Digitale Online-Plattformen haben die Experimente auf große nationale und internationale Stichproben ausgedehnt, was die potenzielle Heterogenität der Reaktionen auf die untersuchten Behandlungen erhöht. Daher ist die Identifizierung und Untersuchung dieser Heterogenität bei Online-Verhaltensexperimenten von entscheidender Bedeutung. In der computergestützten Sozialwissenschaft sind neue Analysetechniken entstanden, um dieses Ziel zu erreichen. Wir werden ein Beispiel aus einer Studie über die COVID-19-Pandemie vorstellen, in der modellbasierte rekursive Partitionierung auf Daten aus einem Online-Experiment zur Erhöhung der Impfbereitschaft in acht europäischen Ländern angewendet wurde. Eine weitere wertvolle Information, die durch diesen Ansatz gewonnen wird, ist die Identifizierung bestimmter Segmente der untersuchten Stichprobe, die eine weitere Untersuchung verdienen könnten. Die Identifizierung von "lokalen" Modellen der Bevölkerung ist nicht nur eine Frage des Zufalls. Bei der Anwendung auf unabhängige Variablen, die sozioökonomische und verhaltensbezogene Maße beinhalten, erlaubt uns diese Möglichkeit/Technik, Untergruppen zu erkennen/zu bestimmen, die sich durch ein bestimmtes sozioökonomisches oder kognitives Muster auszeichnen, das diese Gruppe teilt. Eine solche Gruppe könnte sehr wohl quer zu den traditionellen soziodemografischen Kategorien liegen.