KI-gestützte und aspektierte Sentimentanalyse von Erfahrungsberichten mit Pflegeheimen in Deutschland

Die vorliegende Bachelorarbeit untersucht die Leistungsfähigkeit moderner Large Language Models bei der rein textbasierten, aspektbasierten Sentimentanalyse deutschsprachiger Google-Rezensionen zu stationären Pflegeheimen. Anhand eines manuell annotierten Goldstandards mit 490 Aspekt-Instanzen wurden Grok 3 Mini und Mistral Large Instruct in drei Prompting-Varianten verglichen. Das kompakte Grok 3 Mini erreichte mit optimiertem SynChain-Prompting die beste Leistung mit einem Accuracy-Wert von 82,45 % und Macro-F1 von 0,7953 und übertraf damit das deutlich größere Mistral Large Instruct mit einer Accuracy von 81,84 % und Macro-F1 von 0,7819. Datenaugmentation (QAIE) verschlechterte hingegen die Ergebnisse beider Modelle. Die Arbeit zeigt, dass gezieltes Prompt-Engineering mit schrittweisem Reasoning und Selbstkontrolle aktuell entscheidender ist als Modellgröße. Die entwickelte Methode ermöglicht eine differenzierte, kosteneffiziente Erfassung von Stimmungen zu den Aspekten Personal, Wohnen, Hygiene, Verpflegung und Sicherheit und leistet damit einen praxisrelevanten Beitrag zur Transparenz und Qualitätsentwicklung im deutschen Pflegeheimwesen.