最終更新: 2026年7月19日
結論
内容分析とテーマ分析はいずれも質的データのパターンを見いだす手法ですが、目指すところが異なります。内容分析はデータを体系的にカテゴリー化し、多くの場合はコードの出現回数を数えて、何が、どれくらい語られたかに答えます。テーマ分析は意味のパターンを解釈して、なぜに答えます。内容分析は演繹的な傾向があり数量化もできますが、テーマ分析は帰納的な傾向があり、解釈を中心とします。
要点
- 内容分析は内容を数量化し、カテゴリー化します。あらかじめ定義したカテゴリーをトップダウンで当てはめることが多く、頻度を報告できるため、部分的に量的な性格を持ちます。
- テーマ分析はテーマ、すなわち共有された意味のパターンを展開します。通常はデータからボトムアップに導き、質的かつ解釈的な性格を保ちます。
- 両手法には重なる部分があります。どちらも体系的にデータをコーディングし、内容分析も質的に実施できます。実際の選択は、研究課題と、件数を重視するか意味を重視するかによって決まります。
- Vaismoradi, Turunen & Bondas (2013) は、両者の違いを明確な境界ではなく、解釈と数量化の連続体として捉えています。
- AIは両手法の機械的な工程（コーディング、カテゴリー化、引用の抽出）を加速しますが、テーマの展開やカテゴリーの妥当性の判断には、依然として人間の判断と監査証跡が必要です。
内容分析とテーマ分析：本質的な違い
質的分析は、インタビューの書き起こし、自由記述のアンケート回答、フォーカスグループでの対話、サポートチケットといった非構造化テキストを、構造化された知見へと変換します。内容分析とテーマ分析は、そのための代表的な2つの方法です。どちらもコーディングから始まるため、混同されることがよくあります。違いは、コーディングの後に何をするかにあります。
内容分析とは
内容分析は、テキストを体系的にカテゴリー化し、多くの場合はそれらのカテゴリーの出現頻度を数える方法です。理論や先行研究から導いた既定のカテゴリーからなるコードブックを用意し、トップダウンで適用するため、演繹的であることがよくあります。参加者のうち何人が価格に言及したか、特定の機能が何回現れたかといった件数を生み出すため、内容分析は質的研究と量的研究の境界に位置することがあります。古典的な文献は、テキストから再現可能で妥当な推論を導くための Krippendorff の枠組みにさかのぼります。大規模なコーパス全体で比較可能性が求められる場合、透明なルールが必要な場合、報告できる数値が必要な場合に力を発揮します。
テーマ分析とは
テーマ分析は、データセット全体にわたるテーマ、すなわち共有された意味のパターンを特定し、分析し、報告します。Braun & Clarke (2006) による広く引用される省察的アプローチでは、コーディングは通常帰納的かつボトムアップに行われ、コードとテーマはデータから構築されるため、予想外の発見も浮かび上がってきます。テーマとは、ある話題について語られたことを寄せ集めた束ではなく、データが何を意味するのかについての解釈的な主張です。テーマ分析は質的な性格を保ち、頻度よりも深さと文脈を重視します。
重なる部分
両手法はいずれも体系的なコーディングによって複雑さを減らし、コードからより上位のパターンへと進むことができます。特に質的内容分析はテーマ分析によく似ており、帰納的に行うこともできます。Vaismoradi らは、両者を共通の連続体上の位置として理解するのが最善だと論じています。その違いは種類ではなく、解釈と数量化の程度にあります。実際上の含意としては、ラベルにこだわりすぎず、研究課題が必要とする重点を選ぶことです。
比較マトリクス
以下の表は、方法論の文献と実務での適用方法に基づき、作業上の主な違いをまとめたものです（2026年7月時点）。
| 観点 | 内容分析 | テーマ分析 |
|---|---|---|
| 主要な問い | 何がどれだけ存在するか。 | それは何を意味し、なぜか。 |
| 典型的な方向性 | 演繹的／トップダウン（多くの場合） | 帰納的／ボトムアップ（多くの場合） |
| 成果物 | カテゴリー、頻度、件数 | テーマ、解釈的な叙述 |
| 数量化 | 一般的で、想定される | 通常は行わない |
| コードブック | コーディング前に定義されることが多い | コーディング中に展開されることが多い |
| 強み | 比較可能性、透明性、規模 | 深さ、文脈、潜在的な意味 |
| リスク | 件数の背後にある意味を見落とす | 監査証跡が弱い。研究者の解釈のずれ |
| 適した場面 | 大規模なコーパス、経時的な追跡 | 探索的な洞察、生きた経験 |
方法適合スコアカード（独自の枠組み）
このクイック・スコアカードを使うと、どちらの方法を主軸にすべきかを判断できます。各文を0（そう思わない）から2（強くそう思う）で採点してください。両列の合計を比べ、合計点の高い列があなたの主要な方法です。合計の差が1点以内の場合は、ハイブリッドで行うことをお勧めします。内容分析で地図を描き件数を数え、テーマ分析で重点となる区分を解釈します。
| 次の場合は内容分析に傾く | 次の場合はテーマ分析に傾く |
|---|---|
| 頻度を報告したり、集団を比較したりする必要がある。 | 問いが探索的である（「ユーザーはXをどう経験しているか？」）。 |
| 検証済みの枠組みやコードブックをすでに持っている。 | 枠組みでは捉えきれない驚きがあると予想している。 |
| 関係者が数値と説明可能なルールを求めている。 | 関係者が行動の裏にある背景を知りたがっている。 |
| コーパスが大きく、規模の中で一貫性が必要である。 | 件数よりも、小規模なサンプルでの深さが重要である。 |
| 同じカテゴリーを経時的に追跡している。 | どれくらい頻繁に出現するかより、意味と文脈が重要である。 |
AIが変えつつあること
