Multi-Agenten-System zur qualitativen Inhaltsanalyse nach Mayring

Einsatz von Multi-AI-Agents zur automatisierten Auswertung qualitativer Forschungsdaten

David Derr, 1671753, derrdavid1@web.de

Dieses Projekt entstand im Rahmen der Bachelorarbeit "Einsatz von Multi-AI-Agents zur automatisierten Auswertung qualitativer Forschungsdaten" an der Hochschule Hannover unter Betreuung von Dr. Jan Andreas Hinderks.

Schnellstart

1. Umgebung einrichten:

   conda create -n openai python=3.13
   conda activate openai
   pip install -r requirements.txt

2. .env konfigurieren:

   • Trage deinen OpenAI API Key und einen gültigen VECTOR_STORE_ID in die .env-Datei ein:

     export OPENAI_API_KEY="your-key-here"
     export VECTOR_STORE_ID="dein-vector-store-id"

   • Der VECTOR_STORE_ID ist notwendig, um Interviewdaten hochzuladen und zu analysieren.

3. Interviewdaten hochladen:

   • Lege deine Interview-Textdateien im Ordner src/interview_files/ ab (z. B. als .txt).
   • Lade die Dateien mit src/utils/vector_store.py in deinen Vector Store hoch.
   • Erst nach erfolgreichem Upload können die Daten analysiert werden.

4. Analyse starten:

   python src/main.py

5. Ergebnisse ansehen:

   • Die segmentierten Texte, Kategorien und Kategoriensysteme sind über den Tracer von OpenAI oder Langsmith einsehbar.

System-Architektur

Das System basiert auf die folgenden spezialisierten Agenten:

Selector Agent

• Extrahiert relevante Textpassagen aus Interviews
• Verwendet Vector Store für effiziente Textsuche
• Input: Rohtexte
• Output: Segmentierte Textpassagen

Manager Agent

• Koordiniert den Analyseprozess
• Delegiert Aufgaben an spezialisierte Agenten
• Steuert den Workflow

Coder Agent

• Kodiert Textsegmente
• Erstellt initiales Kategoriensystem
• Input: Segmentierte Texte
• Output: Vorläufiges Kategoriensystem

Aggregator Agent

• Integriert neue Kategorien ins HauptKategoriensystem
• Harmonisiert Kategorien
• Input: Kategoriensystems
• Output: Konsolidiertes Kategoriensystem

Reviser Agent

• Prüft Qualität der Kategorien
• Gibt Verbesserungsvorschläge
• Input: Kategoriensystem
• Output: Revisionsfeedback

Konfiguration & Anpassung

• Agenten-Logik anpassen: Die Agenten befinden sich im Ordner src/agent/ und können dort individuell erweitert werden.
• Modelle & Parameter: Einstellungen für LLMs und Vektorsuche können in den jeweiligen Modulen (src/utils/, src/agent/) angepasst werden.

Technologien

• Python 3.13
• OpenAI Agents SDK (gpt-4.1)
• OpenAI Vector Store
• Pydantic