Synthetische Teilnehmende und digitale Zwillinge in der Forschung: Nutzen, Grenzen und Ethik (2026)

Geschrieben von Fengming Liu (UCL) · Geprüft von Prof. Shubin Yu (HEC Paris) · May 2026 · Aktualisiert: 2026-05-30 · 16 min read

Stellen Sie sich vor, Sie testen Ihren Interviewleitfaden an einem Panel von Teilnehmenden vor, die nie ermüden, sofort antworten und nichts kosten — bevor Sie eine einzige reale Person rekrutieren. Das ist der Reiz synthetischer Teilnehmender. Es ist auch der Punkt, an dem Forschende am meisten einen klaren Kopf brauchen, denn dieselbe Technologie, die ein nützliches Probewerkzeug ergibt, kann still und leise Erkenntnisse herstellen, die echt aussehen, aber es nicht sind.

Dieser Leitfaden erklärt synthetische Teilnehmende und digitale Zwillinge für Forschende: was sie sind, wie sie gebaut werden, die legitimen Einsätze, die harten Grenzen und die Ethik. Er baut auf unserem Leitfaden GenAI-gestützte qualitative Forschung auf, der den breiteren Arbeitsablauf behandelt.

Was sind synthetische Teilnehmende und digitale Zwillinge?

Synthetische Teilnehmende sind KI-generierte Personas — angetrieben von großen Sprachmodellen —, die simulieren, wie eine Person mit einem gegebenen Hintergrund auf Forschungsfragen antworten könnte. Digitale Zwillinge sind eine spezifische, datengestützte Art: KI-Personas, die aus den eigenen Interviewtranskripten oder Dokumenten einer realen Einzelperson gebaut werden, sodass der Zwilling neue Fragen auf eine Weise beantwortet, die auf diese Person kalibriert ist. Beide lassen Forschende eine:n „Teilnehmende:n“ abfragen, ohne Menschen zu rekrutieren oder erneut zu rekrutieren.

Die entscheidende Unterscheidung ist ihre Verankerung. Eine generische synthetische Persona wird aus einer demografischen Beschreibung und den Trainingsdaten des Modells konstruiert; ein digitaler Zwilling ist in echten Daten einer bestimmten Person verankert. Zwillinge sind tendenziell getreuer — aber keiner von beiden ist ein Ersatz für frische menschliche Daten.

Schlüsselbegriffe

Synthetische:r Teilnehmende:r / KI-Persona — ein Modell, das angeleitet wird, eine beschriebene Person oder ein Segment zu verkörpern.
Digitaler Zwilling — eine Persona, die aus den früheren Antworten einer realen Einzelperson abgeleitet wird und für Folgefragen genutzt wird.
Synthetische Fokusgruppe — mehrere KI-Personas, die gemeinsam ein Thema diskutieren, um vielfältige Perspektiven und Spannungen vor der Feldarbeit zutage zu fördern.
„Silicon Sampling“ — die umstrittene Idee, LLM-generierte Antworten als Stellvertreter für Umfrage- oder Interviewstichproben zu verwenden.

Wie werden sie erstellt?

Es gibt zwei grundlegende Wege:

Aus einer Persona-Spezifikation — Sie beschreiben Demografie, Einstellungen und Kontext, und das Modell verkörpert diese Person. Schnell und flexibel, aber nur so verankert wie die Beschreibung und die Vorannahmen des Modells.
Aus echten Daten (digitale Zwillinge) — Sie liefern die tatsächlichen Transkripte oder Dokumente einer/eines Teilnehmenden, und das System baut einen Zwilling, der neue Fragen konsistent mit dem beantwortet, was diese Person tatsächlich gesagt hat. Dies ist der besser zu verteidigende Ansatz für Folgeforschung, und Plattformen hängen zunehmend einen Kalibrierungswert an, der schätzt, wie genau der Zwilling der realen Quelle entspricht.