2026年半ばまでに、AIは両方法の機械的な部分を圧縮してきました。大規模言語モデルは、固定されたコードブックを何百もの文書に一貫して適用することも（内容分析）、生のコードを引用の裏づけとともに候補となるテーマへとまとめることもできます（テーマ分析）。2026年の業界記事は、AIによって分析時間が数週間から数時間に短縮され、手作業のコーディングの労力も大幅に減ったと報告しています。ただし、これらの主張はベンダーによる報告であり、査読を経たベンチマークではないため、方向性を示すものとして扱ってください。
しかしAIが取り除けないのは、解釈の負担です。カテゴリーが妥当かどうか、テーマが単なる話題の要約ではなく意味の本物のパターンか、コーディングが信頼できるか、といった判断は依然として人間が行うべきものです。望ましい方法は、人間が関与する（human-in-the-loop）方式です。AIが提案し、研究者が判断し、すべての知見が元のテキストまでさかのぼれるようにします。
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。最初にどちらかの流儀を選ばせることなく、両方の分析スタイルを支援します。
- ThemeLens は、最大100件の書き起こしを一度にマップリデュース型のテーマ分析パイプラインで処理します。コードをリサーチクエスチョンに対応づけ、参加者の発言を裏づける引用とともにテーマを統合します。つまり、トレーサビリティを保ったまま規模を拡大したテーマ分析です。
- QDA Workspace は、帰納的・演繹的の両方のコーディング、コードブックの生成、テーマの可視化に対応しています。そのため、演繹的にカテゴリーを数える内容分析と、帰納的なテーマ分析を同じプロジェクト内で行えます。
- コーディングは引用とリサーチクエスチョンへと対応づけられて戻るため、両方法が信頼性を持つために必要な監査証跡を維持できます。
Qualitati のモデレーターの振る舞いとテーマ分析のパイプラインは、学術的な質的研究の文献を基に文書化され、継続的に改良されています。また、多言語コーパスに対応するため、本プラットフォームは10言語で利用できます。
限界とトレードオフ
- ラベルには議論があります。内容分析がどこで終わり、テーマ分析がどこから始まるかについて、方法論者の意見は一致していません。質的内容分析とテーマ分析をほぼ同義と見なす立場もあります。ラベルではなく、採用した手続きを報告してください。
- 件数は誤解を招くことがあります。頻度は重要性と同じではありません。主要なユーザー層が一度だけ提起した懸念が、よくあるが浅い不満よりも重要な場合があります。
- 解釈はずれることがあります。文書化された手続きのないテーマ分析は、都合のよい箇所だけを拾うリスクがあります。コードブック、判断の記録、引用の履歴を保管してください。
- AIには固有のリスクがあります。モデルは、ニュアンスを平板化したり、過度にクラスタリングしたり、長い書き起こしの中で位置による偏りを示したりすることがあります。実行全体を信頼する前に、サンプルを人手で検証してください。
- 人によるレビューについての注記：方法の妥当性、飽和、信頼性についての主張は、所属する分野の基準に照らして確認し、公開の前に有資格の研究者によるレビューを受けてください。
よくある質問
内容分析は質的ですか、量的ですか？
どちらの場合もあり得ます。量的内容分析はカテゴリーを数えて頻度を報告します。質的内容分析は件数の数え上げにはあまり重きを置かず、カテゴリーを解釈します。多くの研究は両者を組み合わせています。
1つの研究で両方の方法を使えますか？
はい。よくある設計は、大規模なコーパス全体で内容分析によりカテゴリーをマップして数え、その後、優先度の高い区分をテーマ分析で深く解釈するものです。どこで一方が終わり、もう一方が始まるかを文書化してください。
テーマ分析は数字を使わない内容分析にすぎませんか？
いいえ。違いは数えるかどうかだけではなく、重点と目的にあります。テーマ分析は潜在的な意味と解釈的なテーマを前面に出します。内容分析は体系的なカテゴリー化を前面に出し、多くの場合は表面的で数えられる内容を扱います。
自由記述のアンケート回答には、どちらが適していますか？
多数の回答にわたって比較可能な件数が必要なら、内容分析が規模によく対応します。回答の背後にある理由を知りたいなら、テーマ分析（またはハイブリッド）の方が強力です。AIで自由記述のアンケート回答を分析する方法のガイドもご覧ください。
AIがあれば、この選択は無関係になりますか？
いいえ。AIはどちらのコーディングも速くしますが、件数と意味のどちらを重視するかという分析の目的は依然として自分で選ぶ必要があり、出力も検証が必要です。方法の選択によって、どこまで論拠を持って主張できるかが決まります。
結論
透明性のあるカテゴリーと、比較・追跡できる件数が必要な場合は内容分析を選んでください。パターンの背後にある意味を説明する必要がある場合はテーマ分析を選んでください。多くの現代のインサイト業務はハイブリッドの恩恵を受けており、AIによってその実践が大規模でも現実的になりました。ただし、コードとテーマを人間が検証することが前提です。
いずれかの方法を自分の書き起こしで試してみたいですか？ 30クレジットで無料で始める（クレジットカードは不要）か、透明性のある料金プランを見ることができます。Qualitati で、AIによるモデレート型インタビュー、会話型アンケート、テーマ分析を端から端まで実行する方法もご覧ください。
外部の出典：Braun & Clarke (2006)、Using thematic analysis in psychology；Vaismoradi, Turunen & Bondas (2013)、Content analysis and thematic analysis（Nursing & Health Sciences）；ATLAS.ti、Thematic vs. content analysis。