Skip to content

KI-Setup

Nach Abschluss der Installation von QualCoder erfordern die KI-gestützten Funktionen eine zusätzliche Einrichtung. Beim ersten Start der App erscheint ein Assistent (Wizard), der durch den Prozess führt. Falls dieser Assistent übersprungen wurde, kann er später über das Menü unter „KI > Setup-Assistent“ erneut gestartet werden.

Der gesamte Einrichtungsprozess läuft größtenteils automatisch und ohne Aufsicht ab. Es handelt sich um einen einmaligen Vorgang, der einige Zeit in Anspruch nehmen kann. Die Hauptschritte sind:

1. KI aktivieren

  • Die KI-Funktionen sind „Opt-in“ und standardmäßig deaktiviert.
  • Alle KI-bezogenen Optionen befinden sich am unteren Ende des Einstellungsdialogs. Bei Bedarf nach unten scrollen.

Screenshot AI Settings

Weitere Informationen zu den Einstellungen temperature und top_p finden sich in diesem Artikel (für Fortgeschrittene).

2. Auswahl des KI-Modells

In QualCoder kann zwischen verschiedenen Large Language Models gewählt werden; es ist sogar möglich, eigene Modelle hinzuzufügen. Standardmäßig sind folgende Dienste implementiert:

  • GPT-4 von OpenAI: beste Ergebnisse, empfohlene Option, jedoch kostenpflichtig

    • Zur Nutzung von GPT-4 ist ein API-Schlüssel von OpenAI erforderlich. Besuchen Sie https://platform.openai.com/, erstellen Sie ein Konto, navigieren Sie zum persönlichen Dashboard, klicken Sie im linken Menü auf „API keys“, erstellen Sie einen Schlüssel und fügen Sie diesen in den Einstellungsdialog von QualCoder ein.
    • Obwohl GPT-4 nicht kostenlos ist, ist es relativ preiswert. OpenAI berechnet eine geringe Gebühr pro Anfrage, in der Regel nur wenige Cent. Vor der Nutzung müssen „Credits“ bei OpenAI erworben werden; der Mindestbetrag liegt bei 5 $, was für eine lange Zeit ausreicht.
    • Ein ChatGPT-Plus-Abonnement deckt die Nutzung in QualCoder nicht ab. Die Credits müssen separat wie oben beschrieben erworben werden.
    • QualCoder bietet derzeit die Wahl zwischen „GPT-4 turbo“ (weiterhin empfohlen) und „GPT-4o“, einem neueren, günstigeren, aber etwas weniger leistungsfähigen Modell. Beide nutzen denselben API-Schlüssel.

  • Blablador: Non-Profit, exzellenter Datenschutz, kostenlos, mittlere Qualität

    • Dieser Dienst wird von der deutschen Forschungsgemeinschaft Helmholtz-Gemeinschaft bereitgestellt. Es werden mittelgroße Open-Source-Modelle verwendet, die sehr datenschutzfreundlich sind und keinerlei Daten speichern. Weitere Informationen finden sich in dieser Präsentation von Alexandre Strube.
    • Hinweis zur Qualität: Da Blablador wesentlich kleinere Modelle als OpenAI nutzt, sind die Interpretationen weniger nuanciert. Größere Modelle wie GPT-4 bieten ein besseres Kontextverständnis und können subtile Details sowie implizite Bedeutungen analysieren, was für die qualitative Forschung oft entscheidend ist. Zudem kann die Nutzung von Blablador zu Fehlern in der Benutzeroberfläche führen, wie etwa Antworten auf Englisch statt in der Sprache des Nutzers oder fehlerhafte Quellenverweise. Derzeit wird Blablador nur für einfachere Fragen, zum Experimentieren mit Open-Source-Modellen oder bei absolutem Bedarf an maximalem Datenschutz empfohlen (siehe unten unter Datenschutz und Datensicherheit).
    • Blablador ist kostenlos, erfordert jedoch einen persönlichen API-Schlüssel der Helmholtz-Gemeinschaft. Die Anmeldung ist über ein Universitätskonto oder via GitHub, Google oder ORCID möglich. Die Anleitung finden Sie hier: https://sdlaml.pages.jsc.fz-juelich.de/ai/guides/blablador_api_access/.

