Die Preisträger 2026 Preis der Deutschen Marktforschung - Nachwuchsforscher/in 2026 - BVM/VMÖ/SWISS INSIGHTS

Prämierte Dissertation
Decoding AI Influencers’ Effectiveness: Multimodal Insights for Social Media Marketing
Dr. Christina Okoutsidou, Universität Münster

KI-Influencer gewinnen zunehmend an Bedeutung in der digitalen Markenkommunikation und eröffnen neue Potenziale für Social Media Marketing. Gleichzeitig stellt sich die Frage, welche Faktoren ihre Effektivität bestimmen und wie sich ihre Wirkung systematisch erfassen lässt.

Der Vortrag basiert auf einer kumulativen Dissertation und gibt Einblicke in aktuelle Forschung zu KI-Influencern und zeigt, wie multimodale Analyseansätze dazu beitragen können, visuelle und sprachliche Gestaltungselemente in der digitalen Kommunikation differenzierter zu untersuchen. Im Fokus steht, wie unterschiedliche sensorische Reize die Wahrnehmung und Wirksamkeit von KI-Influencern beeinflussen können.

Damit verbindet der Vortrag aktuelle Entwicklungen im Social Media Marketing mit innovativen methodischen Perspektiven der Marktforschung und diskutiert, welche Erkenntnisse sich daraus für das Verständnis digitaler Markenkommunikation ableiten lassen.

AI for Survey Design: Generating and Evaluating Survey Questions with Large Language Models
Anna Fuchs, Ludwig-Maximilians-Universität

Fragen für Umfragen (sogenannte Survey-Items) zu entwerfen ist einfach – hingegen gute Survey-Items zu entwerfen, ist eine komplexe Aufgabe. Large Language Models (LLMs) bieten das Potenzial, den Prozess des Survey-Designs zu unterstützen, indem sie Teile der Item-Generierung automatisieren.

Diese Arbeit liefert die erste eingehende Analyse der LLM-basierten Survey-Item-Generierung und untersucht systematisch, wie verschiedene Designentscheidungen die Itemqualität beeinflussen. Fünf LLMs (GPT-4o, GPT-4o-mini, GPT-oss-20B, LLaMA 3.1 8B und LLaMA 3.1 70B) wurden eingesetzt, um Survey-Items zu vier inhaltlichen Themenbereichen zu generieren: Arbeit, Lebensbedingungen, nationale Politik und aktuelle Politik. Zusätzlich wurden drei Prompting-Strategien verglichen: Zero-Shot-Prompting, Role-Prompting und Chain-of-Thought-Prompting. Zur Beurteilung der Qualität der generierten Items wurde der Survey Quality Predictor (SQP) verwendet, eine webbasierte Software zur Schätzung der Fragequalität anhand der Kodierung formaler und sprachlicher Merkmale. Diese Merkmale wurden mithilfe eines LLM-gestützten Kodierungsverfahrens erfasst.

Die Ergebnisse zeigen deutliche Unterschiede in den Item-Eigenschaften zwischen den verschiedenen Modellen und den Prompting-Techniken. Sowohl die Wahl des Modells als auch die verwendete Prompting-Strategie beeinflussen die Qualität der generierten Items. Proprietäre GPT-Modelle erzeugen im Allgemeinen konsistentere Items als die Open-Source LLAMA-Modelle. Insgesamt erzielte Chain-of-Thought-Prompting die besten Ergebnisse. GPT-4o, GPT-4o-mini und LLaMA 3.1 70B erreichten eine vergleichbare Item-Qualität, wobei LLaMA 3.1 70B eine höhere Variabilität aufwies.

Die Masterarbeit wurde inzwischen zu einer wissenschaftlichen Publikation ausgearbeitet. Das daraus hervorgegangene Paper wurde zur Präsentation auf zwei Konferenzen angenommen und ist bereits als Preprint online verfügbar.

The User Made Me Do It! – Dynamisches Negative Campaigning im digitalen Umfeld: Evidenz aus der Twitter-Kommunikation der Kandidat:innen im Bundestagswahljahr 2021
Lucas Schwarz, Johannes Gutenberg-Universität Mainz

Warum wird der Ton in sozialen Netzwerken immer rauer? Die Masterarbeit von Lucas Schwarz untersucht unter dem Titel „The User Made Me Do It!“, inwiefern Kandidierende zur Bundestagswahl 2021 ihre politischen Kommunikationsstrategien auf Twitter (X) dynamisch an Anreize durch User-Feedback anpassten.

Methodisch nutzt die Arbeit zur Analyse von über 250.000 Tweets von über 500 Politiker/innen das eigens entwickelte Open-Source-Framework „zeroshot-engine“ (ZSE), welches komplexe Zero-Shot-Textklassifikationen mittels Large Language Models (LLMs) zuverlässig in Python automatisiert. Durch ein statistisches Mehrebenen-Regressions-Design mit zeitlich hochauflösenden „Incentive-Variablen“ konnte zudem ein direkter Lerneffekt der Kandidierenden isoliert werden.

Für den untersuchten Wahlkampf belegen die Ergebnisse einen digitalen „Vicious Cycle“: Da negative Angriffe auf Kontrahent/innen systematisch mehr Engagement (Likes, Retweets) erzielen als positive Botschaften, passen Kandidierende ihre Strategie rational an diese Belohnungsmuster an und erhöhen die Dosis an Negativität. Klassische Faktoren wie Umfragewerte verlieren gegenüber dieser plattformgetriebenen „Logic of Virality“ an Bedeutung. Die Arbeit verdeutlicht dabei die geteilte Verantwortung von Plattformen, Nutzerschaft und politischen Akteur:innen für die Verrohung des Diskurses.

Für die Praxis liefert die Arbeit zudem ein leistungsstarkes Instrumentarium aus KI-unterstützter Textklassifikation und angewandter Statistik, um die dynamische Wechselwirkung zwischen Kommunikation und Zielgruppenresonanz präzise messbar zu machen.