Kurz gesagt: Die Gioia-Methodik ist ein induktiver Ansatz zur qualitativen Analyse, vorgestellt von Dennis Gioia, Kevin Corley und Aimee Hamilton in Organizational Research Methods (2013). Forschende kodieren die Sprache der Informanten zu Konzepten erster Ordnung, gruppieren diese zu forscherzentrierten Themen zweiter Ordnung, verdichten diese zu aggregierten Dimensionen und entwickeln dann ein fundiertes Modell, das zeigt, wie die Konzepte zusammenhängen.
Wenn Sie eine induktive Interviewstudie in Management, Wirtschaftsinformatik, Entrepreneurship oder Organisationsforschung durchführen, wird ein Gutachter wahrscheinlich die „Datenstruktur“ sehen wollen. Diese Forderung geht auf die Gioia-Methodik zurück, eine der meistgenutzten Vorlagen, um qualitative Strenge in der Business-School-Forschung darzustellen.
\nDieser Leitfaden erklärt, was die Methode ist, und führt mit einem kurzen Beispiel durch die Schritte. Er behandelt außerdem die wichtigsten Kritikpunkte, die Sie kennen sollten, bevor Sie sich für sie entscheiden, und was aktuelle Forschung zur Nutzung großer Sprachmodelle für den Aufbau einer Gioia-Datenstruktur zeigt. Am Ende steht eine Checkliste für die Prüfung vor der Einreichung.
\n\nDie Gioia-Methodik ist ein systematischer Ansatz zur induktiven Konzeptentwicklung und zur Ausarbeitung fundierter Theorie. Sie wurde entwickelt, damit qualitative Arbeiten für Leser rigoros wirken, ohne dass ihre Fähigkeit, neue Konzepte sichtbar zu machen, verloren geht. Ihr charakteristisches Ergebnis ist eine dreistufige Datenstruktur, gefolgt von einem fundierten theoretischen Modell.
\nDie maßgebliche Darstellung ist Gioia, Corley und Hamilton, „Seeking Qualitative Rigor in Inductive Research: Notes on the Gioia Methodology“, Organizational Research Methods, Jg. 16, Nr. 1, S. 15–31 (2013). Der Ansatz geht auf frühere Arbeiten zurück, insbesondere auf Gioia und Chittipeddi aus dem Jahr 1991 zum strategischen Wandel an einer Universität. Im Jahr 2023 veröffentlichten Magnani und Gioia einen Anwendungsleitfaden für Forschende in internationaler Wirtschaft und Entrepreneurship in International Business Review (Jg. 32, Nr. 2, Artikel 102097). Er beschreibt drei Phasen: den Aufbau der Datenstruktur, den Aufbau des fundierten Modells und das Schreiben der Ergebnisse als überzeugende Erzählung.
\nZwei Annahmen liegen der Methode zugrunde. Erstens ist die organisationale Welt sozial konstruiert. Zweitens sind die Menschen, die diese Welt konstruieren, „kundige Akteure“, die ihre eigenen Gedanken, Absichten und Handlungen erklären können. Die Aufgabe der Forschenden ist es, diese Stimmen treu wiederzugeben und dann auf einer Ebene zu theoretisieren, die die Informanten selbst nicht verwenden würden.
\n\nJede Ebene beantwortet eine andere Frage, und die Verwechslung dieser Ebenen ist der häufigste Grund, warum Gutachter die Abbildung zurückweisen.
