Mixed-Method

Allgemeines und Begriffsbestimmung

Der Mixed-Methods-Forschungsansatz (kurz: Mixed Methods) bezeichnet eine Forschungsstrategie, die qualitative und quantitative Methoden in einem einzigen Forschungsvorhaben systematisch kombiniert, analysiert und integriert, um ein umfassenderes Verständnis eines Untersuchungsgegenstands zu erlangen, das mit einem monomethodischen Zugang allein nicht erreichbar wäre (Venkatesh et al., 2013; Creswell & Plano Clark, 2011). Dabei werden qualitative und quantitative Daten nicht lediglich nebeneinandergestellt, sondern auf Ebene des Forschungsdesigns, der Datenerhebung oder der Ergebnisinterpretation aktiv miteinander verknüpft (Venkatesh et al., 2013).

Mixed Methods gelten im angelsächsischen Wissenschaftsdiskurs mittlerweile als drittes methodologisches Paradigma, das die klassische Dualität von qualitativer und quantitativer Forschung produktiv überwindet (Kuckartz, 2014; Johnson & Onwuegbuzie, 2004). Während sich quantitative Verfahren erkenntnistheoretisch auf den Kritischen Rationalismus stützen und qualitative Verfahren dem Symbolischen Interaktionismus bzw. konstruktivistischen Positionen nahestehen, wird Mixed-Methods-Forschung philosophisch vorrangig im amerikanischen Pragmatismus – begründet durch Charles S. Peirce, William James und John Dewey – verankert (Kuckartz, 2014; Tashakkori & Teddlie, 2009). Der Pragmatismus erkennt wissenschaftliche Erkenntnis nicht als absolute Abbildung der Realität, sondern als Befähigung zur Problemlösung; Forschungsfragen und nicht epistemologische Vorentscheidungen leiten die Methodenwahl.

Allerdings ist die Zuschreibung eines eigenständigen Paradigmastatus nicht unumstritten: Kritische Stimmen warnen, dass eine pragmatisch begründete Mixed-Methods-Forschung die positivistischen Merkmale quantitativer Werkzeuge (z. B. standardisierte Fragebögen mit geschlossenen Antwortformaten) unreflektiert übernimmt und damit trotz des Anspruchs auf einen dritten Weg implizit positivistische Positionen reproduziert (Hampson & McKinley, 2023). Vor diesem Hintergrund empfiehlt sich eine sorgfältige methodologische Reflexion der eigenen epistemologischen Vorannahmen auch im Mixed-Methods-Kontext.

Qualitative und quantitative Methoden im Vergleich

Um die Logik des Mixed-Methods-Ansatzes zu verstehen, ist eine systematische Abgrenzung der beiden konstituierenden Methodenstränge hilfreich:

Qualitative Methoden (z. B. leitfadengestützte Interviews, Beobachtungen, Fokusgruppen, Grounded Theory, ethnographische Studien) zielen auf das Verstehen subjektiver Erfahrungen, Bedeutungskonstruktionen und sozialer Kontexte. Sie ermöglichen die Exploration komplexer Phänomene, die Generierung neuer Hypothesen und die Entwicklung von Theorien aus dem empirischen Material heraus. Ihre Stärken liegen in der konzeptuellen Tiefe und Kontextsensitivität; ihre Grenzen in der eingeschränkten statistischen Generalisierbarkeit (Creswell, 2003).

Quantitative Methoden (z. B. standardisierte Umfragen, Laborexperimente, statistische Längsschnitt- und Querschnittstudien) erlauben die strukturierte Erhebung numerischer Daten an großen Stichproben. Sie eignen sich zur Hypothesenprüfung, zur Identifikation statistisch signifikanter Zusammenhänge und Kausalbeziehungen sowie zur Erzielung repräsentativer, generalisierbarer Befunde. Ihre Stärken liegen in Präzision, Replizierbarkeit und Generalisierbarkeit; ihre Grenzen in der oft fehlenden Kontexttiefe und Subjektperspektive (Creswell, 2003).

