Systematische Prompt-Entwicklung für KI-gestützte Inhaltsanalysen: Hohenheimer Forschende stellen neue Methode vor [14.07.26]
Lässt sich die Konstruktion von Prompts für LLM-basierte Codierungen systematisch und transparent gestalten? Andreas Reich (540C), Dr. Claudia Thoms (540C) und Tobias Schrimpf (540A) beantworten diese Frage in der Fachzeitschrift Communication Methods and Measures mit einer neuen Methode: der „Hohenheim Automated LLM Coding pipeline“, kurz HALC.
LLMs werden zunehmend für automatisierte Codierungen eingesetzt, doch ihre Zuverlässigkeit hängt stark vom Prompt-Design ab. Kleinste Änderungen können große Effekte haben. Bislang fehlt es an systematischen Workflows: Forschende optimieren Prompts oft durch aufwendiges, nicht reproduzierbares Ausprobieren.
HALC verbindet bewährte Standards der manuellen Inhaltsanalyse mit systematischer Prompt-Entwicklung. Die Pipeline dient der gezielten Erweiterung menschlich codierter Analysen. Statt zufällig den „besten“ Prompt zu suchen, identifiziert HALC verlässliche Prompts durch ein regelbasiertes Vorgehen. Das trägt zur Transparenz des Prozesses bei, da HALC eine gezielte Dokumentation aller Entscheidungen ermöglicht.
Die Studie richtet sich an Forschende in den Computational Social Sciences und zeigt, wie LLMs reproduzierbar und wissenschaftlich fundiert in der Inhaltsanalyse eingesetzt werden können.
Hier geht es zum Open-Access-Artikel.
Zitation:
Reich, A., Thoms, C., & Schrimpf, T. (2026). Introducing HALC: a general pipeline for the systematic and reliable construction of prompts for automated coding with LLMs in the computational social sciences. Communication Methods and Measures. Online-Vorveröffentlichung. https://doi.org/10.1080/19312458.2026.2693637