\n| Ebene | Sprache von | Was sie beantwortet | Typische Form |
|---|---|---|---|
| Konzepte erster Ordnung | Informantenzentriert | Was sagen die Teilnehmenden, möglichst nah an ihren eigenen Worten? | Kurze beschreibende Wendungen, am Anfang oft sehr viele |
| Themen zweiter Ordnung | Forscherzentriert | Welche Konzepte helfen, zu beschreiben und zu erklären, was hier vorgeht? | Theoretisch bedeutsame Bezeichnungen, teils aus der Literatur, teils neu |
| Aggregierte Dimensionen | Forscherzentriert | Welche übergeordneten Ideen fassen die Themen zusammen? | Wenige übergeordnete Dimensionen, die das Modell verankern |
Gioia und Kollegen beschreiben, dass Forschende, sobald sich die Themen zweiter Ordnung zu stabilisieren beginnen, zwischen den Daten und der Literatur hin- und herwechseln. Sie fragen, ob ein entstehendes Thema in der bestehenden Theorie bereits einen Namen hat oder ein neues Konzept ist. Dieses Hin und Her ist der Grund, warum die Methode oft als induktiv im Geist, in der Praxis aber als abduktiv beschrieben wird. Unser Leitfaden zur abduktiven Analyse erläutert diese Logik genauer.
\n\nSo beschreiben der Artikel von 2013 und der Leitfaden von 2023 die Methode, als Abfolge, der Sie folgen können. Verstehen Sie sie als Arbeitsreihenfolge und nicht als starres Rezept. Die Autoren selbst warnen davor, sie als Kochbuch zu benutzen.
\nBeginnen Sie mit einer klar formulierten Forschungsfrage, die Raum für Konzepte lässt, die Sie noch nicht benannt haben. Verwenden Sie halbstrukturierte Interviews, die es Informanten erlauben, Ereignisse in ihren eigenen Begriffen zu schildern, und passen Sie den Leitfaden an, sobald neue Konzepte auftauchen. Unser Leitfaden zu halbstrukturierten Interviews behandelt die Gestaltung des Interviewleitfadens.
\nKodieren Sie nah an den Begriffen der Informanten und widerstehen Sie früher Abstraktion. In dieser Phase entsteht eine große, unübersichtliche Liste. In-vivo-Codes passen hier gut (siehe In-vivo-Kodierung).
\nSuchen Sie nach Ähnlichkeiten und Unterschieden zwischen den Konzepten erster Ordnung und fassen Sie sie zu einer handhabbaren Menge zusammen. Geben Sie jeder Gruppe eine Bezeichnung oder Wendung, die für die Informanten wiedererkennbar bleibt.
\nFragen Sie, welche Konzepte die Muster beschreiben und erklären würden. Jetzt ziehen Sie die Literatur heran und achten besonders auf Themen, für die die bestehende Theorie keinen passenden Namen hat. Dies sind Ihre möglichen Beiträge.
\nWo es sinnvoll ist, fassen Sie die Themen zweiter Ordnung zu wenigen aggregierten Dimensionen zusammen. Zeichnen Sie die Abbildung der Datenstruktur: Konzepte links, Themen in der Mitte, Dimensionen rechts.
\nVerwandeln Sie die statische Struktur in ein dynamisches Modell, das zeigt, wie die Konzepte über die Zeit oder kausal zusammenhängen, mit Pfeilen, Phasen und Rückkopplungsschleifen. Ohne diesen Schritt ist eine Datenstruktur Beschreibung und keine Theorie.
\nVerwenden Sie in der Darstellung wenige anschauliche Zitate und legen Sie ausführlichere Belege in einer nach Themen geordneten Tabelle ab. Zeigen Sie dann den Lesern, wie jedes Thema mit dem Modell zusammenhängt.
\n\nStellen Sie sich eine Interviewstudie mit 25 Universitätsforschenden vor, die KI-Programmierwerkzeuge eingeführt haben. Das folgende Beispiel ist erfunden, um die Logik der Ebenen zu zeigen. Es stammt nicht aus einer veröffentlichten Studie.
