Citizen Science (CS) ist eine Methode, die in den letzten Jahren in der Wissenschaft weltweit an Bedeutung gewonnen hat. Obwohl viele Studien diese Daten mit denen von akademischen Forschenden verglichen, gibt es immer noch Bedenken hinsichtlich ihrer Qualität. In meiner Doktorarbeit zielte ich darauf ab die Methode CS für eine Vogelart mit einem großen Repertoire, der Nachtigall (Luscinia megarhynchos), als Anwendungsfall auf der Grundlage der Dialektforschung zu evaluieren. Ich untersuchte, ob die drei vermeintlichen Hauptgründe für schlechte Qualität (Anonymität, Unerfahrenheit und fehlende Standardisierung) zu unvollständigen, zeitlich oder räumlich verzerrten und ungenauen bioakustischen Daten führten. Dazu analysierte ich nicht-standardisierte CS-Aufnahmen, die mit einem Smartphone über die 'Naturblick' App erstellt wurden, welche einen eingebauten Mustererkennungsalgorithmus enthielt. Ich konnte in meiner Doktorarbeit zeigen, dass mit der Methode CS valide Daten für die bioakustische Forschung gewonnen werden können. Meine Ergebnisse zeigten, dass Anonymität, mangelnde Erfahrung und Standardisierung nicht zu geringer Qualität führten, sondern zu einem großen Datensatz, der genauso wertvoll war wie jene von akademischen Forschenden. Die Ergebnisse sind von großer Bedeutung für künftige CS-Projekte zur Verbesserung der Qualität und des Vertrauens in diese Daten. / Citizen science (CS) is a method that has been increased in science worldwide in recent years. Although many studies have compared these data with those of academic researchers, there are still concerns about their quality. In my doctoral thesis I aimed to evaluate the method of CS for a bird species with a large repertoire, the nightingale (Luscinia megarhynchos), as a use case based on dialect research. I investigated whether the three main assumed reasons for poor quality (anonymity, inexperience and lack of standardisation) led to incomplete, temporal or spatial biassed and inaccurate bioacoustic data. Therefore, I analysed non-standardised CS recordings, which were generated with a smartphone via the 'Naturblick' app, which contained an in-built pattern recognition algorithm. In summary (Chapter V), my doctoral thesis showed that the method CS could be used to generate valid data for bioacoustic research. My findings showed that anonymity, lack of experience and standardisation did not lead to low quality but in fact to a large dataset, which was as valuable as ones from academic researchers. The results are of great relevance for future CS projects to improve the quality and the trust in these data.