Forschungsfrage/Ziel:

In vielen Umfragen ist es üblich den Beruf mit offenen Fragen zu erheben. Nach der Befragung müssen diese Texte in eine Klassifikation mit hunderten Kategorien und tausenden Berufen eingeordnet (kodiert) werden. Diese Aufgabe ist nicht nur zeitaufwändig und daher teuer, sondern auch fehleranfällig. Wenn die Berufsbeschreibungen ungenau sind, ist die exakte Kodierung oft unmöglich.
Das Projekt zielte darauf ab, den Messprozess zu verbessern, indem Befragte bereits zum Zeitpunkt des Interviews ihren Beruf anhand einer geschlossenen Frage klassifizieren, unmittelbar nachdem sie in einer offenen Frage ihren Beruf beschrieben haben. Ein Machine-Learning-Algorithmus wurde trainiert, der eine kurze Liste möglicher Berufskategorien vorschlägt, aus der Befragte dann die passendste Kategorie auswählen können. Aufgrund des sorgfältigen Designs des Layouts, der Interaktion zwischen Interviewern und Befragten, sowie der Berufsbeschreibungen, mit deren Hilfe kommuniziert wird, ist eine einfache Bedienbarkeit des Instruments sichergestellt.
Das neue Instrument wurde in verschiedenen Bevölkerungsbefragungen getestet. Interviewer und Befragte haben keine Beschwerden bei der Nutzung des Instruments. Wir argumentieren, dass mit dem Instrument die Datenqualität steigt, da Befragte die für sie passendste Berufskategorie selbst auswählen. Eine detaillierte Analyse der Datenqualität hat sich jedoch als komplexer herausgestellt und ist daher Aufgabe zukünftiger Forschung.