最終更新: 2026年6月27日
結論
質的分析において、コードとは特定のデータの断片に付けられる短いラベルです。カテゴリは関連するコードをまとめた、より上位のまとまりです。テーマは、データセット全体に通底する中心的な考え方を捉えた解釈的なパターンです。階層は下から上へ、コード→カテゴリ→テーマと積み上がります。コードはデータの中に何があるかを記述し、テーマはそれが何を意味するかを説明します。
要点
- コードはデータ断片に付ける記述的なラベルです。カテゴリはコードを整理します。テーマは解釈的なもので、データについての一貫した物語を語ります。
- Braun & Clarke は明確な区別を示しています。テーマはコーディングの成果であり、コーディングの対象そのものではないということです。彼らの「レンガと瓦の家」という比喩（コードがレンガ、テーマが壁）が、この違いを覚える最もよく引用される方法です。
- 「カテゴリ」は内容分析やグラウンデッド・セオリーで最も明示的に使われます。省察的テーマ分析では、カテゴリはコードからテーマへの移行の中に組み込まれることが多くあります。
- 初学者によくある誤りは、トピックの要約（ある主題について語られたことをまとめた束）を、テーマ（共有された意味や考え）と取り違えることです。
- AIはコーディングやクラスタリングを加速できますが、テーマの展開は人間の判断と監査証跡を必要とする解釈的な作業です。
コード、カテゴリ、テーマ：核心的な違い
質的分析は、非構造化されたテキスト——インタビューの書き起こし、自由回答式のアンケート回答、フォーカスグループでの対話——を構造化された洞察へと変換します。この3つの構成要素は、抽象度が高まっていく階層を形成します。それぞれがどこに位置するかを理解することが、ラベルの整った表計算シートと、行動につなげられる発見との違いを生みます。
コードとは何か
コードとは、データの特定の断片の意味を捉えた短いラベルです。コーディングによって大量のテキストを、小さく検索可能な単位に分解します。コードには、記述的なもの（「オンボーディングでの摩擦に言及」）、インビボ・コード（参加者自身の言葉、例：「なんだかぎこちなく感じた」）、概念的なもの（「コントロールの喪失」）があります。20件のインタビューからは、統合の前に通常80–100件の生のコードが生まれます。
カテゴリとは何か
カテゴリとは、抽象度で一段上に位置する、関連するコードのまとまりです。「メニューが分かりにくい」「クリックが多すぎる」「設定が見つからなかった」というコードがあれば、それらをナビゲーションの困難というカテゴリにまとめられるかもしれません。カテゴリは質的内容分析やグラウンデッド・セオリーで最も明示的に扱われ、そこではコードからカテゴリへの移行が名前の付いた工程となっています。Saldaña の用語で言えば、第一サイクルのコードをカテゴリにまとめる作業は、第二サイクルのコーディング（パターン、焦点化、軸足コーディング）の役割です。一方、テンプレート分析では、カテゴリは事前に下書きされ、その後データに照らして修正されます。
テーマとは何か
テーマとは、データ全体に通底する中心的な概念や共有された意味を捉えた、解釈的な構成概念です。Braun and Clarke によれば、テーマはトピックの要約ではなく、中心的な考えを軸に組織された意味のパターンです。彼らの比喩では、コードが個々のレンガや瓦だとすれば、テーマはそれらが多数組み合わさってできた壁や屋根のパネルにあたります。彼らの言葉を借りれば、「SECURITY」はコードになり得るが、「A FALSE SENSE OF SECURITY（偽りの安心感）」はテーマである、ということになります。
階層の一覧
| レベル | 内容 | 抽象度 | 例 | 問い |
|---|---|---|---|---|
| コード | データ断片へのラベル | 低（記述的） | 「エクスポートボタンが見つからなかった」 | ここでは何が語られているか？ |