Der Mixed-Methods-Ansatz integriert beide Perspektiven, um ihre Stärken zu kombinieren und ihre jeweiligen Schwächen zu kompensieren – nicht zu eliminieren. Entscheidend ist dabei, dass die Integration über eine bloße Nebeneinanderstellung hinausgeht und zu substanziellen Schlussfolgerungen führt, die keiner der beiden Einzelstränge allein hätte liefern können (Venkatesh et al., 2013).

Ziele und Erkenntnisinteressen

Die Entscheidung für einen Mixed-Methods-Ansatz sollte stets von einem klar begründeten Erkenntnisinteresse geleitet werden. Kuckartz (2014) empfiehlt, sich vorab folgende Leitfragen zu stellen: Welche Aspekte des Phänomens wären unzugänglich, wenn nur ein Methodenstrang eingesetzt würde? Und welchen konkreten Mehrwert verspricht die Integration beider Stränge gegenüber einer monomethodischen Anlage?

In der Literatur werden fünf zentrale Erkenntnisinteressen unterschieden, die Mixed-Methods-Designs motivieren können (Rubin, 2004; Kuckartz, 2014):

Triangulation: Validierung und wechselseitige Überprüfung der Ergebnisse beider Stränge – stimmen qualitative und quantitative Befunde überein, ergänzen sie sich, oder widersprechen sie einander? >

Komplementarität: Elaboration und Illustration der Ergebnisse eines Strangs durch den anderen, um ein reichhaltigeres Gesamtbild zu gewinnen. 

Entwicklung: Die Ergebnisse eines Strangs dienen der Weiterentwicklung des anderen, z. B. qualitative Befunde zur Konstruktion quantitativer Erhebungsinstrumente.

Initiation: Gezielte Suche nach Widersprüchen zwischen den Strängen, um neue Forschungsperspektiven zu eröffnen.

Expansion: Ausweitung der inhaltlichen Breite durch den Einsatz methodisch unterschiedlicher Stränge für verschiedene Teilfragen.

Design-Typen nach Creswell und Plano Clark (2011)

Creswell und Plano Clark (2011) unterscheiden sechs grundlegende Mixed-Methods-Designs. Die Wahl des Designs hängt unmittelbar von der Forschungsfrage, dem Erkenntnisinteresse und den verfügbaren Ressourcen ab (Creswell & Plano Clark, 2011):

Convergent Parallel Design: Qualitative und quantitative Daten werden gleichzeitig und unabhängig voneinander erhoben und anschließend zusammengeführt (merged), um die Befunde vergleichend zu interpretieren. Dieses Design eignet sich besonders für die Triangulation und Validierung.

Explanatory Sequential Design: Einer quantitativen Erstphase folgt eine qualitative Phase, die überraschende oder unklare quantitative Befunde vertieft und erklärt. Der qualitative Strang hilft, das „Warum" hinter statistischen Mustern zu verstehen.

Exploratory Sequential Design: Die qualitative Phase steht am Anfang und dient der Exploration eines wenig erforschten Phänomens. Ihre Ergebnisse leiten die anschließende quantitative Erhebung an – typischerweise bei der Entwicklung und Validierung neuer Messinstrumente oder Skalen.

Embedded Design: Ein untergeordneter Methodenstrang wird in ein übergeordnetes, dominantes Design eingebettet (z. B. qualitative Interviews innerhalb eines Experiments), ohne dass beide Stränge gleichwertig angelegt sind.

Transformative Design: Eines der vier Grunddesigns wird durch einen übergeordneten theoretischen oder ideologischen Rahmen (z. B. Critical Theory, feministische Theorie, Partizipationsforschung) angeleitet, der Forschungsziele und -fragen maßgeblich bestimmt. 

Multiphase Design: Mehrere sequenzielle oder parallele Phasen werden über einen längeren Zeitraum kombiniert, häufig in Forschungsprogrammen mit mehreren aufeinander aufbauenden Studien.

