Use Case 2: Schulklassen-Netzwerke

Dieser Anwendungsfall zeigt, wie eine Lehrerin mit MyNetworkmap die Freundschaftsbeziehungen mehrerer Klassen erfasst, sichtbar macht und auswertet – mit einem Projekt je Klasse, Kamada-Kawai-Layout und einer Interpretation der berechneten Zentralitätswerte.

Das Beispiel: Frau Lindner unterrichtet an einer Gesamtschule und betreut drei Klassen: die 7a, die 8b und die 9c. Sie möchte wissen, wer in ihren Klassen mit wem befreundet ist, wer am Rand steht und ob sich die Klassen im Jahrgangsvergleich unterscheiden.

Hinweis zum Datenbestand: Die Screenshots stammen aus einer echten Installation. Die Beispieldaten der drei Klassen wurden für dieses Handbuch erzeugt; alle genannten Kennzahlen sind die von MyNetworkmap berechneten Werte dieser Daten.

---

Teil 1: Theoretischer Hintergrund

Soziometrie: eine alte Idee mit neuen Werkzeugen

Die Methode, Kinder zu fragen, mit wem sie befreundet sind, und daraus ein Bild zu zeichnen, geht auf Jacob Levy Moreno zurück, der in den 1930er Jahren das Soziogramm entwickelte. Moreno arbeitete mit Papier und Lineal; die Rechnung, die MyNetworkmap in Sekunden erledigt, dauerte damals Tage.

Der Kern ist unverändert: Eine Nominierungsfrage („Wen magst du in dieser Klasse besonders?") erzeugt gerichtete Beziehungen, aus denen sich die Sozialstruktur der Gruppe rekonstruieren lässt.

Was die Forschung über Schulklassen zeigt

Drei Befunde sind so gut belegt, dass sie als Erwartung in jede Auswertung gehören:

Homophilie. Kinder und Jugendliche befreunden sich überwiegend mit Gleichartigen – am stärksten nach Geschlecht. Die Geschlechtertrennung ist im Grundschulalter am ausgeprägtesten, erreicht in der frühen Sekundarstufe noch hohe Werte und löst sich im Lauf der Pubertät auf. Eine Erhebung über mehrere Jahrgänge macht diesen Verlauf unmittelbar sichtbar.

Reziprozität. Nicht jede Nennung wird erwidert. Typisch sind 30 bis 50 Prozent gegenseitige Nennungen. Der Anteil nicht erwiderter Nennungen ist dabei selbst ein Befund: Kinder, die viele nennen und von wenigen genannt werden, erleben ihre Position in der Klasse oft anders, als sie tatsächlich ist.

Soziale Position und Wohlbefinden. Der Zusammenhang zwischen der Zahl eingehender Nennungen und dem subjektiven Wohlbefinden ist einer der stabilsten Befunde der Schulforschung. Kinder ohne eingehende Nennungen – Isolierte – berichten regelmäßig geringeres Wohlbefinden, mehr Einsamkeit und geringere Schulfreude.

Was heute besonders interessiert

Die klassische Frage „Wer ist beliebt?" ist weitgehend beantwortet. Aktuell interessanter – und mit MyNetworkmap gut darstellbar – sind drei Anschlussfragen:

Frage	Woran man es sieht	Visualisierung
Folgen Freundschaften dem Geschlecht oder der Herkunft?	Anteil gleichartiger Nennungen je Merkmal	Symbolfarbe und Sektor gleichzeitig
Wer vermittelt zwischen getrennten Gruppen?	Hohe Betweenness bei mittlerem Degree	Akteursgröße nach Betweenness
Hängt die Position mit dem Wohlbefinden zusammen?	In-Degree gegen Selbstauskunft	Akteursgröße nach Wohlbefinden

Gerade die erste Frage lässt sich nur beantworten, wenn man zwei Merkmale gleichzeitig zeigt. Genau dafür hat MyNetworkmap zwei unabhängige Kanäle am Symbol: die Füllfarbe und den Sektor – den farbigen Ring.

Rechtlicher und ethischer Rahmen

Soziometrische Erhebungen mit Minderjährigen sind heikel. Vor der ersten Frage stehen:

• Einwilligung der Erziehungsberechtigten und Zustimmung der Kinder,
• Genehmigung durch die Schulleitung, je nach Bundesland auch durch die Schulaufsicht,
• eine klare Zusage, wofür die Daten verwendet werden.

