Eine klinische Fragestellung wie «Verbessert regelmässige körperliche Aktivität die Blutzuckereinstellung bei Typ-2-Diabetes» lässt sich nicht direkt untersuchen. «Körperliche Aktivität» und «Blutzuckereinstellung» sind Konstrukte – Begriffe, über die sich Fachleute einigen, die aber selbst nicht direkt messbar sind. Bevor eine medizinische Dissertation Daten erheben kann, muss jedes Konstrukt in eine Variable mit einem konkreten Messinstrument, einem Skalenniveau und einer operationalen Definition übersetzt werden. Diese Übersetzung heisst Operationalisierung, und das Werkzeug dafür ist die Operationalisierungstabelle.
Das allgemeine Prinzip – Konstrukt, Dimension, Indikator, Skalenniveau – ist bereichsübergreifend gleich und ausführlich im Grundlagenbeitrag zur Operationalisierung erklärt. Dieser Beitrag geht einen Schritt weiter: Er zeigt an zwei vollständig durchgerechneten Beispielen aus der klinischen Forschung, wie die Tabelle für eine medizinische Dissertation konkret aussieht – einmal für eine Zusammenhangsfrage, einmal für eine diagnostische Fragestellung.
Das Prinzip in Kürze
Operationalisierung läuft in drei Schritten ab: Zuerst wird das Konstrukt theoretisch definiert – was ist damit gemeint, auf welche Definition aus der Fachliteratur stützt sich die Arbeit. Dann folgt die operationale Definition – wie genau wird das Konstrukt in dieser Studie gemessen. Zuletzt wird ein konkretes Messinstrument mit Skalenniveau festgelegt – ein Laborwert, ein validierter Fragebogen oder eine klinische Skala.
In der medizinischen Forschung kommt eine Besonderheit hinzu, die in anderen Fächern seltener eine Rolle spielt: Viele Konstrukte haben bereits eine klinisch etablierte Operationalisierung – ein Laborwert, ein diagnostisches Kriterium, ein anerkannter Score. Die Aufgabe besteht dann weniger darin, ein neues Mass zu erfinden, als das bestehende Standardmass korrekt zu übernehmen und im Methodikkapitel mit Quellenangabe zu begründen, warum genau dieses und kein anderes gewählt wurde. Wer stattdessen ein etabliertes Mass stillschweigend durch eine eigene, unvalidierte Variante ersetzt, muss in der Diskussion erklären, warum die eigenen Ergebnisse nicht direkt mit der übrigen Literatur vergleichbar sind – ein vermeidbarer Nachteil.
Beispiel 1: Bewegung und Blutzuckereinstellung
Ausgangsfrage: Besteht ein Zusammenhang zwischen dem Umfang körperlicher Aktivität und der Blutzuckereinstellung bei erwachsenen Typ-2-Diabetes-Patientinnen und -Patienten? Aus dieser einen Frage werden in der Operationalisierung mehrere Variablen:
Unabhängige Variable: körperliche Aktivität, operationalisiert über den validierten IPAQ-Kurzfragebogen (International Physical Activity Questionnaire), berichtet in MET-Minuten pro Woche.
Abhängige Variable: Blutzuckereinstellung, operationalisiert über den HbA1c-Wert aus der Laboranalyse, angegeben in Prozent.
Kontrollvariablen: Alter (Jahre, aus Patientenakte), Body-Mass-Index (kg/m², berechnet aus gemessener Grösse und Gewicht), Diabetesdauer (Jahre seit Diagnose, aus Patientenakte).
Moderatorvariable (optional): Therapieadhärenz, operationalisiert über die Morisky Medication Adherence Scale (MMAS-8).
Erst mit dieser Aufschlüsselung wird sichtbar, was tatsächlich erhoben werden muss – und was nicht. Ohne sie bliebe unklar, ob «körperliche Aktivität» durch Selbstauskunft, einen Schrittzähler oder eine ärztliche Einschätzung erfasst werden soll; jede dieser Optionen misst etwas anderes und würde zu anderen Ergebnissen führen. Bei der Wahl zwischen Selbstauskunft und einem objektiven Messgerät gilt: Ein Schrittzähler liefert reproduzierbarere Werte, ein Fragebogen ist günstiger und schneller einsetzbar – welche Variante geeigneter ist, hängt von Stichprobengrösse, Budget und der Frage ab, ob die Studie primär Genauigkeit oder Praktikabilität priorisiert.