\n| Konzepte erster Ordnung (Begriffe der Informanten) | Thema zweiter Ordnung | Aggregierte Dimension |
|---|---|---|
| „Ich lese jeden KI-Code noch einmal, bevor ich ihm traue“; „Ich prüfe, ob das Zitat wirklich im Transkript steht“ | Prüfroutinen | Kalibrierung des Vertrauens in die Maschine |
| „Für den ersten Durchgang ist es gut, für Themen nicht“; „Themen würde ich ihm nie benennen lassen“ | Begrenzte Delegation | |
| „Meine Betreuerin fragte, wer die Kodierung gemacht hat“; „Gutachter 2 wollte die Prompts sehen“ | Erwartete Prüfung durch das Publikum | Absicherung methodischer Legitimität |
| „Ich habe dazu einen Absatz im Methodenkapitel geschrieben“; „Ich habe ein Protokoll geführt, was die KI vorgeschlagen hat“ | Dokumentation der menschlichen Rolle |
Ein fundiertes Modell könnte dann vorschlagen, dass erwartete Prüfung Prüfroutinen antreibt und dass diese Routinen mit der Zeit den Spielraum begrenzter Delegation erweitern. Das Modell würde eine Aussage über einen Prozess treffen, die die statische Tabelle nicht treffen kann.
\n\nDas Forschungsteam von Qualitati hat diese Checkliste aus den in diesem Artikel genannten Quellen entwickelt. Verwenden Sie sie, bevor Sie ein Manuskript an einen Gutachter oder eine Betreuerin schicken. Jedes „Nein“ ist eine wahrscheinliche Überarbeitungsforderung.
\n| Nr. | Prüfpunkt | Warum es wichtig ist |
|---|---|---|
| 1 | Jedes Konzept erster Ordnung lässt sich auf mindestens ein Zitat in der Belegtabelle zurückführen | Zeigt, dass die Struktur in den Daten verankert ist und nicht behauptet wird |
| 2 | Die Bezeichnungen erster Ordnung verwenden die Sprache der Informanten, nicht Theoriebegriffe | Hält die informantenzentrierte und die forscherzentrierte Ebene getrennt |
| 3 | Jedes Thema zweiter Ordnung wird im Text in einem Satz definiert | Erlaubt Lesern zu beurteilen, ob Konzepte einheitlich gruppiert wurden |
| 4 | Sie benennen, welche Themen bestehenden Konzepten entsprechen und welche neu sind | Macht den theoretischen Beitrag explizit |
| 5 | Aggregierte Dimensionen sind wenige und klar voneinander getrennt | Verhindert ein Modell, das so allgemein ist, dass es nichts erklärt |
| 6 | Ein dynamisches fundiertes Modell folgt auf die Datenstruktur | Die statische Abbildung allein ist nicht der Beitrag |
| 7 | Abweichende oder negative Fälle werden berichtet | Beantwortet den Einwand, Vorlagen glätteten interpretative Spannungen |
| 8 | Wenn KI bei der Kodierung half, nennt der Methodenteil wo, wie und wie die Ergebnisse geprüft wurden | Lässt Leser die menschliche interpretative Rolle beurteilen |
Die Gioia-Methodik eignet sich gut, um Strenge darzustellen, garantiert aber keine Erkenntnis. Kennen Sie die Debatte, bevor Sie sich für sie entscheiden.
\nHinweis zur menschlichen Prüfung: Ob die Gioia-Methodik zu Ihrer Studie passt, hängt von Ihrer Erkenntnistheorie, Ihrem Fach und Ihrer Zielzeitschrift ab. Besprechen Sie die Wahl mit Ihrer Betreuerin, Ihrem Betreuer oder Ihren Koautorinnen und Koautoren.
\n\n| Kriterium | Gioia-Methodik | Grounded Theory (Glaser/Strauss/Charmaz) | Reflexive thematische Analyse |
|---|---|---|---|
| Hauptergebnis | Dreistufige Datenstruktur plus fundiertes Modell | Eine inhaltliche Theorie um eine Kernkategorie | Eine Menge von Themen, die eine Geschichte über die Daten erzählen |
| Rolle der Literatur | Wird eingebracht, sobald sich die Themen stabilisieren | Je nach Schule unterschiedlich; die klassische Version verschiebt sie | Flexibel; Theorie kann die Analyse durchgehend informieren |
| Charakteristisches Artefakt | Abbildung der Datenstruktur | Theoretische Memos und eine Kernkategorie | Themenkarte |
| Typisches Zuhause | Management, Wirtschaftsinformatik, Entrepreneurship | Soziologie, Pflegewissenschaft, Management | Psychologie, Gesundheit, Bildung |
Zum Kodierwortschatz hinter diesen Ansätzen siehe offenes, axiales und selektives Kodieren und thematische Analyse vs. Grounded Theory.
