzzeitig nicht erreichbar, fragen wir dich, ob die Aufgabe stattdessen über einen Anbieter außerhalb der EU erledigt werden darf — das passiert nur mit deiner ausdrücklichen Zustimmung. Wer gar keine KI oder keine Anbieter außerhalb der EU möchte, stellt das im Konto ein — siehe A5c.

Dein hochgeladener Datensatz wird während der Sitzung serverseitig bei unserem Hosting-Partner Mittwald (Deutschland) verschlüsselt zwischengespeichert und nach 12 Stunden Inaktivität automatisch gelöscht (siehe G3). Im Pro-Plan abgelegte Datensätze im Arbeitsbereich werden nach 30 Tagen ohne Nutzung gelöscht (A4c). Details dazu findest du in der Datenschutzerklärung, Punkte 3.3 und 3.6.

Von KI erzeugte Texte (z.B. Interpretationen, Berichte, Video-Skripte) können ein für Menschen nicht wahrnehmbares Wasserzeichen zur maschinellen Herkunftskennzeichnung enthalten — Inhalt und Lesbarkeit bleiben davon unberührt. Details dazu findest du in der Datenschutzerklärung, Punkt 3.8.

Die statistischen Berechnungen basieren auf R und den frei verfügbaren Open-Source-Paketen (CRAN). Alle Pakete sind kostenfrei nutzbar; es besteht keine rechtliche Zitierpflicht. Zur Übersicht, gruppiert nach Lizenztyp:

LizenzPakete
Paketliste wird geladen …
E5

Zusätzliche Credits kaufen

Reicht das monatliche Credit-Kontingent einmal nicht aus, kannst du — unabhängig von deinem Tarif, auch im kostenlosen Free-Plan — über den Button „+ Credits“ in der Kopfzeile zusätzliche Credits dazukaufen — ein flexibles Paket, dessen Menge du selbst wählst; Größe und Preis siehst du im Kaufdialog.

Der wichtigste Unterschied zum monatlichen Kontingent: Zugekaufte Credits verfallen nicht am Zyklusende — sie bleiben gültig, unabhängig von Kündigung oder Tarifwechsel, und verfallen erst bei einer Kontolöschung. Bei jeder Analyse wird zuerst das reguläre Monatskontingent verbraucht, erst wenn dieses aufgebraucht ist, greifen zugekaufte Credits. Welche Analysemethoden du nutzen kannst, richtet sich aber immer nach deinem aktuellen Tarif, unabhängig vom Credit-Guthaben.

Die Rechnungsadresse wird beim Zukauf aus deiner letzten Rechnung vorausgefüllt — du kannst sie bei Bedarf jederzeit überschreiben, etwa bei einer neuen UID-Nummer oder geänderten Adresse. Für jeden Zukauf wird wie beim Plan-Kauf eine reguläre Rechnung erstellt.

E6

Passwort, Abmelden & Sprache

Passwort vergessen oder ändern: Im Anmeldefenster führt der Link „Passwort vergessen / ändern?“ zu einem Feld für deine E-Mail-Adresse. Du erhältst daraufhin eine E-Mail mit einem Link, der eine Stunde lang gültig ist; darüber vergibst du ein neues Passwort (mindestens 8 Zeichen). Denselben Weg nutzt du auch, wenn du dein Passwort einfach bewusst wechseln möchtest — ein separates Formular dafür gibt es nicht.

Aus Sicherheitsgründen erhältst du immer dieselbe Bestätigung, unabhängig davon, ob zu der eingegebenen Adresse ein Konto besteht. So lässt sich über dieses Formular nicht herausfinden, wer bei kondeor.ai registriert ist. Kommt keine E-Mail an, prüfe bitte den Spam-Ordner und die Schreibweise der Adresse.

Abmelden: Der Button „Abmelden“ rechts oben in der Kopfzeile beendet deine Sitzung sofort. Zusätzlich wirst du nach 12 Stunden automatisch abgemeldet (siehe G3 · Sitzung abgelaufen).