Die Operationalisierungstabelle
| Variable | Operationale Definition | Messinstrument | Skalenniveau |
|---|---|---|---|
| Körperliche Aktivität (UV) | Selbstberichteter Aktivitätsumfang der letzten 7 Tage | IPAQ-Kurzform, MET-min/Woche | metrisch (verhältnisskaliert) |
| Blutzuckereinstellung (AV) | Mittlerer Blutzucker der letzten 8–12 Wochen | HbA1c-Laborwert, % | metrisch (verhältnisskaliert) |
| Alter | Alter zum Zeitpunkt der Erhebung | Patientenakte | metrisch |
| BMI | Körpergewicht relativ zur Körpergrösse | Berechnet aus Messung, kg/m² | metrisch |
| Therapieadhärenz | Grad der Einhaltung der verordneten Medikation | MMAS-8, Summenscore 0–8 | ordinal (als Score meist als metrisch behandelt) |
Was diese Tabelle leistet: Sie macht für Gutachtende auf einen Blick nachvollziehbar, dass jede Variable ein reales, nachprüfbares Mass hat – kein Gefühl, keine vage Einschätzung. Und sie zwingt die Verfassenden schon vor der Datenerhebung dazu, sich für ein Instrument zu entscheiden, statt es erst bei der Auswertung zu improvisieren.
Beispiel 2: Diagnostische Genauigkeit eines Tests
Operationalisierungstabellen sehen anders aus, wenn die Fragestellung nicht nach einem Zusammenhang, sondern nach der diagnostischen Güte eines Tests fragt. Ausgangsfrage: Wie genau erkennt ein neuer Antigen-Schnelltest eine Streptokokken-Rachenentzündung im Vergleich zum etablierten Referenzstandard?
Testvariable: Ergebnis des neuen Schnelltests, operationalisiert als binäres Ergebnis (positiv/negativ) nach Herstellerprotokoll.
Referenzvariable: tatsächlicher Infektionsstatus, operationalisiert über den etablierten Referenzstandard (z. B. Kultur oder PCR), ebenfalls binär.
Zielgrössen: Sensitivität und Spezifität, berechnet aus der Vierfeldertafel von Test- und Referenzergebnis; zusätzlich positiver und negativer Vorhersagewert unter Angabe der zugrunde liegenden Prävalenz.
Der entscheidende Unterschied zum ersten Beispiel: Hier gibt es keine unabhängige und abhängige Variable im klassischen Sinn, sondern zwei parallele Messungen desselben Sachverhalts, deren Übereinstimmung ausgewertet wird. Die Operationalisierungstabelle muss deshalb zusätzlich festhalten, welches Verfahren als Referenzstandard gilt und warum – diese Begründung entscheidet darüber, ob die Studie überhaupt als methodisch sauber gilt. Fehlt sie, können Gutachtende die berichtete Sensitivität nicht einordnen, weil unklar bleibt, woran «richtig positiv» überhaupt gemessen wurde.
Warum das Skalenniveau schon hier über die spätere Statistik entscheidet
Die Spalte Skalenniveau wirkt wie eine technische Formalität, ist aber die wichtigste Weichenstellung der ganzen Tabelle: Sie legt fest, welche statistischen Verfahren später überhaupt zulässig sind. Zwei metrische Variablen wie IPAQ-Score und HbA1c lassen sich mit einer Korrelation oder Regression auswerten; ein ordinaler Adhärenz-Score verlangt unter Umständen ein anderes Verfahren, je nachdem, wie er in der Analyse behandelt wird; binäre Testergebnisse wie im zweiten Beispiel verlangen Vierfeldertafeln und diagnostische Gütemasse statt einer Korrelation.
Wer diese Entscheidung erst im Ergebniskapitel trifft, riskiert, dass Erhebungsinstrument und Auswertungsverfahren nicht zusammenpassen – und muss dann nachträglich rechtfertigen, warum ein eigentlich passenderes Verfahren nicht zum Einsatz kam. Die allgemeine Systematik zur Wahl des passenden Tests je nach Skalenniveau, Gruppenzahl und Verteilung ist im Beitrag zum Entscheidungsbaum für den richtigen statistischen Test ausführlich dargestellt und lässt sich direkt auf die hier festgelegten Variablen anwenden.
Operationalisierung bei Register- und Kohortendaten
Nicht jede medizinische Dissertation erhebt eigene Daten. Wer mit einem bestehenden Register oder einer Kohorte arbeitet, operationalisiert trotzdem – nur andersherum: Statt ein Instrument frei zu wählen, muss geprüft werden, wie die verfügbaren Variablen im Register überhaupt erfasst wurden, und ob diese Erfassung der eigenen theoretischen Definition entspricht. Ein Register, das «Raucherstatus» nur als Ja/Nein-Feld führt, erlaubt keine Unterscheidung zwischen Gelegenheits- und starken Raucherinnen – eine Einschränkung, die in der Operationalisierungstabelle explizit als Limitation vermerkt gehört, nicht erst in der Diskussion überrascht auftaucht. Welche Schweizer Register und Statistiken für eine medizinische Dissertation grundsätzlich infrage kommen, zeigt der Beitrag zu Datenquellen für die Dissertation in Medizin.