Wo sie wirklich helfen

Instrumente pilotieren — einen Interviewleitfaden oder eine Umfrage vor der Feldarbeit auf verwirrende oder suggestive Fragen prüfen.
Hypothesen abstecken — die grobe Form eines Fragefelds erkunden, um Ihr Design zu schärfen.
Moderation proben — Nachfragen und Gesprächsfluss gegen eine synthetische Fokusgruppe üben.
Ideengenerierung — Blickwinkel, Spannungen und Gegenargumente zutage fördern, die Sie nicht bedacht hatten.
Folgefragen zu bestehenden Daten (Zwillinge) — neue Fragen an digitale Zwillinge stellen, die aus abgeschlossenen Interviews gebaut wurden, ohne Teilnehmende erneut zu kontaktieren, und die vielversprechendsten Erkenntnisse dann mit echten Folgegesprächen validieren.

Wo sie zu kurz greifen — und die Risiken

Risiko	Was schiefgeht
Keine echten Belege	Synthetische Antworten spiegeln die Vorannahmen eines Modells wider, nicht gelebte Erfahrung; sie können das wirklich Unerwartete nicht entdecken.
Verzerrung und Homogenisierung	Modelle ebnen Vielfalt ein und können Gruppen stereotypisieren, besonders unterrepräsentierte.
Hergestellter Konsens	Personas stimmen einander womöglich zu bereitwillig zu und erfinden ein falsches Gefühl von Übereinstimmung.
Verborgene Halluzination	Flüssige, selbstbewusste Antworten können vollständig erfunden sein.
Ethische Falschdarstellung	Synthetische Daten als menschliche Daten auszugeben, ist ein Verstoß gegen die Forschungsintegrität.

Synthetische Teilnehmende sind ein Proberaum, keine Bühne. Sie können Ihnen helfen, sich vorzubereiten, zu pilotieren und zu erkunden — aber Schlussfolgerungen über reale Menschen müssen auf Daten von realen Menschen beruhen.

Digitale Zwillinge vs. generische synthetische Personas

Aspekt	Digitaler Zwilling	Generische synthetische Persona
Verankerung	Die eigenen Daten einer realen Person	Eine Beschreibung + Vorannahmen des Modells
Treue	Höher und über Kalibrierung messbar	Niedriger und schwerer zu verifizieren
Bester Einsatz	Folgefragen zu bestehenden Teilnehmenden	Frühe Ideenfindung und Pilotierung
Hauptrisiko	Dem Zwilling über seine Quelle hinaus zu sehr vertrauen	Stereotypisierung und Halluzination

Validität und Kalibrierung

Die zentrale Frage lautet stets: Wie gut entspricht die synthetische Antwort dem, was eine reale Person sagen würde? Kalibrierung begegnet dem, indem sie die Ausgaben von Zwillingen oder Personas mit zurückgehaltenen echten Daten vergleicht und die Übereinstimmung bewertet. Ein hoher Kalibrierungswert baut Zuversicht für den explorativen Einsatz auf; er erlaubt es niemals, synthetische Ausgabe als primären Beleg zu behandeln. Validieren Sie folgenreiche Erkenntnisse stets gegen reale Teilnehmende.

Ethischer Einsatz und Offenlegung

Niemals falsch darstellen — synthetische Daten müssen in jedem Bericht oder jeder Veröffentlichung als synthetisch gekennzeichnet werden.
Einwilligung für Zwillinge — das Bauen eines digitalen Zwillings aus den Daten einer Person sollte von einer informierten Einwilligung gedeckt sein.
Gegen Verzerrung absichern — prüfen, dass Personas die Gruppen, die sie repräsentieren, nicht karikieren.
Methoden offenlegen — angeben, wie und wo synthetische Teilnehmende eingesetzt wurden, einschließlich Modellen und Prompts.
Menschen ins Zentrum stellen — synthetische Methoden nutzen, um reale Forschung zu unterstützen, nicht um die Auseinandersetzung mit realen Menschen zu vermeiden.

Best Practices

Nutzen Sie synthetische Teilnehmende zur Vorbereitung und Erkundung, nicht als endgültigen Beleg.
Bevorzugen Sie datengestützte digitale Zwillinge gegenüber generischen Personas für alles Folgenreiche.
Kalibrieren und validieren Sie gegen echte Daten, bevor Sie einem Ergebnis vertrauen.
Kennzeichnen und legen Sie offen, alle synthetischen Daten transparent.
Achten Sie auf Verzerrung und falschen Konsens in jeder Ausgabe.