\n\nTeilweise. KI ist am nützlichsten auf der Ebene erster Ordnung und am wenigsten verlässlich auf der Ebene der aggregierten Dimensionen.
\nDie bislang deutlichsten Belege stammen von Laato, Mäntymäki, Kordyaka und Laato, „Automating Qualitative Data Analysis with Chain-of-Thought Reasoning Models: A Study with the Gioia Method“ (AMCIS 2025 Proceedings, veröffentlicht am 15. August 2025). Sie nutzten DeepSeek R1, um eine veröffentlichte Gioia-Analyse von 17 Experteninterview-Transkripten nachzubilden, und prüften mit der Levenshtein-Distanz, ob die vom Modell zurückgegebenen Zitate tatsächlich in den Transkripten vorkamen. Das Modell erzeugte Konzepte erster Ordnung, die denen der Originalstudie ähnelten, verlor aber einen Teil ihrer Bedeutung. Danach übergeneralisierte es: Es erzeugte Themen zweiter Ordnung und aggregierte Dimensionen, die die Autoren als ungenau und wenig informativ beurteilten.
\nDieses Muster deckt sich mit dem, was die breitere Forschung zur KI-gestützten qualitativen Kodierung zeigt (siehe wo KI-gestützte qualitative Kodierung scheitert). Eine praktische Arbeitsteilung:
\nQualitati ist eine europäische Plattform für qualitative Forschung für Universitäten und Forschungsunternehmen, die Datenschutz und die DSGVO als zentrale Prioritäten verfolgt. Für eine Studie im Gioia-Stil unterstützt sie die mechanischen Teile des Arbeitsablaufs und überlässt die interpretativen Schritte Ihnen:
\nQualitati zeichnet die Gioia-Datenstruktur oder das fundierte Modell nicht für Sie, und das sollte es auch nicht. Das ist der theoretische Beitrag.
\n\nNutzen Sie die Gioia-Methodik, wenn Sie induktiv und interviewbasiert Theorie entwickeln und auf Management-, Wirtschaftsinformatik- oder Entrepreneurship-Zeitschriften zielen, deren Gutachter eine Datenstruktur erwarten. Sie eignet sich auch für Doktorandinnen und Doktoranden, die einen transparenten, lehrbaren analytischen Nachweis brauchen.
\nVerzichten Sie darauf, wenn Ihre Studie deduktiv ist oder Hypothesen prüft, wenn Ihre Erkenntnistheorie gegen die Schilderungen der Informanten liest, wenn Ihr Ziel beschreibend und nicht theoriebildend ist oder wenn die Gutachter in Ihrem Fach reflexive thematische Analyse oder klassische Grounded Theory erwarten.
\n\nKonzepte erster Ordnung bleiben nah an den eigenen Worten der Informanten und beschreiben, was die Teilnehmenden sagen. Themen zweiter Ordnung sind forscherzentrierte Konzepte, die theoretisch erklären, was vorgeht. Aggregierte Dimensionen fassen die Themen zweiter Ordnung dann auf einer höheren Ebene zusammen.
\nNein. Sie greift auf Grounded Theory zurück, und Gioia und Kollegen beschreiben sie als eine Möglichkeit, Grounded Theory auszuarbeiten. Sie hat jedoch eigene Darstellungskonventionen, vor allem die dreistufige Datenstruktur und den Übergang zu einem dynamischen fundierten Modell. Außerdem zieht sie die Literatur hinzu, sobald sich die Themen zu stabilisieren beginnen.
\nDie Methode schreibt keine Zahl vor. Begründen Sie den Stichprobenumfang mit Sättigung oder Informationsmacht, wie bei jeder qualitativen Interviewstudie. Siehe unseren Leitfaden zum Stichprobenumfang in der qualitativen Forschung.
