Crowdsourcing-Forschung [Crowdsourced Research]

Last updated on Feb 19, 2026
Also available in: Arabic | English | Turkish
 

Definition: Die Crowdsourcing-Forschung ist ein Modell für die soziale Organisation der Forschung als groß angelegte Zusammenarbeit, bei der ein oder mehrere Forschungsprojekte von mehreren Teams auf unabhängige und koordinierte Weise durchgeführt werden. Crowdsourcing-Forschung zielt darauf ab, durch die Bündelung von Ressourcen, die Förderung von Transparenz und sozialer Inklusion Effizienz und Skalierbarkeit zu erreichen und die Genauigkeit, Zuverlässigkeit (Reliabilität) und Vertrauenswürdigkeit durch die Verbesserung der statistischen Teststärke (Power) und gegenseitiger sozialer Abstimmung zu erhöhen. Sie steht im Gegensatz zum traditionellen Modell der akademischen Forschungsproduktion, das von der unabhängigen Arbeit einzelner Forschenden oder kleiner Forschendengruppen (“small science”) dominiert wird. Beispiele für Crowdsourcing-Forschung sind sogenannte “Many Labs”-Replikations-Studien (Klein et al., 2018), “Many Analysts, One Dataset”-Studien (Silberzahn et al., 2018), verteilte kollaborative Netzwerke (Moshontz et al., 2018) und offene kollaborative Schreibprojekte wie Massively Open Online Papers (MOOPs) (Himmelstein et al., 2019; Tennant et al., 2019). Alternativ kann sich Crowdsourcing-Forschung auf den Einsatz einer großen Anzahl von “Crowdforschenden” bei der Datenerhebung beziehen, die über Online-Arbeitsmärkte wie Amazon Mechanical Turk oder Prolific angeheuert werden, zum Beispiel bei Inhaltsanalyse (Benoit et al., 2016; Lind et al., 2017) oder experimenteller Forschung (Peer et al., 2017). Crowdsourcing-Forschung, die sowohl offen für die Teilnahme als auch offen für gemeinsame Zwischenergebnisse ist, wird als Crowd Science bezeichnet (Franzoni & Sauermann, 2014).

Verwandte Begriffe: Citizen science, Collaboration, Crowdsourcing, Team science

Referenzen:

  • Benoit, K., Conway, D., Lauderdale, B. E., Laver, M., & Mikhaylov, S. (2016). Crowd-sourced text analysis: Reproducible and agile production of political data. American Political Science Review, 110(2), 278–295. https://doi.org/10.1017/S0003055416000058
  • Breznau, N. (2021). I saw you in the crowd: Credibility, reproducibility, and meta-utility. PS: Political Science & Politics, 54(2), 309–313. https://doi.org/10.1017/S1049096520000980
  • Franzoni, C., & Sauermann, H. (2014). Crowd science: The organization of scientific research in open collaborative projects. Research Policy, 43(1), 1–20. https://doi.org/10.1016/j.respol.2013.07.005
  • Himmelstein, D. S., Rubinetti, V., Slochower, D. R., Hu, D., Malladi, V. S., Greene, C. S., & Gitter, A. (2019). Open collaborative writing with Manubot. PLOS Computational Biology, 15(6), e1007128. https://doi.org/10.1371/journal.pcbi.1007128
  • Klein, R. A., Vianello, M., Hasselman, F., Adams, B. G., Adams, R. B., Alper, S., & … Nosek, B. A. (2018). Many Labs 2: Investigating Variation in Replicability Across Samples and Settings. Advances in Methods and Practices in Psychological Science, 1(4), 443–490. https://doi.org/10.1177/2515245918810225
  • Lind, F., Gruber, M., & Boomgaarden, H. G. (2017). Content analysis by the crowd: Assessing the usability of crowdsourcing for coding latent constructs. Communication Methods and Measures, 11(3), 191–209. https://doi.org/10.1080/19312458.2017.1317338
  • Moshontz, H., Campbell, L., Ebersole, C. R., IJzerman, H., Urry, H. L., Forscher, P. S., & Chartier, C. R. (2018). The Psychological Science Accelerator: Advancing psychology through a distributed collaborative network. Advances in Methods and Practices in Psychological Science, 1(4), 501–515. https://doi.org/10.1177/2515245918797607
  • Peer, E., Brandimarte, L., Samat, S., & Acquisti, A. (2017). Beyond the Turk: Alternative platforms for crowdsourcing behavioral research. Journal of Experimental Social Psychology, 70, 153–163. https://doi.org/10.1016/j.jesp.2017.01.006
  • Silberzahn, R., Uhlmann, E. L., Martin, D. P., Anselmi, P., Aust, F., Awtrey, E., Bahník, Š., Bai, F., Bannard, C., Bonnier, E., & others. (2018). Many Analysts, One Data Set: Making Transparent How Variations in Analytic Choices Affect Results. Advances in Methods and Practices in Psychological Science, 337–356. https://doi.org/10.1177/2515245917747646
  • Stewart, N., Chandler, J., & Paolacci, G. (2017). Crowdsourcing samples in cognitive science. Trends in Cognitive Sciences, 21(10), 736–748. https://doi.org/10.1016/j.tics.2017.06.007
  • Tennant, J., Bielczyk, N. Z., Cheplygina, V., Greshake Tzovaras, B., Hartgerink, C. H. J., Havemann, J., Masuzzo, P., & Steiner, T. (2019). Ten simple rules for researchers collaborating on Massively Open Online Papers (MOOPs). MetaArXiv. https://doi.org/10.31222/osf.io/et8ak
  • Uhlmann, E. L., Ebersole, C. R., Chartier, C. R., Errington, T. M., Kidwell, M. C., Lai, C. K., McCarthy, R. J., Riegelman, A., Silberzahn, R., & Nosek, B. A. (2019). Scientific utopia III: Crowdsourcing science. Perspectives on Psychological Science, 14(5), 711–733. https://doi.org/10.1177/1745691619850561
  • Week, C. (2021). What is Crowdsourcing? https://crowdsourcingweek.com/what-is-crowdsourcing/

Verfasst und Überprüft von: Eike Mark Rinke, Ali H. Al-Hoorie, Sam Parsons, Charlotte R. Pennington, Suzanne L. K. Stewart, Flávio Azevedo