!!! warning

Seit November 2025 muss bei der Nutzung von QualCoder 3.7 oder niedriger die Datei config.ini aktualisiert werden, um den Zugriff auf Blablador wiederherzustellen, da der Dienst auf einen neuen, leistungsfähigeren Server umgezogen ist. Gehen Sie wie folgt vor: 1) QualCoder schließen; 2) Die Datei config.ini im QualCoder-Einstellungsordner öffnen (Windows: C:\Users\YOUR USERNAME\.qualcoder\config.ini; Mac oder Linux: ~/.qualcoder/config.ini – um diesen versteckten Ordner auf einem Mac zu öffnen, klicken Sie im Finder-Menü auf „Gehe zu“ $\rightarrow$ „Gehe zum Ordner…“ und geben Sie ~/.qualcoder ein). 3) In der Datei zum Abschnitt [ai_model_Blablador] scrollen. 4) Den Wert für api_base von https://helmholtz-blablador.fz-juelich.de:8000/v1 auf die neue Adresse https://api.helmholtz-blablador.fz-juelich.de/v1/ ändern. 5) Die Datei config.ini speichern, schließen und QualCoder neu starten. Dieses Problem wird im nächsten QualCoder-Release behoben.

3. Download eines zusätzlichen lokalen KI-Modells

  • Neben den oben beschriebenen Large Language Models nutzt QualCoder ein kleineres, lokales KI-Modell als Vorstufe der Analyse, um die Menge der an die Cloud gesendeten Daten zu begrenzen.
  • Dieses Open-Source-Modell (ca. 2,5 GB) wird beim ersten Aktivieren der KI automatisch heruntergeladen und auf dem Computer installiert.
  • Unter Windows wird das Modell hier gespeichert: C:\Users\YOUR_USERNAME\.cache\torch\sentence_transformers
  • Unter Linux wird das Modell hier gespeichert: /home/YOUR_USERNAME/.cache/torch/sentence_transformers
  • Unter macOS wird das Modell hier gespeichert: /users/YOUR_USERNAME/.cache/torch/sentence_transformers

4. Einlesen der empirischen Dokumente in den KI-Speicher

  • Wenn ein Projekt geöffnet ist, liest das lokale KI-Modell alle Textdokumente des Projekts einzeln ein und integriert sie in seinen internen Speicher.
  • Dieser Vorgang erfolgt nur einmalig. Beim erneuten Öffnen des Projekts wird dieser „KI-Speicher“ schnell von der Festplatte geladen. Nur wenn neue Dokumente hinzugefügt oder bestehende bearbeitet werden, liest die lokale KI diese (erneut) ein.
  • Der gesamte Prozess des Einlesens und Speicherns erfolgt im Hintergrund (die Statusleiste zeigt „AI: reading“). Währenddessen sind KI-Funktionen nicht verfügbar, der Rest von QualCoder kann jedoch wie gewohnt genutzt werden.

AI: reading message

⚠ Diese Zeit sollte genutzt werden, um das Projekt-Memo zu aktualisieren (Menü „KI > Projekt-Memo“) mit einer kurzen Beschreibung der Forschungsthemen, Fragen, Ziele und der gesammelten empirischen Daten. Diese Informationen sind sehr wichtig, da sie jedem Prompt an die KI beigefügt werden, was zu wesentlich gezielteren Ergebnissen führt.

Sobald alle Schritte abgeschlossen sind, zeigt die Statusleiste „AI: ready“ an. Nun können der KI-Chat oder das KI-gestützte Coding zur Untersuchung der Daten genutzt werden.

AI: ready message

Um das KI-Modell und die Einstellungen später zu ändern oder die KI-Funktionen vollständig zu deaktivieren, navigieren Sie zu „KI > Einstellungen“.

Hinweise zu Datenschutz und Datensicherheit

  • Die Nutzung von Cloud-basierten Diensten wie denen von OpenAI wirft Fragen zum Datenschutz auf.