\nJedes QDA-Werkzeug, das hierarchische Codes unterstützt, funktioniert, darunter NVivo, ATLAS.ti, MAXQDA und der QDA Workspace von Qualitati. Die Abbildung selbst wird meist in einem Diagramm- oder Präsentationswerkzeug gezeichnet. Software ordnet die Codes, sie leistet die Abstraktion nicht.
\nNicht zuverlässig allein. Eine AMCIS-Studie aus dem Jahr 2025 fand, dass ein Reasoning-Modell angemessene Konzepte erster Ordnung, aber ungenaue, übergeneralisierte Themen zweiter Ordnung und aggregierte Dimensionen erzeugte. Nutzen Sie KI für Entwürfe und Abruf, und prüfen Sie jedes Zitat.
\nKritiker wie Mees-Buss, Welch und Piekkari (2022) argumentieren, dass die Verwendung als feste Vorlage interpretative Herausforderungen nicht löst und qualitative Forschung vereinheitlichen kann. Sie schlagen stattdessen hermeneutische Heuristiken statt vorgeschriebener Schritte vor.
\n\nDie Gioia-Methodik gibt induktiv arbeitenden Forschenden eine gemeinsame Sprache, um ihre Arbeit offenzulegen: Begriffe der Informanten, Themen der Forschenden, aggregierte Dimensionen und ein fundiertes Modell. Sinnvoll eingesetzt macht sie die Interpretation für Gutachter sichtbar. Mechanisch angewendet, wie Kritiker und Gioia selbst warnen, erzeugt sie ordentliche Abbildungen mit dünner Theorie. KI-Werkzeuge können das untere Ende der Datenstruktur beschleunigen, doch die höheren Ebenen und das Modell bleiben die Arbeit der Forschenden.
\nUm Ihre nächste Interviewstudie durchzuführen und an einem Ort zu kodieren, können Sie kostenlos mit 30 monatlichen Credits starten, ohne Kreditkarte. Die transparente Preisgestaltung gilt für größere Studien, oder vergleichen Sie Qualitati mit NVivo, ATLAS.ti und MAXQDA.
\n\nZuletzt aktualisiert: 2026-10-18.
\nVerfasst vom Forschungsteam von Qualitati. Methodische Aussagen werden den zitierten Quellen zugeordnet; bitte prüfen Sie sie anhand der Standards Ihres Fachs, bevor Sie sie in einer Abschlussarbeit oder Veröffentlichung verwenden.
\n\n\n","related":[{"slug":"what-is-abductive-analysis-qualitative-research-2026","title":"Was ist abduktive Analyse in der qualitativen Forschung?","description":"Abduktive Analyse entwickelt Theorie aus überraschenden Daten. Timmermans und Tavorys Schritte, abduktiv vs. induktiv vs. deduktiv und wo KI hilft.","category":"Qualitative Datenanalyse","date":"2026-10-17","readTime":"10 Min. Lesezeit","author":"Qualitati Research Team"},{"slug":"open-axial-selective-coding-2026","title":"Offenes, axiales und selektives Kodieren: Grounded Theory","description":"Offenes Kodieren benennt Konzepte, axiales verknüpft sie mit dem Paradigma, selektives integriert sie um eine Kernkategorie. Mit Beispielen und Checkliste.","category":"Qualitative Datenanalyse","date":"2026-09-24","readTime":"11 Min. Lesezeit","author":"Qualitati Research Team"},{"slug":"nvivo-alternatives-2026","title":"NVivo-Alternativen 2026: Vergleich der besten QDA-Tools","description":"Die besten NVivo-Alternativen 2026 im Vergleich: MAXQDA, ATLAS.ti, Dedoose und KI-native Tools mit Funktionen, Preisen und einer Wechsel-Scorecard.","category":"Qualitative Datenanalyse","date":"2026-06-17","readTime":"11 Min. Lesezeit","author":"Qualitati Research Team"}]}