Datenanalyse und Integration: Mixing und Joint Displays

Ein zentraler – und in der Praxis oft unterschätzter – Schritt in Mixed-Methods-Studien ist die integrative Datenanalyse. Neben der jeweiligen Einzelanalyse der qualitativen und quantitativen Teilstudien kommt dem „Mixing" – der aktiven Verknüpfung beider Datenstränge – besondere Bedeutung zu (Kuckartz, 2014). Drei grundlegende Transformationsstrategien werden unterschieden:

Quantitizing: Qualitative Daten (z. B. Codierhäufigkeiten aus Interviewanalysen) werden in quantitative Variablen transformiert und statistisch weiterverarbeitet.

Qualitizing: Quantitative Daten (z. B. Skalenwerte oder Clustergruppen) werden qualitativ interpretiert und mit reichhaltigen Fallbeschreibungen unterlegt. 

Joint Displays: Qualitative und quantitative Ergebnisse werden in integrativen Darstellungen (z. B. Side-by-Side-Tabellen, Typologietabellen) parallel visualisiert und analysiert, um Konvergenzen, Komplementaritäten oder Widersprüche sichtbar zu machen (Guetterman, Creswell & Kuckartz, 2015). Software wie MAXQDA bietet seit langem dezidierte Funktionen für genau diese integrativen Analyseschritte.

Meta-Inferenzen als Qualitätsmerkmal

Das übergeordnete Qualitätsmerkmal einer Mixed-Methods-Studie sind Meta-Inferenzen (meta-inferences): substanzielle Schlussfolgerungen, die durch die Integration beider Methodenstränge entstehen und über die Einzelbefunde jedes Strangs hinausgehen (Venkatesh et al., 2013; Tashakkori & Teddlie, 2009). Venkatesh et al. (2013) haben für die Informationssystemforschung spezifische Leitlinien entwickelt, die drei Kernfragen adressieren: (1) Ist der Mixed-Methods-Ansatz für die jeweilige Forschungsfrage angemessen? (2) Wie werden aus den integrierten Befunden valide Meta-Inferenzen abgeleitet? (3) Wie wird die Qualität dieser Meta-Inferenzen bewertet und kommuniziert?

Zur Bewertung von Gütekriterien in Mixed-Methods-Studien schlagen Tashakkori und Teddlie (2009) das Konzept der inferential quality vor, das Aspekte wie design quality (Passung von Forschungsfrage und Design), interpretive rigor (Konsistenz der Schlussfolgerungen mit den Daten) und integrative efficacy (Grad der tatsächlichen Integration beider Stränge) umfasst.

Abgrenzung zur Triangulation

Mixed Methods werden in der Literatur häufig mit Triangulation gleichgesetzt – dies ist jedoch ungenau. Triangulation nach Denzin bezeichnet primär eine Validierungsstrategie, bei der dasselbe Phänomen aus verschiedenen Perspektiven beleuchtet wird, um die Zuverlässigkeit der Ergebnisse zu prüfen. Mixed-Methods-Designs können Triangulation einschließen, gehen aber konzeptuell weit darüber hinaus: Sie streben nicht nur Validierung, sondern auch Komplementarität, Entwicklung, Initiation und Expansion an; sie setzen zwingend die Integration qualitativer und quantitativer Daten voraus; und sie werden – anders als Triangulation – als eigenständiger methodologischer Ansatz diskutiert (Kuckartz, 2014). Methodentriangulation ist damit als ein mögliches, aber nicht notwendiges Element von Mixed-Methods-Studien zu verstehen.

Relevanz für die Wirtschaftsinformatik

In der deutschsprachigen Wirtschaftsinformatik (WI) sind Mixed-Methods-Designs vergleichsweise etabliert: Eine Analyse des WI-Methodenprofils zwischen 2007 und 2012 zeigte, dass 31 % der untersuchten Mehr-Methoden-Beiträge qualitative und quantitative Methoden kombinierten – ein deutlich höherer Anteil als im angloamerikanischen Information Systems Research (ISR), wo laut Venkatesh et al. (2013) weniger als 5 % der empirischen Publikationen auf ein Mixed-Methods-Design zurückgriffen (Schreiner, Hess & Benlian, 2015).