  • Es wird jedoch davon ausgegangen, dass die Nutzung dieser Dienste in QualCoder mit den ethischen Prinzipien der qualitativen Sozialforschung vereinbar ist. Andernfalls würden diese Funktionen nicht angeboten werden.

  • Die endgültige Entscheidung liegt beim Nutzer und hängt stark vom spezifischen Projekt und der Art der verarbeiteten Daten ab. Ziel ist es, so transparent wie möglich zu machen, was mit den Daten geschieht, um eine informierte Entscheidung zu ermöglichen.

QualCoder folgt einem „Privacy by Design“-Ansatz:

  • Die App sendet so wenig Daten wie möglich in die Cloud und nutzt lokale Verarbeitung, wann immer dies möglich ist. Die meisten Funktionen nutzen den oben beschriebenen lokalen KI-Speicher, um eine Vorauswahl relevanter Daten zu treffen. Anschließend werden nur eine geringe Anzahl ausgewählter Textabschnitte (jeweils ca. 500 Zeichen) zur tieferen Analyse in die Cloud gesendet.

  • Bei OpenAI nutzt QualCoder den „API-Zugriff“ auf GPT-4, der den Enterprise-Datenschutzbestimmungen unterliegt. Diese Bestimmungen sind wesentlich strenger als bei ChatGPT. OpenAI garantiert, dass die über diese Schnittstelle gesendeten Daten NICHT zum Training von KI-Modellen verwendet werden, sondern vertraulich behandelt und innerhalb von 30 Tagen gelöscht werden.

  • QualCoder ist nicht auf OpenAI beschränkt. Es besteht eine Partnerschaft mit „Blablador“, einem Dienst, der Large Language Models auf nicht-kommerzieller, akademischer Hardware betreibt und exzellenten Datenschutz bietet (siehe oben).

  • Zusätzlich ist es möglich, eigene Modelle zu QualCoder hinzuzufügen, einschließlich solcher, die vollständig lokal ohne Netzwerkzugriff laufen. Aktuell ist der Qualitätsverlust bei der Ausgabe jedoch so signifikant, dass lokale KI-Modelle aus Sicht der Entwickler nur sehr begrenzte Anwendungsfälle haben. Es ist zu hoffen, dass sich dies in Zukunft ändern wird.

  • Im Allgemeinen wird empfohlen, Daten sehr sorgfältig zu anonymisieren, bevor ein Cloud-basierter KI-Dienst zur Analyse genutzt wird.

Nutzung anderer KI-Modelle

Die verfügbaren KI-Modelle, die im Einstellungsdialog auswählbar sind, werden in der Datei config.ini definiert, die sich im Unterordner .qualcoder im Benutzerverzeichnis befindet. Diese Datei sollte nur bearbeitet werden, wenn QualCoder geschlossen ist, da Änderungen sonst überschrieben werden.

Microsoft Azure

Falls ein Zugriff auf GPT-4 (oder andere OpenAI-Modelle) über die Microsoft-Cloud-Plattform Azure besteht, kann auch diese genutzt werden. Folgende Informationen sind erforderlich: - Deployment-Name, - Endpoint-URL (muss dem Format https://XXX.openai.azure.com/ entsprechen), - API-Schlüssel.

Folgen Sie diesem Tutorial (insbesondere dem Abschnitt „Retrieve key and endpoint“), um diese Informationen zu erhalten: Quickstart: Get started using GPT-35-Turbo and GPT-4 with Azure OpenAI Service. Erstellen Sie anschließend einen neuen Eintrag in der Datei config.ini im Unterordner .qualcoder mit folgenden Informationen: 

[ai_model_GPT-4-Azure]
desc = GPT-4 deployed via Microsoft Azure
access_info_url =
large_model = IHR AZURE DEPLOYMENT NAME
large_model_context_window = 128000
fast_model = IHR AZURE DEPLOYMENT NAME
fast_model_context_window = 128000
api_base = IHRE AZURE ENDPOINT URL 
api_key = IHR API SCHLÜSSEL