Die wichtigste Regel: Ergebnisse auf Einzelpersonenebene gehören nicht in die Klasse. Ein Soziogramm mit Namen, an die Wand geworfen, ist für die Kinder am Rand eine öffentliche Bloßstellung. Die Karte ist ein Werkzeug für die Lehrkraft und allenfalls für Gespräche unter vier Augen – nicht für den Unterricht.

Fragen Sie außerdem nur nach positiven Nennungen. Die klassische Ablehnungsfrage („Mit wem möchtest du nicht zusammensitzen?") ist heute aus gutem Grund unüblich: Sie lenkt die Aufmerksamkeit der Kinder auf Ausgrenzung.

---

Teil 2: Die Projekte einrichten

Schritt 1: Ein Projekt je Klasse

Jede Klasse bekommt ein eigenes Projekt:

• Klasse 7a – Schuljahr 2026/27
• Klasse 8b – Schuljahr 2026/27
• Klasse 9c – Schuljahr 2026/27

Warum nicht alle Klassen in ein Projekt? Weil Kennzahlen sich immer auf das beziehen, was auf der Karte liegt. Lägen drei Klassen auf einer Karte, würde die Dichte den Zusammenhalt von drei Klassen zusammen messen – eine Zahl ohne Bedeutung. Getrennte Projekte erzwingen die saubere Abgrenzung und machen die Klassen untereinander vergleichbar.

Der Jahreswechsel steht schon im Projektnamen: Im nächsten Jahr kommen Klasse 8a – Schuljahr 2027/28 und so weiter dazu, und die alten Daten bleiben unangetastet.

Schritt 2: Die Attribute – und warum sie so aussehen müssen

In jedem der drei Projekte legen Sie dieselben Attribute an.

Akteursattribute:

Attribut	Typ	Werte	Wofür
Name	Freitext	–	Vorhanden
Geschlecht	vordefiniert	weiblich, männlich, divers	Symbolfarbe
Alter	Freitext	–	Beschreibung
Wohnort	vordefiniert	Kernstadt, Nordstadt, Seefeld, Umland	Akteurssektor
Wohlbefinden	vordefiniert	1, 2, 3, 4, 5	Akteursgröße

Relationsattribut:

Attribut	Typ	Werte
Freundschaft	vordefiniert	enge Freundschaft, Freundschaft, Bekanntschaft

Achtung – Wohnort muss vordefiniert sein. Als Freitextattribut lässt es sich nicht als Sektor darstellen; der Dialog meldet dann Dieses Attribut hat keine vorgegebenen Attributwerte. Legen Sie daher die vier Ortsteile als feste Werteliste an, statt Adressen frei einzutippen. Dasselbe gilt für Geschlecht und Wohlbefinden.

Diese Entscheidung lässt sich nachträglich nicht ändern – ein Freitextattribut wird nie zu einem vordefinierten. Wer sie zu spät trifft, legt ein zweites Attribut an und überträgt alle Werte von Hand.

Schritt 3: Die Klassenliste importieren

Der CSV-Import ist der schnellste Weg. Eine Zeile je Kind:

Name;Geschlecht;Alter;Wohnort;Wohlbefinden
Mia Brenner;weiblich;13;Kernstadt;5
Lina Sorg;weiblich;12;Kernstadt;4
Hanna Keller;weiblich;13;Nordstadt;4
…

Schritt 4: Die Nennungen erfassen

Für die Erhebung selbst gibt es zwei Wege:

• Auf Papier, anschließend über den Relationsimport:

Von;Nach;Freundschaft Mia Brenner;Lina Sorg;Freundschaft Mia Brenner;Hanna Keller;Freundschaft …

• Online über einen Fragebogen mit vorgegebener Namensliste und individuellen Links – genau wie in Use Case 1 beschrieben. Für Schulklassen hat das den Vorteil, dass die Kinder nichts tippen müssen und keine Namen falsch schreiben können.

---

Teil 3: Die Netzwerkkarte gestalten

Schritt 5: Karte anlegen und Beziehungen eintragen

1. Netzwerkkarte → Neue Netzwerkkarte erstellen → Name Klasse 7a, Option notwendige Attribute automatisch anlegen angehakt lassen.
2. + Relation → Freundschaft → gerichtet (→) → Save.
3. + Relation → Freundschaft → reziprok (↔) → Save.
4. Akteure → alle Akteure hinzufügen.