Sprache umstellen: Der Button „DE“/„EN“ in der Kopfzeile schaltet zwischen Deutsch und Englisch um — und zwar sowohl die Oberfläche als auch die Sprache, in der deine Fragen beantwortet werden. Deine Wahl wird im Browser gespeichert und beim nächsten Besuch wiederverwendet. Beim allerersten Aufruf richtet sich die Sprache nach deiner Browsereinstellung. Wird kondeor.ai in eine andere Seite eingebettet oder verlinkt, lässt sich die Sprache auch direkt über den Adresszusatz ?lang=de bzw. ?lang=en vorgeben.

Dieses Handbuch gibt es ebenfalls in beiden Sprachen — der Umschalter dafür sitzt links oben in der Seitenleiste.

E7

Konto löschen

Du kannst dein Konto jederzeit selbst und ohne Rückfrage löschen: „Info“ öffnen, dann unten links im Fenster auf „Konto löschen“. Zur Bestätigung gibst du noch einmal dein Passwort ein — das schützt davor, dass jemand anderes an einem offen stehenden Bildschirm dein Konto entfernt.

Was gelöscht wird: Deine hochgeladenen Datensätze, gespeicherten Analysen und Projekte, dein Fragenverlauf, dein Credit-Verlauf sowie Kurseinschreibungen und Lernfortschritte. Das geschieht sofort und ist nicht rückgängig zu machen — es gibt keine Wiederherstellungsfrist. Exportiere also vorher, was du behalten möchtest (siehe D3).

Was erhalten bleibt: Deine Rechnungen. Für sie gilt eine gesetzliche Aufbewahrungspflicht von sieben Jahren (§ 132 BAO), die dem Löschanspruch nach Art. 17 DSGVO ausdrücklich vorgeht (Art. 17 Abs. 3 lit. b). Sie werden ausschließlich zu diesem Zweck aufbewahrt und für nichts anderes verwendet.

Du erhältst anschließend eine Bestätigung per E-Mail. Eine neue Registrierung mit derselben Adresse ist jederzeit möglich — sie beginnt als vollständig neues Konto, alte Inhalte leben dadurch nicht wieder auf.

In zwei Fällen ist die Selbstbedienung gesperrt: Solange ein Abo läuft, kündige es bitte zuerst (siehe E3) und lösche das Konto nach Ende der bezahlten Periode — so löst das Löschen keinen Zahlungsvorgang aus. Und wenn deinem Konto eigene Kurse mit eingeschriebenen Teilnehmer:innen gehören, melde dich bitte unter office@kondeor.ai, damit die Kurse vorher übergeben werden können.

Teil F

Kurse (E-Learning)

Strukturierte Lerneinheiten mit KI-geführten Lernschritten und Prüfungen — separat von der Statistik-Analyse.

Hinweis: Das Kurs-Modul befindet sich noch in Entwicklung und ist derzeit nur für einen kleinen Kreis von Lektor:innen freigeschaltet — die breite Verfügbarkeit für alle Nutzer:innen folgt demnächst.
F1

Kurskatalog & Einschreibung

Über den Button „Kurse“ siehst du alle öffentlichen, aktiven Kurse — mit Anzahl der Einheiten, Zugangsdauer (in Monaten ab Einschreibung) und Ersteller:in. Kostenlose Kurse schreibst du mit einem Klick direkt ein; kostenpflichtige Kurse führen zu einer Zahlung über Mollie (Einmalzahlung, keine Abo-Bindung).

Bereits eingeschriebene bzw. gekaufte Kurse sind im Katalog entsprechend markiert und führen direkt zu „Meine Kurse“ statt zu einer erneuten Zahlung.

F2

Meine Kurse: Einheiten & Fortschritt

Über „Meine Kurse“ siehst du alle Kurse, in die du eingeschrieben bist, jeweils unterteilt in Einheiten. Jede Einheit hat einen Status:

Einheiten werden linear freigeschaltet — die erste Einheit ist nach Einschreibung sofort offen, jede weitere erst nach bestandener Prüfung der vorherigen.

Ob die Einheiten der Reihe nach freigeschaltet werden, legt die Kursleitung je Kurs fest („Reihenfolge erzwingen“). Ist die Reihenfolge ausgeschaltet, sind alle Einheiten sofort zugänglich.