Werkzeuge

Einige KI-Forschungsplattformen bauen diese Methoden nun direkt ein. QualiTaTis Synthetic Focus Group führt Multi-Agenten-Persona-Diskussionen, um eine Frage vor der Feldarbeit zu erkunden, und sein Digital Twin Panel extrahiert Personas aus abgeschlossenen Interviews oder Dokumenten und hängt Kalibrierungsbewertung an — sodass Folgefragen an echten Quelldaten verankert bleiben.

Ein durchgearbeitetes Beispiel

Design — vor der Rekrutierung eine synthetische Fokusgruppe aus fünf Personas durchführen, um Ihren Leitfaden zu pilotieren und suggestive Fragen aufzuspüren.
Feldarbeit — 20 echte Interviews führen und sie normal analysieren.
Folgefragen — digitale Zwillinge aus diesen 20 Transkripten bauen und eine neue Frage stellen, die während der Analyse aufkam.
Validieren — Kalibrierungswerte prüfen und dann die wichtigsten aus Zwillingen abgeleiteten Erkenntnisse mit einigen echten Teilnehmenden bestätigen.
Berichten — echte Erkenntnisse als primär präsentieren und jede synthetische Erkundung klar als solche kennzeichnen.

Zentrale Erkenntnisse

Synthetische Teilnehmende sind KI-Personas; digitale Zwillinge sind Personas, die in den eigenen Daten einer realen Person verankert sind.
Sie sind wertvoll für Pilotierung, Absteckung, Probe, Ideenfindung und verankerte Folgefragen — nicht als Ersatz für menschliche Daten.
Zu den Risiken zählen Verzerrung, Homogenisierung, falscher Konsens und Halluzination.
Kalibrierung schätzt die Treue; folgenreiche Erkenntnisse müssen dennoch gegen reale Teilnehmende validiert werden.
Kennzeichnen Sie synthetische Daten stets und legen Sie offen, wie sie eingesetzt wurden.

Häufig gestellte Fragen

Was ist ein:e synthetische:r Teilnehmende:r?

Ein:e synthetische:r Teilnehmende:r ist eine KI-generierte Persona, angetrieben von einem großen Sprachmodell, die simuliert, wie eine Person mit einem gegebenen Hintergrund auf Forschungsfragen antworten könnte — nützlich für Pilotierung und Erkundung, aber keine Quelle echter Belege.

Was ist ein digitaler Zwilling in der Forschung?

Ein digitaler Zwilling ist eine KI-Persona, die aus den eigenen Interviewtranskripten oder Dokumenten einer realen Einzelperson gebaut wird und es Forschenden erlaubt, dieser/diesem „Teilnehmenden“ neue Folgefragen zu stellen, ohne sie erneut zu rekrutieren. Zwillinge sind getreuer als generische Personas und können gegen die Quelldaten kalibriert werden.

Können synthetische Teilnehmende reale Teilnehmende ersetzen?

Nein. Sie spiegeln die Vorannahmen eines Modells wider statt gelebter Erfahrung und können Verzerrung, falschen Konsens und Halluzination einbringen. Sie unterstützen Vorbereitung und Erkundung, aber Schlussfolgerungen über reale Menschen erfordern Daten von realen Menschen.

Sind synthetische Fokusgruppen nützlich?

Ja, zur Probe und Ideenfindung. Mehrere KI-Personas in Diskussion laufen zu lassen, kann vor der Feldarbeit Spannungen, Gegenargumente und Blickwinkel zutage fördern und Ihnen helfen, Ihr Design zu verfeinern — vorausgesetzt, Sie behandeln die Ausgabe nicht als echte Konsumenten- oder Teilnehmendendaten.

Ist es ethisch, synthetische Teilnehmende einzusetzen?

Es kann es sein, bei transparentem Einsatz: synthetische Daten als synthetisch kennzeichnen, Einwilligung einholen, bevor digitale Zwillinge aus echten Daten gebaut werden, auf Verzerrung prüfen und niemals synthetische Antworten als menschliche Erkenntnisse darstellen.

Was ist Kalibrierung und warum ist sie wichtig?

Kalibrierung vergleicht die Antworten einer synthetischen Persona oder eines Zwillings mit echten Daten und bewertet, wie genau sie übereinstimmen. Sie zeigt an, wie viel Zuversicht man in synthetische Ausgabe für den explorativen Einsatz setzen sollte — aber sie macht synthetische Daten niemals zu einem Ersatz für echte Belege.