| カテゴリ | 関連するコードのまとまり | 中（組織的） | ナビゲーションの困難 | これらのコードには何が共通しているか？ |
| テーマ | 意味の解釈的パターン | 高（概念的） | 「強力だが、歓迎されない感じのするツール」 | それは研究課題にとって何を意味するか？ |
境界が曖昧になる点
これらの用語は学派によって同じ意味で使われるわけではなく、それが初学者にとって混乱の最大の原因です。
- グラウンデッド・セオリーは、オープン・コーディング → カテゴリ（軸足コーディングを経て） → コアカテゴリという流れをたどり、「テーマ」という語は緩やかにしか用いません。詳しくはグラウンデッド・セオリーとAIのガイドをご覧ください。
- 質的内容分析は、カテゴリを中心に据え、その出現頻度を数えることも多くあります。
- 省察的テーマ分析（Braun & Clarke）は、明示的な「カテゴリ」の階層を省略することが多く、コードから候補テーマへ直接移り、その後洗練させます。研究者は「テーマのためにコーディングする」と書いている文献もありますが、Braun and Clarke はこれに注意を促しています。彼らにとってテーマは分析の出発単位ではなく、分析の結果だからです。
実践的なルール：一つの学派を選び、方法の節で用語を定義し、一貫して適用してください。査読者は、どの用語を選んだかよりも、一貫性をはるかに重視します。
具体例
新しい分析ダッシュボードについて15件のインタビューを実施したとします。
- コード（生のもの）：「グラフが多すぎる」「数字を信用できなかった」「エクスポートが気に入った」「同僚に助けを求めた」「フィルターを使うのをあきらめた」。
- カテゴリ：情報過多（グラフが多すぎる、フィルターをあきらめた）、信頼のギャップ（数字を信用できなかった、同僚に尋ねた）、良い点（エクスポートが気に入った）。
- テーマ：「ユーザーは、より少なく、より信頼できるシグナルを求めている」——二つのカテゴリをまたぎ、プロダクトの意思決定に直接答える解釈です。
このテーマは、トピックの言い換えではなく、参加者の発言に根ざした意味についての主張であることに注目してください。それがテストの基準です。
独自のツール：コードからテーマへの昇格チェックリスト
この Qualitati のチェックリストを使って、候補が本物のテーマなのか、それとも単なるトピックのまとまりなのかを判断してください。本物のテーマであれば、6項目のうち少なくとも4項目を満たすはずです：
- □ 中心となる組織化概念——テーマの核心となる考えを一文で述べられますか？
- □ 複数の事例をまたぐ——鮮やかな一例だけでなく、複数の参加者に支持されていますか？
- □ 記述ではなく解釈的である——データが何についてであるかだけでなく、それが何を意味するかを述べていますか？
- □ 引用に裏付けられている——それを例示する参加者の引用を2–3件添えられますか？
- □ 境界が明確である——他のテーマと明確に区別されていますか（重なりが最小限ですか）？
- □ 研究課題に答える——掲げた問いに向けて分析を前進させていますか？
候補が1〜2項目しか満たさない場合、それはおそらくカテゴリかトピックの要約です。分析を続けてください。
Qualitati の位置づけ
Qualitati は、プロダクト、UX、顧客インサイトのチーム向けのAIユーザーリサーチ・プラットフォームです。その分析ツールは、まさにこの階層に対応しています：
- QDA Workspace は、AIを活用した帰納的・演繹的コーディングとコードブックの生成——コードとカテゴリの層——を支援し、各段階で人間によるレビューを行えます。
- ThemeLens は、最大100件の書き起こしを一度に対象に、map-reduce 方式のテーマ分析パイプラインを実行します。コードを研究課題に対応づけ、参加者の引用に根ざしたテーマを統合します。テーマの層であり、すべてのテーマを元の根拠に結びつけることで、誠実さを保ちます。