F3

Lernschritte

Innerhalb einer offenen Einheit erstellt kondeor.ai zunächst einen strukturierten Lernplan (3–5 Schritte, passend zur Einheit und einem optionalen Hinweis der Kursleitung) und führt dich danach Schritt für Schritt hindurch. Jeder Schritt liefert eine ausführliche Erklärung (ca. 200–350 Wörter) mit alltagsnahen Beispielen, wo möglich mit Zitaten aus den Lehrmaterialien belegt — derselben kuratierten Wissensbasis wie beim normalen Theorie-Modus (siehe A6). Passende Videos können pro Schritt eingeblendet werden.

F4

Prüfung je Einheit

Nach den Lernschritten folgt eine Prüfung — die Fragen stammen aus bis zu drei Quellen gleichzeitig, je nachdem wie die Einheit von der Kursleitung eingerichtet wurde: einem eigenen Fragenpool der Kursleitung, einer kuratierten Fragendatenbank (passend zum Kapitel) und/oder KI-generierten Fragen. Unterstützt werden Multiple-Choice-, Wahr/Falsch- und Freitext-Fragen — Freitext-Antworten werden von der KI bewertet, inklusive kurzer Rückmeldung, warum eine Antwort richtig oder falsch war.

Die für das Bestehen nötige Mindestpunktzahl legt die Kursleitung pro Einheit fest. Bei Nicht-Bestehen bleibt die Einheit offen für einen erneuten Versuch; bei Bestehen wird automatisch die nächste Einheit freigeschaltet.

F5

Statistik-Methoden im Kurs (Free-Plan-Ausnahme)

Bist du in mindestens einen aktiven Kurs eingeschrieben, darfst du mit dem unveränderten Übungsdatensatz GBOO alle Basis-Methoden nutzen (t-Test, ANOVA, Regression und mehr, siehe E1) — auch wenn du selbst im Free-Plan bist. Die Ausnahme gilt ausschließlich für den Übungsdatensatz; sobald du eigene Daten hochlädst oder den Übungsdatensatz bearbeitest (Zelle ändern, Transformation, Filter), gelten für den Rest der Sitzung wieder die regulären Free-Plan-Grenzen.

Ein kurzer Hinweis dazu erscheint einmalig im Chat, sobald die Ausnahme erstmals tatsächlich eine Methode freischaltet, die im Free-Plan sonst gesperrt wäre.

Die Ausnahme endet automatisch mit Ablauf deiner Kurseinschreibung — danach gilt wieder dein regulärer Plan (Free, Basis oder Pro), mit dem zu diesem Zeitpunkt bereits verbrauchten Credit-Kontingent. Um Basis-Methoden auch über den Kurs hinaus oder mit eigenen Daten zu nutzen, ist ein Upgrade auf den Basis-Plan nötig.

F6

Board in der Lerneinheit

Jede Lerneinheit hat neben Lernen, Frage kondeor.ai und Testfragen den Reiter Board — eine gemeinsame Pinnwand für den Kurs. Das Board funktioniert auch mit der Einstellung „KI aus“.

Der Reiter erscheint nur bei Aufgaben-Einheiten oder wenn die Kursleitung im Einheiten-Editor „Board anzeigen“ angehakt hat.

Für Teilnehmende: Schreibe eine Karte (bis 280 Zeichen, mit Strg+Enter absenden). Sie erscheint zunächst in der Spalte „Neu / unsortiert“; alle anderen sehen sie nach wenigen Sekunden. Eigene Karten kannst du ändern oder löschen. Pro Lerneinheit sind höchstens 30 eigene Karten möglich.

Für die Kursleitung: Lege Spalten an, benenne sie um und ordne sie (Vorlage: Beispiele / Fragen / Unklar). Karten verschiebst du per Drag & Drop, am Smartphone über „Verschieben nach“; Karten lassen sich ausblenden oder löschen. In der Leiste stellst du pro Kurs ein, ob Namen als Vorname/Kürzel oder gar nicht angezeigt werden und ob jede Person eine eigene Farbe bekommt.

Anzeigename im Kurs: Über der Kartenliste kannst du einen eigenen Namen festlegen, der auf deinen Karten erscheint. Er hat Vorrang vor deinem Kontonamen; bleibt das Feld leer, wird der Vorname bzw. „Teilnehmer N“ verwendet.

