Manchmal liefern gerade die ungewöhnlicheren Personen die spannendsten Einblicke im Interview: Sie verwalten mehrere Accounts gleichzeitig, haben eine missglückte Migration überstanden oder nutzen ein Feature nicht mehr, das die restliche Community feiert. Beim Purposive Sampling (bewusste Stichprobenauswahl) wählt man gezielt Personen oder Fälle aus, weil genau deren Erfahrung Licht auf die Forschungsfrage werfen kann.
Es handelt sich um ein nicht-probabilistisches Verfahren, oft auch als Judgement Sampling bezeichnet. Die Auswahl folgt einer begründeten Absicht statt dem Zufallsprinzip. Das macht die Begründung so entscheidend: Forschende sollten klar erklären können, warum genau diese Teilnehmenden relevant waren und welche Fragen durch ihre Einbindung noch offenbleiben.
Die passende Variation für die Fragestellung wählen
Eine Studie kann Personen ansprechen, die ein bestimmtes Kriterium erfüllen, Fachwissen abfragen, gegensätzliche Bedingungen beleuchten oder sich auf Extremfälle konzentrieren. Diese Ansätze bedienen unterschiedliche Anforderungen. Maximale Variation hilft zu verstehen, wie sich ein Erlebnis je nach Kontext unterscheidet; ein Extremfall kann Hürden aufdecken, die bei typischen Fällen gar nicht erst auftreten würden.
Die Übersicht von BetterEvaluation zum Purposive Sampling beschreibt die Auswahl basierend auf Merkmalen, die für die Fragestellung entscheidend sind. In der Produktarbeit bedeutet das: Man rekrutiert passend zu der Handlung oder Entscheidung, die man untersucht – und stellt nicht einfach Leute mit wohlklingenden Jobtiteln zusammen.
Für ein fiktives Dienstplan-Tool könnte ein Team, das kurzfristige Schichtänderungen untersucht, Führungskräfte befragen, die kürzlich Ausfälle managen mussten, ebenso wie Mitarbeitende, die eingesprungen sind, und solche, die abgelehnt haben. Würde man nur die Manager befragen, die das Tool gekauft haben, erhielte man ein deutlich unausgewogeneres Bild des Prozesses.
Die Begründung der Auswahl nachvollziehbar machen
Definieren Sie Auswahlkriterien und die geplante Mischung der Fälle vor der Rekrutierung. Halten Sie fest, welche Unterschiede wichtig sind und warum. Nutzen Sie dann passende Screener, um relevante Vorerfahrungen abzufragen. Vermeiden Sie umständliche Nachweise, wenn eine gezielte Frage oder kurze Überprüfung völlig ausreicht.
Die Rekrutierung kann sich anpassen, sobald erste Erkenntnisse vorliegen. Zeigt ein Interview etwa, dass Aushilfskräfte auf ein ganz eigenes Problem stoßen, lohnt es sich, dem nachzugehen. Dokumentieren Sie solche Anpassungen und die Gründe dafür – so wird klar, dass es sich um eine bewusste Erweiterung handelt und nicht um das bloße Sammeln passender Bestätigungen.
Suchen Sie auch gezielt nach Fällen, die bisherige Erklärungsansätze infrage stellen könnten. Wenn alle Teilnehmenden nur ausgewählt wurden, weil sie dieselbe Hürde erlebt haben, lässt sich diese Hürde zwar gut beschreiben. Es fehlt dann aber die Grundlage, um einzuschätzen, wie weit verbreitet sie ist oder was passiert, wenn sie ausbleibt.
Reine Beschreibung und Hochrechnungen trennen
Sie können völlig korrekt berichten, dass vier von sechs Befragten einen Workaround nutzen. Dieser Anteil beschreibt jedoch nur diese spezifische Stichprobe. Eine bewusste Auswahl reicht nicht aus, um zu behaupten, dass zwei Drittel der gesamten Nutzerschaft so handeln. Für solche Verallgemeinerungen bräuchte es ein anderes Studiendesign oder explizite Modellannahmen samt passender Belege.
Qualitative Ergebnisse bieten dennoch einen echten Mehrwert über die unmittelbare Stichprobe hinaus: Detaillierte Einblicke in Kontexte, Abläufe und Konsequenzen helfen einzuschätzen, ob sich Erkenntnisse übertragen lassen. Generalisierbarkeit hängt von dieser fundierten Argumentation und weiteren Belegen ab – nicht von festen Regeln zur Stichprobengröße.
Legen Sie offen, wer gesucht wurde, wie die Rekrutierung ablief und wessen Perspektive fehlt. Wenn Sie Empfehlungen über Schneeballverfahren nutzen, bedenken Sie, wie soziale oder berufliche Netzwerke die Auswahl beeinflussen. Eine gezielte Auswahl schärft den Fokus der Forschung – die Transparenz darüber macht ihren Wert erst richtig greifbar.