設計の意図は、解釈の主導権を人間が持ち続けることです。AIはコードやクラスターを素早く提案し、どれをテーマにするかは研究者が決めます。検証のワークフローについてはHuman-in-the-loop のテーマ分析を、帰納的か演繹的かの選択については帰納的コーディングと演繹的コーディングの比較をご覧ください。
限界とトレードオフ
率直に述べておくべき注意点は3つあります：
- 用語は普遍的ではありません。ある方法で「テーマ」と呼ばれるものが、別の方法では「カテゴリ」と呼ばれることがあります。用語は必ず定義し、共通の語彙を前提にしないでください。
- AIはクラスタリングをしすぎたり、ニュアンスを平板にしたりすることがあります。自動的なグループ化は、表面的な類似性でコードを統合しがちで、意味のある違いを覆い隠すおそれがあります。最近の信頼性研究によれば、人間とAIのコーディングの一致はまだ不完全です。そのため、AIの出力は判定ではなく下書きとして扱ってください。詳しくはLLMは人間のコーダーと一致するか？をご覧ください。
- テーマは解釈的です。熟練した2人の研究者が、同じデータから異なるが、どちらも妥当なテーマを導くことがあります。これは質的研究の特徴であって、欠陥ではありません。ただしそれは、単一の「正解」を主張するよりも、プロセスの透明性がより重要になることを意味します。
人間によるレビューのための方法論上の注記：テーマの展開は解釈的な行為です。判断の過程を記録し、監査証跡を残し、AIをどのように用いたかを報告してください。
よくある質問
カテゴリはテーマと同じですか？
いいえ。カテゴリは、コードが共有する特徴によって関連するコードをまとめたものです。テーマは、それらのパターンが研究課題にとって何を意味するかを解釈したものです。カテゴリは組織的なもので、テーマは概念的なものです。
「カテゴリ」の層は常に別途必要ですか？
必ずしもそうではありません。グラウンデッド・セオリーと内容分析ではカテゴリが明示されます。省察的テーマ分析では、正式なカテゴリの段階を経ずに、コードから候補テーマへ移ることが多くあります。ご自身の方法に基づいて選んでください。
テーマはいくつ必要ですか？
ほとんどの研究では、テーマは3〜6個に落ち着きます。テーマが多すぎる場合は、カテゴリやトピックの要約を誤ってテーマとして示している可能性が高いです。少なすぎる場合は、過度に一般化しているおそれがあります。
AIはテーマを自動生成できますか？
AIは候補となるコードを提案し、それらをクラスタリングし、引用を伴うテーマの記述案を作成できます。ただし、テーマは解釈的なものなので、最終的なテーマの集合は人間が確認し、洗練させ、責任を持って決めるべきです。AIは加速のために使い、決定はしないでください。
コードとテーマの違いを一行で言うと？
コードはデータの断片が何を語っているかにラベルを付けるものであり、テーマはデータセット全体を通じてそのデータが何を意味するかを説明するものです。
「トピック」と「テーマ」は同じですか？
いいえ。トピックとは、人々が語った話題のことです（例：「価格」）。テーマとは、その話題についての共有された意味です（例：「価格設定は、たまにしか使わないユーザーには懲罰的に感じられる」）。トピックの要約は、テーマを誤認する最も一般的な罠です。
結論
コードは記述し、カテゴリは整理し、テーマは解釈します。階層を正しく捉えれば、分析は説得力を持ち、有用なものになります。逆に曖昧にすると、発見のように装ったトピックの一覧になってしまいます。Qualitati の QDA Workspace や ThemeLens のようなAIツールは、数十件の書き起こしにわたるコーディングとクラスタリングの機械的な作業を圧縮できます。しかし、コードからテーマへの飛躍こそ、今なお人間の判断が力を発揮する場面です。
30クレジットの無料枠から、クレジットカード不要で始められます。アカウントを作成して、AIモデレーターによるインタビューまたは会話型アンケートを実施し、ThemeLensに、参加者の引用に根ざしたテーマへとコードを対応づけてもらいましょう。まず料金体系をご覧になることもできます。