Surveys are a commonly used method in UX research to quickly gather quantifiable data. However, surveys can reach their limits when it comes to gaining deeper insights into user experiences. In contrast, qualitative interviews provide deeper insights while requiring more time effort in both data collection and analysis. This paper presents three practice-tested approaches as an exploration of the question how to efficiently combine depth and quantification of insights: a) AI-generated formula for keyword detection with Airtable, b) AI-detected clusters with Miro, and c) AI-moderated interviews and AI generated analysis report with ListenLabs. The content is relevant for UX professionals who wish to make their research processes scalable and efficient.

Beim Projekt Helikon, das sich aktuell in der Pilotphase befindet, handelt es sich um ein transformatives, KI-gesteuertes Bildungsmodell, das den MINT-Unterricht in berufsbildenden höheren Schulen in Österreich durch adaptive, datengestützte Unterrichtstechnologien verbessern soll. Im Mittelpunkt steht ein iteratives Framework, das künstliche Intelligenz, Content and Language Integrated Learning (CLIL) und Beiträge aus der realen Industrie nahtlos integriert, um personalisierte und kontextuell reichhaltige Lernerfahrungen zu schaffen. Die Herausforderung für UX im Projekt ist eine hohe Diversität in den Ausbildungsschwerpunkten in Kombination mit unterschiedlichen KI-Kompetenzen der Lehrenden, dem schnellen technologischen Wandel und konkreten Erfordernissen, die Lehrende und Lernende wirklich in ihrer täglichen Arbeit unterstützen. Fragestellungen sind: Was macht eine Lehrperson aus? Was kann eine KI übernehmen und wo steht der Mensch mit seiner fachlichen Kompetenz in diesem System?