Beide Relationseinträge sind nötig. Mit nur dem gerichteten Eintrag zeigt die Karte der 7a 58 Linien statt 79 – alle gegenseitigen Freundschaften fehlen, also ausgerechnet die engsten. Die Anzeige Relationen im Abschnitt Analyse ist die Probe: Steht dort eine auffällig kleine Zahl, fehlt der zweite Eintrag.

Schritt 6: Das Layout

Analyse → Layout: Kamada Kawai, Skalierung 12, dann start.

Warum Kamada Kawai? Das Verfahren versucht, die graphentheoretische Distanz zwischen je zwei Knoten möglichst maßstabsgetreu in einen Bildabstand zu übersetzen. Wer im Netzwerk weit auseinander liegt, liegt auch im Bild weit auseinander. Dadurch entstehen räumlich getrennte Gruppen, und Brückenpersonen landen sichtbar dazwischen – genau das, was wir sehen wollen.

Fruchterman Reingold liefert bei großen Netzwerken ruhigere Bilder, trennt Gruppen aber weniger scharf. Circle ordnet alle Knoten auf einem Kreis an; das ist nützlich, wenn man die schiere Zahl der Kanten vergleichen will, zeigt aber keine Gruppenstruktur.

Ein Layout ist eine Darstellungsentscheidung, kein Ergebnis. Was Sie interpretieren, muss durch die Kennzahlen gedeckt sein – nicht allein durch das Bild.

Schritt 7: Die beiden Visualisierungskanäle

Akteursymbolfarbe → Geschlecht:

Wert	Farbe
weiblich	Rot
männlich	Blau
divers	Violett

Akteurssektor → Wohnort: je Ortsteil eine Farbe – hier Gelb für Kernstadt, Grün für Nordstadt, Blau für Seefeld, Braun für Umland. Der Sektor wird je Wert einzeln angelegt: Attribut wählen, Wert wählen, Farbe wählen, Save – und das viermal.

Der Sinn der Doppelkodierung: Die Füllfarbe zeigt das Geschlecht, der Ring den Ortsteil. Bilden sich Cluster nach Füllfarbe, folgen die Freundschaften dem Geschlecht; bilden sie sich nach Ringfarbe, folgen sie dem Wohnort. Die Antwort steht damit im Bild, bevor man eine einzige Zahl gerechnet hat.

Schritt 8: Kennzahlen berechnen

Analyse → Zentralitätswerte: jetzt berechnen.

Die Werte werden als Attribute gespeichert (inDegree_nwk_Klasse 7a_… und so fort) und lassen sich anschließend in der Akteurstabelle als Spalten einblenden und sortieren.

Tipp: Koppeln Sie anschließend unter Visualisierung → Akteursgröße die Symbolgröße an inDegree_nwk_…. Dann zeigt die Karte Beliebtheit als Fläche – das Bild wird ohne weitere Erklärung lesbar.

---

Teil 4: Die Ergebnisse interpretieren

Die Klasse 7a

24 Kinder, 100 Nennungen, 79 verbundene Paare, Dichte 0,181.

Das Bild zerfällt auf den ersten Blick in zwei Hälften: links unten ein roter Block, rechts oben ein blauer. Die Ringfarben sind dagegen über beide Hälften gemischt verteilt. Die Zahlen bestätigen, was man sieht:

Merkmal	Anteil gleichartiger Nennungen
Geschlecht	87 %
Ortsteil	33 %

Freundschaften in der 7a folgen also fast vollständig dem Geschlecht und so gut wie gar nicht dem Wohnort. Bei vier Ortsteilen wären rein zufällig rund 25 Prozent gleichartige Nennungen zu erwarten – 33 Prozent liegen kaum darüber.

Reziprozität: 42 % – ein normaler Wert.

