Adaptive Befragungsdesigns bieten umfassende Möglichkeiten, Stichprobenausfälle und Verzerrungen durch systematische Nichtteilnahme in Panelstudien zu reduzieren. Die Forschung zum effektiven Einsatz solcher Designs ist in zwei zentralen Bereichen bislang unzureichend: 

(1) Hinsichtlich der Vorhersagemethoden, die zum Identifizieren von Stichprobenausfällen angewendet werden, und 

(2) in Hinblick auf die Interventionen, die in adaptiven Designs für Gruppen mit hohem erwarteten Ausfallrisiko zur Anwendung kommen. Dieses Forschungsprojekt kombiniert die Implementierung und Erprobung innovativer Vorhersagemethoden aus dem Bereich des maschinellen Lernens mit innovativen Interventionen, die den Panelteilnehmern mit hohem vorhergesagten Ausfallrisiko zugeordnet werden können. Die Vorhersagemodelle werden explizit längsschnittlich trainiert und evaluiert, um möglichst effektiv Panelteilnehmer identifizieren zu können, bei denen ein erhöhtes Ausfallrisiko in neuen Panelwellen besteht. Auf Basis der vorhergesagten Ausfallwahrscheinlichkeiten des besten Modells wird in einem nächsten Schritt die Wirksamkeit verschiedener Interventionen getestet. Dabei wird neben erhöhten monetären Anreizen insbesondere der Einsatz innovativer Interventionen untersucht, die darauf abzielen, das Befragungserlebnis zu verbessern. Das Testen dieser Strategien kann zur Beantwortung der Frage beitragen, welcher Ansatz am besten zu Erhöhung der Teilnahmebereitschaft und des Engagements von Befragten geeignet ist. Die Interventionen werden auch unter Berücksichtigung anderer, potenziell unbeabsichtigter Auswirkungen auf die Datenqualität verglichen und bewertet. Darüber hinaus wird die Übertragbarkeit der entwickelten Methodik auf andere Panelstudien untersucht.