Lapis & Amber

Grundidee (Kernaussage)

Lapis Amber Survey ist ein Open-Source-Befragungssystem, das drei Probleme löst, die kein bestehendes Tool gelöst hat:

1. Paradata-First — Verhaltensrohdaten aus dem Ausfüllprozess sind nativ integriert, nicht nachgerüstet. 2. Datensouveränität — Die Daten bleiben physisch beim Forschenden, bis hin zur KI-Analyse lokal. 3. KI-gestützter Design-Loop — KI-Agenten unterstützen beim Erstellen, Prüfen und Verbessern von Fragebögen — und lernen aus den eigenen Paradata.

Zielgruppe: Empirische Sozialforschung, Methodenlabore, Institutionen mit Datenschutzanforderungen, Feldforschung ohne Internetanschluss.

Vier Kern-Differenzierungsmerkmale

1. Paradata-Engine (Alleinstellungsmerkmal)

Paradata = Prozessdaten aus dem Ausfüllverhalten (Antwortzeiten, Revisionen, Scrolltiefe, Mausbewegungen, Tipp-Pausen)

Problem heute: Kein Tool erfasst das nativ. Forscher bauen eigene JS-Snippets, verlieren Daten bei Abbrüchen, haben keinen methodischen Standard. Unser Ansatz: Nativ im Survey-Runner eingebaut. Drei Granularitätsmodi wählbar. Reaktives Feedback in Echtzeit ist geplant (Survey reagiert auf Verhalten — siehe Abschnitt „Reaktive Surveys" weiter unten). Wissenschaftliche Grundlage: Schlosser & Höhne (2020) ECSP-Framework, erweitert auf Item-Ebene.

2. Deployment-Tiers (Nutzungsmodell)

Vier Stufen — von der Eigeninstallation bis zum vollständig betriebsbereiten Gerät:

3. Offline-Hotspot-Betrieb (Tier 3+4)

• Gerät spannt eigenes WLAN auf.
• Befragte nutzen Smartphones/Tablets — kein Internet nötig.
• Einsatz: Dörfer, Messen, Gefängnisse, Kliniken, Entwicklungsländer.

4. Markdown-basierte Survey-Definition (.survey.md)

Fragebögen müssen nicht über eine Web-Oberfläche eingegeben werden — sie können als einfache Textdatei geschrieben, versioniert und per LLM generiert werden.

---
title: Arbeitszufriedenheit 2026
protection_level: 2
preregistration: osf:abc123
---

## Seite 1 | Einstieg

### q1 | Wie zufrieden sind Sie mit Ihrer Arbeit? {scale:1-5}

### q3 | Arbeitszeit {single}
- [ ] Vollzeit
- [ ] Teilzeit

## Seite 2 | Vertiefung {if: q1 <= 2}

### q4 | Was würde sich ändern müssen? {textarea}

• Versionierbar in Git (diff zeigt genau was sich am Fragebogen geändert hat).
• LLMs können Surveys auf Zuruf generieren, kritisieren, übersetzen.
• Obsidian / VS Code als alternativer Designer.
• Web-GUI und .survey.md sind gleichwertige Eingabeformate — bidirektionaler Export.

5. KI-Agenten im Survey-Design-Loop

Der entscheidende Unterschied zu "KI-Buttons" in Qualtrics & Co.: die KI kennt die eigenen Paradata und schließt den Kreislauf zwischen Design, Feldphase und nächster Studie.

Design-Phase              Feldphase                  Auswertung / Lernen
──────────────────────────────────────────────────────────────────────────
KI-Agent                  Paradata-Engine            KI-Agent
generiert Survey      →   erfasst Verhalten      →   analysiert Ergebnisse
nach Hypothesen           (Revisionen, Abbrüche,      "Item q3: 4× überarbeitet,
                           Verweildauer, Scroll)       Formulierung unklar"
        ↑                                                      │
        └──────────────────────────────────────────────────────┘
                         Feedback-Loop

Survey-Agenten (entwickelbar als OpenSpace-Skills):

Wichtiges UX-Prinzip: Die KI schlägt vor mit Begründung und Quellenangabe — der Forscher entscheidet. Kein Auto-Apply.

→ *Vollständige Bibliothek: 21 Agenten in 6 methodischen Ebenen (Regel-basiert bis LLM-intensiv) — siehe unten: „KI-Agenten: Vollständige Bibliothek"*

DSGVO & Datensicherheit

Grundprinzip: Privacy by Design

• Paradata gilt als personenbezogenes Datum → Einwilligung vor Erfassung.
• Technische Schutzstufen steuern, was erfasst werden darf.