Die Zentralitätswerte:

Kind	Geschl.	In-Degree	Out-Degree	Betweenness	Betw. norm.	Closeness
Yara Aydin	w	4	9	115,5	0,228	0,329
Mia Brenner	w	9	4	85,3	0,168	0,500
Frida Lang	w	6	4	84,5	0,167	0,489
Noah Wiegand	m	5	5	81,0	0,160	0,451
Luis Hartmann	m	8	5	44,5	0,088	0,426
Lina Sorg	w	8	3	22,3	0,044	0,469
…
Jonne Brinkmann	d	1	6	21,2	0,042	0,256
Nele Pohl	w	0	4	0,0	0,000	0,000
Tom Riedel	m	0	3	0,0	0,000	0,000

Befund 1: Die Beliebtesten sind nicht die Wichtigsten. Mia Brenner (In-Degree 9) und Luis Hartmann (8) sind die Stars ihrer jeweiligen Hälfte. Die höchste Betweenness hat aber Yara Aydin mit 115,5 – bei einem In-Degree von nur 4. Sie ist das einzige Kind mit nennenswert vielen Freundschaften in beide Hälften der Klasse. Auf fast 23 Prozent aller kürzesten Wege zwischen zwei Kindern liegt sie.

Für die Klassenführung ist das die interessanteste Person: Ohne Yara zerfiele die Klasse in zwei kaum verbundene Gruppen. Auffällig ist auch ihr Out-Degree von 9 – sie ist die aktivste Nennerin der Klasse.

Befund 2: Zwei Kinder ohne eine einzige Nennung. Nele Pohl und Tom Riedel haben einen In-Degree von 0. Beide nennen selbst andere (4 beziehungsweise 3), werden aber von niemandem genannt. Ihre Closeness ist 0 – im gerichteten Netzwerk erreicht sie niemand.

Da in dieser Klasse alle 24 Kinder geantwortet haben, ist das kein Antwortausfall, sondern ein Befund. Beide wohnen im Umland – auf der Karte am braunen Ring zu erkennen – und beide geben beim Wohlbefinden den Wert 2 an, den niedrigsten der Klasse.

Hier endet die Netzwerkanalyse und beginnt die pädagogische Arbeit. Die Karte sagt, dass zwei Kinder außen stehen, und liefert mit dem Wohnort einen möglichen Erklärungsansatz: Wer im Umland wohnt, ist nachmittags nicht dabei. Was daraus folgt – Sitzordnung, Gruppenarbeit, ein Gespräch, eine Nachmittags-AG mit Fahrdienst –, entscheidet die Lehrkraft, nicht die Software.

Befund 3: Ein dritter Fall von Randständigkeit. Jonne Brinkmann (divers) hat einen In-Degree von 1 bei einem Out-Degree von 6. Das ist ein anderes Muster als bei Nele und Tom: Jonne ist nicht unsichtbar, sondern einseitig orientiert – nennt viele, wird kaum genannt. Solche Kinder halten sich selbst oft für gut eingebunden; die Diskrepanz zwischen Selbstbild und Nennungen ist der eigentliche Befund.

Der Jahrgangsvergleich

Der eigentliche Gewinn der drei getrennten Projekte zeigt sich im Vergleich.

	7a	8b	9c
Kinder	24	26	22
Nennungen	100	127	121
Dichte	0,181	0,195	0,262
Nennungen gleichen Geschlechts	87 %	70 %	55 %
Nennungen gleichen Ortsteils	33 %	35 %	31 %
Reziprozität	42 %	28 %	35 %
Kinder ohne eingehende Nennung	2	2	2

Befund 4: Die Geschlechtertrennung löst sich auf. Von 87 über 70 auf 55 Prozent – und das bei praktisch unveränderter Ortsteil-Homophilie um 33 Prozent. Das ist genau der Verlauf, den die Forschung für die Pubertät beschreibt, und er ist auf den drei Karten unmittelbar zu sehen: In der 7a stehen rote und blaue Knoten in zwei Blöcken, in der 9c sind sie durchmischt.

Dass die Ortsteil-Homophilie dabei konstant bleibt, ist der zweite Teil des Befunds: Der Wohnort war nie der strukturierende Faktor und wird es auch nicht. Genau deshalb lohnt sich die Doppelkodierung – ohne den Sektor wüsste man nicht, wogegen man die Geschlechtertrennung abgrenzt.

Befund 5: Die Klassen werden dichter. Die Dichte steigt von 0,181 auf 0,262. In der 9c kennt und nennt praktisch jedes Kind einen größeren Teil der Klasse. Das passt zum Auflösen der Geschlechtergrenze: Wenn eine Trennlinie wegfällt, entstehen mehr mögliche Verbindungen – und sie werden genutzt.

