agentleFS
kayspiegelkayspiegel/survey-insight-skills/.agents/skills/freitext-themen/SKILL.md

freitext-themen

Skill2 starsChanged 3 months agoMITView on GitHub

Codiert offene Freitext-Antworten einer Umfrage-CSV systematisch: Themencluster mit Häufigkeit, Pain Points vs. Lob, repräsentative Zitate. Wertet ALLE Antworten aus (nicht nur eine Stichprobe). Ergebnis als Markdown nach reports/. Nutzen für qualitative Auswertung offener Fragen / Verbatims. Aufruf mit der Anfrage als Argument, z. B. /freitext-themen <Spalte/Frage> [+ Fokus].

The file

Files
SKILL.md

Freitext-Themenanalyse

Ziel: Die offenen Antworten der in der Anfrage des Nutzers genannten Frage/Spalte systematisch codieren — Themen bilden, ihre Häufigkeit auszählen, mit Zitaten belegen. Es geht um qualitative Tiefe über den vollständigen Datensatz. Ergebnis nach reports/.

Werkzeug

python3 scripts/survey.py <cmd> [...] [--file CSV]

Aus dem Projekt-Root ausführen. Fehlt scripts/survey.py, unter .claude/scripts/survey.py nachsehen oder survey.py im Projekt suchen.

  • profile — Spaltenüberblick; identifiziert FREITEXT-Spalten (immer zuerst).
  • text COL [--filter "COL=WERT"] — alle Antworten der Spalte ausgeben (kein --sample, damit nichts übersehen wird). --json für saubere Weiterverarbeitung.
  • text COL --filter ... — Freitext einer Teilgruppe (z. B. nur tägliche Nutzer).

COL = Index (aus profile) oder eindeutiger Namensteil.

Umfrage-Kontext

Liegt neben der CSV ein Kontextdokument (<name>.context.md, bei genau einer CSV im Ordner auch survey-context.md), vor dem Codieren lesen. Der praktische Gewinn ist hier das Glossar: Befragte schreiben in internen Kürzeln, Feature-Namen und Abkürzungen — ohne Glossar liest du sie falsch oder zerlegst ein Thema in mehrere. Die Umstände der Feldzeit erklären Ausschläge: Ein Release oder ein Ausfall während der Feldzeit taucht als Thema auf und sollte auch so benannt werden, nicht als dauerhafte Beschwerde.

Trotzdem bottom-up codieren: Die Themen kommen aus den Antworten, nie aus dem Vokabular des Kontextdokuments und nie aus dem, was jemand erwartet hat. Dort genannte Erwartungen sind Prüfgegenstand, nie Beleg — kein Thema aufblasen, weil es erwartet wurde, und keines weglassen, weil es nicht erwartet wurde. Die Rekrutierungsgrenzen („Wer fehlt") in die Methodik übernehmen. Gibt es kein solches Dokument, wie bisher vorgehen und am Ende einmal auf umfrage-kontext hinweisen.

Vorgehen

  1. Profilieren, Ziel-Freitextspalte festlegen. Befüllungsgrad notieren (wie viele haben geantwortet? die Nicht-Antwortenden sind Teil der Wahrheit).
  2. Alle Antworten laden mit text COL (ohne --sample). Bei sehr vielen Antworten in mehreren Durchläufen/„chunks" lesen, damit keine verloren geht.
  3. Codieren (Bottom-up). Wiederkehrende Themen/Codes bilden, Synonyme zusammenfassen. Jede Antwort kann mehreren Themen zugeordnet sein. Nennungen je Thema zählen (ungefähre Häufigkeit, transparent als Schätzung kennzeichnen).
  4. Strukturieren. Themen nach Häufigkeit ordnen; wo sinnvoll trennen in Pain Points (Probleme/Wünsche) vs. Lob/geschätzte Aspekte vs. Neutral/Verhalten.
  5. Belegen. Je Thema 1–2 wörtliche Kurzzitate (unverändert, ggf. gekürzt mit […]).
  6. Report speichern nach reports/ (date +%F + kebab-Titel, nicht überschreiben) und Top-Themen + Pfad in der Antwort nennen.

Report-Format

# Freitext-Themen: <Frage>

**Datenbasis:** <Datei> · Antworten n = <befüllt> von <gesamt> · <Datum>

## Überblick
2–3 Sätze: Was dominiert? Grundtenor (positiv/kritisch/gemischt)?

## Themen (nach Häufigkeit)
### 1. <Thema> — ~<N> Nennungen
Kurzbeschreibung. Beleg: „<wörtliches Zitat>" · „<Zitat 2>"

### 2. …

## Pain Points vs. geschätzte Aspekte
Kompakte Gegenüberstellung der wichtigsten Kritik-/Wunsch- und Lob-Themen.

## Implikationen
Was folgt daraus für Produkt/UX/Priorisierung?

## Methodik
Ausgewertete Spalte, Grundgesamtheit, Codierlogik und — aus dem Umfrage-Kontext — wer
befragt wurde und wer nicht erreicht werden konnte. Nennungszahlen sind qualitative
Schätzungen (Antworten können mehreren Themen angehören).

Regeln

  • Vollständigkeit vor Bequemlichkeit: alle Antworten sichten, nicht nur eine Stichprobe.
  • Zitate wörtlich übernehmen (keine Glättung/Erfindung); nur mit […] kürzen.
  • Nennungszahlen ehrlich als Näherung kennzeichnen — es ist qualitative Codierung.
  • Nicht-Antwortende und niedrigen Befüllungsgrad erwähnen (Verzerrungsrisiko).
  • Keine personenbezogenen Details aus Zitaten offenlegen, die Einzelne identifizierbar machen.
  • Sprache = Sprache der Antworten (Standard Deutsch).

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.