Was die Operationalisierung mit dem Ethikgesuch zu tun hat
Die Operationalisierungstabelle ist nicht nur ein methodisches, sondern auch ein datenschutzrechtliches Dokument: Sie zeigt der Ethikkommission auf einen Blick, welche Daten in welcher Form erhoben werden – und damit, wie sensibel die Erhebung ist. Ein anonymer HbA1c-Wert aus einer bestehenden Kohorte löst ein anderes Prüfverfahren aus als ein neu erhobener Fragebogen mit Namen und Kontaktdaten. Wer die Tabelle vor der Einreichung des Ethikgesuchs fertigstellt, kann im Gesuch präzise angeben, welche Variablen erhoben werden, statt vage von «gesundheitsbezogenen Daten» zu sprechen – das beschleunigt in der Praxis die Begutachtung. Die Grundlagen zur Zuständigkeit der kantonalen Ethikkommissionen und zum Ablauf des Gesuchs unter dem Humanforschungsgesetz sind im Beitrag zum Ethikgesuch für die Abschlussarbeit in der Schweiz beschrieben.
Häufige Fehler
| Fehler | Folge |
|---|---|
| Selbst entworfener Fragebogen statt validiertes Instrument | Methodik gilt als angreifbar, Ergebnisse schwer vergleichbar |
| Operationale Definition erst nach der Datenerhebung festgelegt | Erhobene Daten passen nicht zur nachträglich gewählten Definition |
| Kontrollvariablen fehlen in der Tabelle | Konfundierende Einflüsse lassen sich in der Diskussion nicht einordnen |
| Skalenniveau nicht angegeben oder falsch eingeschätzt | Falsches statistisches Verfahren gewählt, Ergebnis muss revidiert werden |
| Referenzstandard bei diagnostischen Studien nicht begründet | Methodik gilt als unvollständig, Gütemasse werden angezweifelt |
| Tabelle nennt nur Konstrukte, keine Messinstrumente | Arbeit bleibt auf dem Niveau der theoretischen Definition stehen |
Von der Fragestellung zur Operationalisierungstabelle
Tesify hilft dir, deine Konstrukte sauber in messbare Variablen zu übersetzen und die Tabelle mit deinem Methodikkapitel konsistent zu halten. Der Text bleibt zu 100 % von dir geschrieben.
Häufige Fragen
Brauche ich eine Operationalisierungstabelle auch bei einer rein deskriptiven Dissertation?
Auch eine deskriptive Arbeit muss festlegen, wie jedes berichtete Merkmal gemessen wird – etwa welcher Grenzwert als «übergewichtig» gilt. Die Tabelle fällt dann kürzer aus, weil Zusammenhänge zwischen Variablen fehlen, aber die Definitionsarbeit bleibt gleich wichtig.
Muss jedes Messinstrument validiert sein?
Wo ein validiertes Instrument für die Fragestellung existiert, wird es erwartet – ein selbst entworfener Fragebogen ohne Validierung schwächt die Methodik erheblich. Für klinische Laborwerte wie HbA1c stellt sich die Frage nicht, weil die Messmethode standardisiert ist.
Wie unterscheidet sich die Operationalisierung von der blossen Definition eines Begriffs?
Eine Definition sagt, was ein Begriff bedeutet. Die Operationalisierung sagt zusätzlich, wie du ihn misst – mit welchem Instrument, auf welchem Skalenniveau, mit welchem Grenzwert. Ohne diesen zweiten Schritt lässt sich die Fragestellung nicht auswerten.
Gehört die Tabelle in den Methodikteil oder in den Anhang?
Eine kompakte Version gehört ins Methodikkapitel, direkt nach der Vorstellung der Fragestellung und vor der Beschreibung der Datenerhebung. Ausführliche Versionen mit allen Itemformulierungen können zusätzlich in den Anhang.
Was, wenn sich das Messinstrument während der Datenerhebung als ungeeignet erweist?
Dokumentiere die Abweichung transparent im Methodikkapitel statt sie zu verschweigen – ein begründeter Wechsel des Instruments mit Angabe des Zeitpunkts ist wissenschaftlich redlicher als eine Tabelle, die nicht mit der tatsächlichen Erhebung übereinstimmt.
Die Operationalisierungstabelle ist kein bürokratisches Beiwerk, sondern der Punkt, an dem eine klinische Idee zu einer auswertbaren Studie wird – und an dem sich entscheidet, ob das Ergebniskapitel später hält, was die Fragestellung verspricht.