Befund 6: Trotzdem bleibt in jeder Klasse jemand außen. In allen drei Klassen gibt es genau zwei Kinder ohne eingehende Nennung, und in allen drei Fällen wohnen sie im Umland. Eine dichtere Klasse ist also nicht automatisch eine inklusivere.

Befund 7: Position und Wohlbefinden hängen zusammen.

Gruppe	Durchschnittliches Wohlbefinden
Kinder mit In-Degree ≤ 1	2,0 – 2,3
Kinder mit In-Degree ≥ 6	3,8 – 4,1

Der Zusammenhang zeigt sich in allen drei Klassen in derselben Deutlichkeit.

Vorsicht mit der Kausalität. Die Daten zeigen einen Zusammenhang, keine Richtung. Werden Kinder unglücklich, weil sie niemand nennt? Oder nennt sie niemand, weil sie sich zurückziehen? Beides ist plausibel, und beides wirkt wahrscheinlich zugleich. Eine einzelne Erhebung kann das nicht trennen – dafür bräuchte es eine zweite Welle mit denselben Kindern.

Ein Sonderfall: Robin Haas in der 9c

In der 7a ist Jonne Brinkmann (divers) mit einem In-Degree von 1 am Rand. In der 9c hat Robin Haas (divers) einen In-Degree von 10, einen Out-Degree von 10, die höchste Betweenness der Klasse (63,8) und ist mit 13 Cliquen in mehr Teilgruppen eingebunden als jedes andere Kind.

Zwei Einzelfälle sind kein Befund über Jahrgänge. Sie sind aber ein guter Grund, die Karte einer Klasse nicht nur auf Isolierte abzusuchen: Dieselbe Merkmalslage kann in der einen Klasse an den Rand führen und in der anderen ins Zentrum.

Die Spitze der 9c

Mara Schuster erreicht einen In-Degree von 16 – von 21 möglichen. Ihre Closeness liegt bei 0,808, sie ist in 12 Cliquen vertreten. Eine so dominante Position ist in einer Klasse dieser Größe ungewöhnlich und verdient einen zweiten Blick: Solche Kinder tragen viel soziale Last, und die Klasse wird von ihrer Stimmung abhängig.

---

Teil 5: Methodische Hinweise

Was die Zahlen nicht können

Einschränkung	Konsequenz
Momentaufnahme	Freundschaften in diesem Alter ändern sich innerhalb von Wochen
Eine Beziehungsart	Über Konflikte und Ausgrenzung sagt die Erhebung nichts
Selbstauskunft	Kinder nennen, wen sie nennen möchten
Klassengrenze	Freundschaften außerhalb der Klasse sind unsichtbar

Der häufigste Fehler bei Schulklassen ist, die Karte als Diagnose zu lesen. Sie ist eine Beschreibung von Nennungen zu einem Zeitpunkt. Ein Kind ohne eingehende Nennung ist nicht „unbeliebt" – es wurde an diesem Tag von niemandem genannt. Der Unterschied ist für das Gespräch mit Eltern entscheidend.

Wiederholungsmessung

Für die Frage, ob eine Maßnahme gewirkt hat, brauchen Sie zwei Zeitpunkte. Zwei Wege stehen offen:

• Perioden im selben Projekt – die Kinder bleiben dieselben Akteure, die Nennungen werden Zeiträumen zugeordnet. Der sauberere Weg für Panels.
• Ein zweites Projekt – einfacher einzurichten, aber die Akteure sind neu, und ein Vergleich auf Personenebene erfordert Handarbeit.

Checkliste für eine Klassenerhebung

1. Einwilligungen eingeholt, Schulleitung informiert.
2. Ein Projekt je Klasse, Schuljahr im Namen.
3. Attribute angelegt – Geschlecht, Wohnort, Wohlbefinden vordefiniert.
4. Klassenliste importiert.
5. Nur positive Nennungen erhoben.
6. Relation zweimal auf die Karte: gerichtet und reziprok.
7. Kamada-Kawai-Layout, Farbe und Sektor gesetzt.
8. Zentralitätswerte berechnet – und nach jeder Datenänderung neu berechnet.
9. Vor jeder Weitergabe geprüft: Steht ein Name darauf, der nicht darauf gehört?