Vier DSGVO-Schutzstufen (technisch durchgesetzt)

• Nicht erlaubte Events werden im Browser gefiltert — verlassen nie das Gerät.
• Anonymisierungsoption: Paradata nur aggregiert speichern (kein Response-Linking).

Datenspeicherung

• Paradata und Antwortdaten technisch getrennt (eigene Tabellen, verknüpft via response_id).
• Self-Hosting: Daten verlassen nie den eigenen Server.
• Tier 4: Auch KI-Auswertung läuft lokal (Ollama) — kein Cloud-API-Call.

Forschungsfeatures

Präregistrierung

• OSF-kompatibles Zeitstempel-Format vor Feldstart.
• Technische Trennung: konfirmatorische vs. explorative Hypothesen.
• Unveränderlicher Audit-Trail nach Registrierung.

Reaktive Surveys (geplant)

• Fast Rule Engine im Browser: Survey reagiert in <1ms auf Verhalten.
• Beispiele: Hilfebox erscheint bei langer Antwortzeit, Sprache wechselt bei Frustrationssignal, Item-Reihenfolge passt sich an.
• Feedback-Loop: ML-Pipeline auf Server analysiert Stream → Reaktionen zurück via WebSocket.

Paradata als Forschungsobjekt (nicht nur Qualitätssignal)

• Export: CSV / SPSS / JSON — alle Rohdaten zugänglich.
• Indikatorberechnung: Response-Zeiten, Revisionsraten, Scrolltiefe, Gerätebewegung.
• Basis für eigene Analysen (kein proprietäres Format).

Technische Architektur

Stack

Paradata-Datenfluss

Browser                         Server                      Storage
────────────────────────────────────────────────────────────────────
Collector → DSGVO-Filter      WebSocket-Receiver           paradata_events (raw)
         → BatchBuffer    →   → DSGVO-Filter (Server)  →  paradata_indicators (item)
         → Transport          → Persist async             paradata_quality (aggregiert)
                              → Reaktions-Queue
                                    ↑↓ WebSocket
sendBeacon (Abbruch) → /flush  (garantierte Lieferung)

Granularitätsmodi

Deployment-Details pro Tier

Tier 1 — DIY

• Generisches Docker-Image / ISO: docker compose up.
• Keine Gewährleistung, Community-Support.
• Geeignet: Entwickler, IT-affine Forscher.

Tier 2 — Ready

• Personalisiertes ISO wird beim Download server-seitig erzeugt (Fragebogen eingebettet).
• Auf eigene Hardware (Raspberry Pi bis Mini-PC).
• Einfache Web-Oberfläche zur Einrichtung.

Tier 3 — Turnkey

• Gemieteter Mini-PC (Whitelist-Hardware, getestet).
• Vorinstalliert: Steckdose + Netzwerk → sofort startklar.
• WLAN-Hotspot integriert für Offline-Feldforschung.
• Kryptographischer Wipe nach Rückgabe (Datenschutz).
• Fernwartung nur auf expliziten Auftrag.

Tier 4 — AI-Onsite

• Leistungsstarker GPU-Rechner (Leasing-Modell).
• Lokales LLM via Ollama (kein Cloud-API-Call).
• Offene Antworten → automatische Themenextraktion, Sentiment, Kategorisierung.
• Paradata → ML-Pipeline vollständig lokal.
• Volle Datensouveränität auch für KI-gestützte Auswertung.

.survey.md Syntax-Referenz (Kurzform)

---                                      # Frontmatter (YAML)
title: Studientitel
protection_level: 2                      # DSGVO-Stufe 1–4
language: de
randomize_pages: false
preregistration: osf:abc123             # OSF-Präregistrierungs-ID
---

## Seitenname | Angezeigte Überschrift  # Neue Seite
{if: q1 <= 2}                           # Bedingung (optional)

> Instruktionstext                       # Markdown-Blockquote = Instruktion

### item_id | Itemtext {Typ, Optionen}  # Frage

# Typen:
# {scale:1-5, labels:"gar nicht","sehr"}   Likert / VAS
# {single}  + Bullet-Liste               Einfachauswahl
# {multi}   + Bullet-Liste               Mehrfachauswahl
# {text}                                  Kurztext
# {textarea}                              Freitext
# {matrix}  + Bullet-Liste               Matrixfrage

# Optionen:
# required, dsgvo_level:3, randomize, placeholder:"...", other

Positionierungsaussagen (für die Grafik)

„Paradata ist unser Betriebssystem — nicht ein Feature."