OpenRouter.ai

OpenRouter ist eine einheitliche Schnittstelle, über die auf viele Large Language Models auf verschiedenen Servern zugegriffen werden kann. Einige dieser Modelle sind kostenlos, andere erfordern ein kostenpflichtiges Abonnement. Die meisten kostenlosen Modelle haben strikte Nutzungslimits, was bei populären Modellen zu Fehlern führen kann. Um ein Modell von OpenRouter.ai in QualCoder zu integrieren, erstellen Sie einen neuen Eintrag in der Datei config.ini mit folgenden Informationen: 

[ai_model_OpenRouter_MODELNAME]
desc = Beschreibung, kann leer bleiben
access_info_url = https://openrouter.ai/
large_model = DER EXAKTE MODELLNAME, z.B.: google/gemini-2.0-pro-exp-02-05:free
large_model_context_window = 2000000
fast_model = Name eines kleineren, schnelleren Modells, kann identisch mit large_model sein
fast_model_context_window = 2000000
api_base = https://openrouter.ai/api/v1
api_key = IHR OPENROUTER API SCHLÜSSEL

Google Gemini

Google bietet verschiedene kostenlose und kostenpflichtige Modelle an. Beispiel-Konfiguration für Gemini 1.5 flash: 

[ai_model_Gemini_1.5_flash]
desc = Gemini 1.5 flash on Google Servers
access_info_url = https://ai.google.dev/gemini-api/docs/openai
large_model = gemini-1.5-flash
large_model_context_window = 2000000
fast_model = gemini-1.5-flash
fast_model_context_window = 2000000
api_base = https://generativelanguage.googleapis.com/v1beta/openai/
api_key = Ihr Google API Schlüssel

Lokale Modelle mittels Ollama

Ollama ist eine beliebte Wahl, um Language Models lokal auf dem eigenen Rechner auszuführen. Es bietet eine (OpenAI-kompatible API), die mit QualCoder genutzt werden kann. Beispiel-Konfiguration für QualCoder: 

[ai_model_MODEL_NAME]
desc = Ein lokales Modell mittels Ollama 
access_info_url = https://ollama.com
large_model = <Der exakte Name des Modells in der API>
large_model_context_window = <Maximale Anzahl an Tokens pro Anfrage>
fast_model = <Kann identisch mit large_model sein oder ein kleineres Modell für einfache Aufgaben benennen>
fast_model_context_window = <Maximale Anzahl an Tokens für das kleine Modell>
api_base = http://localhost:11434/v1/
api_key = ollama

Andere Modelle

Falls Zugriff auf andere Large Language Models besteht – auf Cloud-Plattformen, Universitätsservern oder dem eigenen Rechner – kann versucht werden, diese in QualCoder zu integrieren. * Der gewünschte Dienst muss eine Schnittstelle bereitstellen, die mit der OpenAI-API kompatibel ist. Dies ist häufig der Fall, da diese API in den letzten Monaten zum De-facto-Standard geworden ist. * Die verfügbaren Modelle in QualCoder werden in der Datei config.ini im Unterordner .qualcoder definiert. Modelldefinitionen haben folgendes Format (die <>-Zeichen weglassen): 

[ai_model_ihr_modellname]
desc = Eine Beschreibung, die in der UI angezeigt wird.
       Kann über mehrere Zeilen gehen.
access_info_url = <URL zur Website mit Modellinfos. Kann leer bleiben>
large_model = <Der exakte Name des Modells in der API>
large_model_context_window = <Maximale Anzahl an Tokens pro Anfrage>
fast_model = <Kann identisch mit large_model sein oder ein kleineres Modell für einfache Aufgaben benennen>
fast_model_context_window = <Maximale Anzahl an Tokens für das kleine Modell>
api_base = <Die URL der API-Basis, z.B. http://localhost:11434/v1 für lokales Ollama>
api_key = <Der API-Schlüssel, falls benötigt, ansonsten "None". Dieses Feld nicht leer lassen.>
Beachten Sie, dass der Abschnittsname immer mit dem Präfix ai_model_ beginnen muss.

Falls andere Dienste erfolgreich in QualCoder integriert wurden (oder der Versuch scheiterte), ist ein Feedback dazu sehr willkommen.