Venkatesh et al. (2013) leiteten in ihrer wegweisenden MIS Quarterly-Publikation explizite Leitlinien für IS-Forschende ab, die einen methodologisch robusten Einsatz von Mixed Methods ermöglichen sollen. Diese Leitlinien sind für soziotechnische Forschungsvorhaben besonders einschlägig – etwa zu Technologieakzeptanz (z. B. TAM-basierte Studien), digitaler Transformation, algorithmischer Entscheidungsunterstützung oder AI Governance –, da hier sowohl statistische Zusammenhangsmuster als auch subjektive Nutzungsperspektiven für ein vollständiges Bild des Phänomens unerlässlich sind (Venkatesh et al., 2013).

Kritische Würdigung und Grenzen des Ansatzes

Trotz seiner Vorzüge ist der Mixed-Methods-Ansatz mit substanziellen Herausforderungen verbunden, die bei der Forschungsplanung berücksichtigt werden sollten:

Methodenkompetenz: Mixed-Methods-Studien setzen fundierte Kenntnisse in beiden Methodentraditionen voraus. Forschende mit primärem Schwerpunkt in nur einem Strang laufen Gefahr, den anderen Strang handwerklich oder analytisch zu vernachlässigen. >

Zeit- und Ressourcenaufwand: Datenerhebung, -analyse und Integration zweier Stränge sind erheblich aufwendiger als monomethodische Studien; dies ist bei der Projektplanung realistisch einzukalkulieren. 

Integrationsproblem:  Die bloße Durchführung beider Teilstudien garantiert noch keine echte Integration. Wenn qualitative und quantitative Ergebnisse am Ende lediglich separat berichtet werden, wird der eigentliche Mehrwert des Ansatzes nicht realisiert (Kuckartz, 2014). 

Paradigmatische Inkohärenz: Die Verbindung von Methoden aus ontologisch inkompatiblen Paradigmen kann zu epistemologischen Widersprüchen führen, wenn die philosophischen Grundlagen der jeweiligen Methoden nicht reflektiert werden (Hampson & McKinley, 2023).

Literatur

• Venkatesh, V., Brown, S. A., & Bala, H. (2013). Bridging the qualitative–quantitative divide: Guidelines for conducting mixed methods research in information systems. MIS Quarterly, 37(1), 21–54. https://doi.org/10.25300/MISQ/2013/37.1.02
• Creswell, J. W., & Plano Clark, V. L. (2011). Designing and conducting mixed methods research (2nd ed.). SAGE.
• Creswell, J. W. (2003). Research design: Qualitative, quantitative, and mixed methods approaches (2nd ed.). SAGE.
• Tashakkori, A., & Teddlie, C. (2009). Foundations of mixed methods research: Integrating quantitative and qualitative approaches in the social and behavioral sciences. SAGE.
• Kuckartz, U. (2014). Mixed Methods: Methodologie, Forschungsdesigns und Analyseverfahren. Springer VS. https://doi.org/10.1007/978-3-531-93267-5
• Johnson, R. B., & Onwuegbuzie, A. J. (2004). Mixed methods research: A research paradigm whose time has come. Educational Researcher, 33(7), 14–26. https://doi.org/10.3102/0013189X033007014
• Hampson, T., & McKinley, J. (2023). Problems posing as solutions: Criticising pragmatism as a paradigm for mixed research. Studies in Second Language Acquisition. https://doi.org/10.1017/S0272263123000160
• Guetterman, T. C., Creswell, J. W., & Kuckartz, U. (2015). Using joint displays and MAXQDA software to represent the results of mixed methods research. In M. T. McCrudden, G. J. Schraw, & C. W. Buckendahl (Eds.), Use of visual displays in research and testing (pp. 145–176). Information Age Publishing.
• Schreiner, M., Hess, T., & Benlian, A. (2015). Gestaltungsorientierter Kern oder Tendenz zur Empirie? Zur neueren methodischen Entwicklung der Wirtschaftsinformatik (WIM Arbeitsbericht 1/2015). Ludwig-Maximilians-Universität München. https://epub.ub.uni-muenchen.de/96484/