„Die Daten gehören dem Forschenden. Physisch."

„Von der Felderhebung ohne Internet bis zur KI-Auswertung ohne Cloud — alles in einem System."

„Methodisch sauber: Präregistrierung, DSGVO-Stufen und Paradata-Export sind keine Extras."

„Der Fragebogen ist eine Textdatei. Versioniert, LLM-generierbar, offen."

„Wir bauen die Methodenkompetenz in das Tool ein — nicht als PDF-Anhang."

„Der Item-Hub ist das npm für Forschungsfragen — und wir wollen ihn bauen."

Einsatzszenarien

Sofort realisierbar

1. Akademische Felderhebung, DSGVO-konform: Institut hostet eigene Instanz, Paradata für Methodenanalyse, OSF-Präregistrierung per Klick. Heute: LimeSurvey ohne Paradata oder Qualtrics (teuer, Cloud).

2. Offline-Feldstudie: Turnkey-Gerät im Dorf ohne Internet — Smartphones verbinden sich per WLAN-Hotspot, Daten bleiben lokal. Heute: Papier + manuelle Digitalisierung.

3. Longitudinales Panel mit Paradata-Tracking: paradata-critic-Agent erkennt aus Panel-Welle 1, welche Items Frustration erzeugen — verbessert Welle 2 automatisch. Heute: unmöglich ohne Custom-Dev.

Mittelfristige Vision

4. Item-Hub-Integration: Forscher sucht validierte Items zum Konstrukt „Arbeitszufriedenheit" — zis-recommender-Agent schlägt ZIS-Items vor, direkt importierbar ins .survey.md. Spart Zeit, erhöht Replizierbarkeit.

5. Partizipative Forschung (Entwicklungsländer, NGOs): Tier-3-Gerät + Offline + Lokalsprache (translation-agent) + lokale KI-Auswertung (Tier 4). Kein Internet, keine Cloud, keine IT-Abteilung nötig.

6. Multi-Site-Studie: Gleiches .survey.md in Git, mehrere Institute klonen und betreiben eigene Instanzen. Versionskontrolle zeigt exakt, wo welches Institut Änderungen gemacht hat — methodische Transparenz auf Ebene des Quelltexts.

KI-Agenten: Vollständige Bibliothek

*21 Agenten in 6 methodischen Ebenen. Implementierungstier: 1 = Regex/NLP, 2 = Klassifikator/einfaches Modell, 3 = LLM-intensiv.*

Ebene 1 — Item-Qualität

Ebene 2 — Skalendesign

Ebene 3 — Fragebogen-Struktur

Ebene 4 — Konstruktspezifisch

Ebene 5 — Responserate & UX

Ebene 6 — Übergreifend

Externe API: SQP 3.0 API (GESIS) liefert Reliabilitäts-/Validitätsschätzungen direkt aus Item-Text — RoBERTa-basiertes Modell (JRSS-A 2026). Direct integration mit PsychometricScaleAuditor und QualityScoreAggregator.

Community-Infrastruktur: Der Item-Hub

Problem: ZIS (GESIS), IPIP und OSF haben tausende validierte Items — aber keiner bietet eine maschinenlesbare API. Forscher tippen Items ab oder kopieren aus PDFs.

Vision: Ein npm-artiges Repository für validierte Survey-Items — durchsuchbar, zitierbar, direkt importierbar.

# .survey.md — Item direkt aus Hub importieren
### q5 {from: "zis:jobsat-2022-4items", protection_level: 2}
### q12 {from: "ipip:big5-openness-10items"}

Komponenten:

• item-search-API: Volltextsuche + Filterung (Konstrukt, Sprache, Skala, Validierungsstudie)
• zis-recommender-Agent: schlägt Items basierend auf Präregistrierungshypothesen vor
• Community-Beiträge: Forscher teilen Items (DOI, Zitierung, Lizenz)
• Qualitätsscore via SQP 3.0 API

Strategischer Vorteil: Lapis Amber Survey nutzt mit .survey.md ein maschinenlesbares Format — Item-Hub-Integration ist ein natürlicher nächster Schritt. Für GUI-zentrische Tools wäre das ein fundamentaler Architekturbruch.

OSF-Direkt-Integration: OSF bietet eine vollständige REST-API (JSON:API) — One-Click-Präregistrierung aus Lapis Amber Survey heraus ist technisch sofort umsetzbar.