Hinweis: Auch bei ausgeblendeten Namen ist die Karte intern deinem Konto zugeordnet. Wird die Einheit oder der Kurs gelöscht, verschwindet das Board mit. Bitte keine personenbezogenen Daten Dritter eintragen.

F7

Aufgaben-Einheit

Neben Einheiten mit Lernschritten und Prüfung kann die Kursleitung eine Aufgaben-Einheit anlegen. Sie besteht aus einer Aufgabenstellung (längerer Text, Links sind möglich; ein Datei-Upload ist nicht vorgesehen). Es gibt keine Testfragen und keine Bestehensgrenze.

Für Teilnehmende: Lies die Aufgabenstellung und trage deine Antwort im Reiter Board ein (siehe F6). Mit der ersten eigenen Karte gilt die Einheit als erledigt und die nächste Einheit wird freigeschaltet. Gibt es zur Aufgabe keine Eingabe ins Board, schließt du sie mit dem Button „Fertig“ ab.

Für die Kursleitung: Mit dem Button „+ Aufgabe“ neben „+ Einheit“ legst du eine Aufgaben-Einheit direkt an. Im Einheiten-Editor wählst du die Art „Aufgabe“ und trägst die Aufgabenstellung ein (bis 4.000 Zeichen). Im Lektor-Panel lassen sich die einzelnen Kurse ein- und ausklappen, damit bei mehreren Kursen die Übersicht bleibt.

Der Fortschritt wird als „Bestanden“ ohne Punktzahl geführt. Auch Kursleitung und Admins können die Einheit so abschließen, um die Freischaltung zu testen.

Gendern in der Aufgabenstellung: Die Kursleitung kann in der Aufgabenstellung Platzhalter der Form {weiblich|männlich} verwenden. Welche Form erscheint, richtet sich nach der optionalen Angabe w/m/d im Teilnehmer-Upload; sie dient ausschließlich diesem Zweck und wird sonst nirgends angezeigt oder weitergegeben. Über „Vorschau als“ über der Aufgabenstellung sehen Kursleitung und Admins, wie der Text für w, m und d bzw. unbekannt aussieht.

Teil G

Wenn etwas nicht klappt

Die häufigsten Stolperfallen — und wie du sie umgehst.

G1

Frage wird missverstanden

Meist hilft eine Umformulierung mit klarem Kontext:

Geht es dabei speziell um die Bedienung von kondeor.ai (nicht um Statistik oder deine Daten), hilft oft auch ein Wechsel in den Hilfe-Modus (Modus-Button neben Analyse/Theorie) — siehe A7.

Tipp: Stell eine missverstandene Frage lieber mit anderen Worten erneut, statt sie identisch zu wiederholen — eine wortgleiche Wiederholung führt oft wieder zum selben Missverständnis.

G2

Freitext-Spalte wird nicht als Text erkannt

Wird eine offene Frage stattdessen als Häufigkeitsauszählung behandelt (jede Antwort erscheint als eigene „Kategorie“), liegt das meist daran, dass die Anfrage nicht eindeutig als Textanalyse erkannt wurde. Nenne eines der folgenden Schlüsselwörter explizit in deiner Frage:

Beispiel: statt „Was sollte verbessert werden?“ lieber „Mache eine Textanalyse: Was sollte laut den offenen Antworten verbessert werden?“

G3

Sitzung abgelaufen

Nach 12 Stunden Inaktivität wirst du aus Sicherheitsgründen automatisch abgemeldet — dabei werden auch hochgeladene Daten und ungespeicherte Änderungen automatisch gelöscht. Lade für eine neue Sitzung einfach erneut einen Datensatz hoch; eine erneute Anmeldung ist sofort möglich. Datensätze im Arbeitsbereich (Pro, A4c) und unter „Meine Datensätze“ (A4b) bleiben erhalten.

Dein Datensatz liegt während der Sitzung ausschließlich serverseitig bei unserem Hosting-Partner Mittwald (Deutschland) verschlüsselt zwischengespeichert — nicht auf einem externen Anbieter außerhalb der EU.

G4

Weitere Hilfe

Nicht gefunden, wonach du suchst? Schreib uns direkt: office@kondeor.ai