テーマ分析とは
テーマ分析は、質的データに含まれるパターン（テーマ）を特定、分析、報告するための方法です。質的研究で最も広く使われている分析手法の一つであり、理論的な柔軟性と取り組みやすさが評価されています。特定の認識論的または理論的枠組みに結びついた手法と異なり、テーマ分析はさまざまな研究課題、データの種類、パラダイムに適用できます。
Virginia Braun and Victoria Clarke は、2006年の画期的な論文で、テーマ分析を名称の付いた体系的な手法として確立しました。それ以前のテーマ分析は、名前も明確な手続きもないまま行われることが多くありました。両者の貢献は、分析プロセスを透明性と再現性のあるものにする、明確な手続きのガイドラインを示したことです。
テーマ分析は、単に繰り返し現れる語を見つけたり、出現頻度を数えたりすることではありません。テーマとは、リサーチクエスチョンとの関係においてデータの重要な何かを捉えたものであり、データセット全体に通底するパターン化された意味を表します。テーマは受動的に発見されるのではなく、研究者がデータと持続的に向き合うことを通じて能動的に構築されるものです。
帰納的アプローチと演繹的アプローチ
テーマ分析は、帰納的にも演繹的にも行うことができます。帰納的アプローチでは、コーディングとテーマの展開はデータ自体によって導かれます。あらかじめ定めたカテゴリーを用いずに始め、資料からパターンが立ち現れるに任せます。既存の理論が限られている新しいテーマを探索する場合に特に有用です。
演繹的アプローチでは、既存の理論的枠組みや概念群をデータに持ち込み、それに沿ってコーディングを行います。既存の理論を検証、拡張、または応用したい場合に有用です。多くの研究は両方を組み合わせ、理論的な感受性を持ちつつ、予期しないパターンにも開かれた状態を保ちながら進めます。
テーマ分析の6つのフェーズ
Braun and Clarke は、テーマ分析の6つのフェーズを示しています。これらのフェーズは厳密に直線的なものではなく、理解が深まるにつれて行きつ戻りつすることになります。硬直した順序ではなく、再帰的なプロセスとして捉えてください。
フェーズ 1：データへの親しみ
コーディングを始める前に、データに十分浸ってください。トランスクリプト、フィールドノーツ、その他の資料を繰り返し読みます。自分でインタビューを行った場合はある程度なじみがあるはずですが、それを丁寧な読み直しの代わりにしてはいけません。録音が利用できれば、音声も聴き直してください。目指すのは、データの深さと広がりを身体で感じ取れるほどの親密な理解です。
このフェーズでは、最初の着想、印象的な観察、潜在的なパターンをメモしてください。これらのメモは予備的で非公式なものですが、体系的なコーディングの土台になります。このフェーズを急がないでください。十分な時間をかけて親しんだ研究者は、一貫して、より豊かでニュアンスのある分析を生み出しています。
フェーズ 2：初期コードの生成
コーディングとは、データ中の意味のある断片を特定し、ラベルを付ける作業です。コードとは、リサーチクエスチョンとの関係においてデータ断片の本質を捉えた簡潔なラベルです。コードは、記述的（内容を要約する）、解釈的（意味を推論する）、パターンベース（繰り返し現れる考えを特定する）のいずれにもなりえます。
各データ項目を体系的に一つずつ扱い、どの項目にも等しく注意を向けてください。この段階では、潜在的なテーマをできる限り多く拾い上げてください。包括的であることが大切です。後からコードをまとめたり捨てたりするほうが、見落としたデータを読み返して再コーディングするより容易だからです。関連する複数の考えに当てはまるなら、一つのデータ抜粋に複数のコードを付けてかまいません。
コーディングの実践的なヒントは次のとおりです。
- データを、データがどうあるべきかという自分の思い込みではなく、データそのものからコーディングする
- コードは意味を持つほど具体的に、かつ多くのデータ項目に適用できるほど広く保つ
- 一貫性を保つため、各コードに短い説明を添える
- 後で正しく解釈できるよう、コーディングした抜粋の前後の文脈を残しておく
- コードを効率よく管理するために、コーディングツールやソフトウェアを使う。Qualitati の QDA ワークスペースは、手作業とAI支援の両方のコーディングに対応しています
フェーズ 3：テーマの生成
包括的なコードの集まりができたら、それらを潜在的なテーマへとまとめ始めます。テーマはコードよりも広く、関連する複数のコードをまとめる中心的な組織化の概念を捉えます。この段階は、共通の糸でつながるコードを山に仕分けていく作業だと考えてください。
この作業にはビジュアルツールが役立ちます。マインドマップ、表、テーママップを使うと、コード同士の関係が見えやすくなり、候補となるテーマを特定しやすくなります。メインのテーマになるコードもあれば、サブテーマになるコードもあります。どこにも当てはまらず、ひとまず「その他」のカテゴリーに置いておくしかないものもあるでしょう。
この段階では、何も早まって捨てないでください。ここで作っているのは候補となるテーマであり、確定させるものではありません。取り込みの基準は低く保ち、絞り込みは次のフェーズに任せてください。
フェーズ 4：テーマの見直し
このフェーズには二段階の見直しがあります。まず、各テーマの中にあるコーディングされた抜粋を見直します。それらは一貫したパターンを形成しているでしょうか。そうでなければ、テーマを作り直す必要があるかもしれません。二つのテーマに分割すべきか、一部の抜粋を別のテーマへ移すべきか、あるいはテーマ自体が成立しないため放棄すべきかもしれません。
次に、テーマを全体のデータセットとの関係で見直します。候補となるテーマを念頭に置いて、もう一度データを読み通してください。テーマはデータセット全体に現れる意味を正確に反映しているでしょうか。テーマが見落としている重要なパターンはないでしょうか。この水準の見直しによって、一部のデータを再コーディングしたり、新しいテーマを生成したりすることになる場合もあります。
有用なチェックがあります。各テーマが何であり、何でないかを明確に説明できるかどうかです。テーマの境界を言語化できないなら、さらに洗練させる必要があります。
フェーズ 5：テーマの定義と命名
満足のいくテーマの集合ができたら、それぞれを定義し、洗練させます。各テーマについて詳しい分析を書いてください。そのテーマはどのような話を語っているのか。データについて語ろうとしている大きな物語のなかで、どう位置づくのか。その範囲と内容は何か。各テーマの本質を特定し、テーマどうしが明確に区別され、過度に重なり合わないようにしてください。
テーマの名前は、簡潔で、インパクトがあり、一目で意味が伝わるものを選んでください。良いテーマ名は、そのテーマが何についてのものかを読者に感じ取らせます。曖昧すぎる一語の名前や、長すぎて覚えにくい名前は避けてください。テーマ名に参加者の言葉を使うことも検討すると、データに根ざしたものになります。
フェーズ 6：執筆
最後のフェーズでは、分析の語りと、データからの抜粋を一つの一貫した説得力のある記述へと編み上げます。執筆では、テーマを記述するだけでなく、リサーチクエスチョンとの関係で主張を展開する必要があります。各テーマは、言いたいことを示す鮮明で的確に選ばれたデータ抜粋で説明されるべきです。
分析を、より広い文献の中に位置づけてください。テーマは既存の研究や理論とどう関係するでしょうか。先行研究を確証するのか、拡張するのか、それとも挑戦するのか。執筆によって、分析が信頼でき、体系的で、洞察に富むものだと読者に納得してもらう必要があります。
テーマ分析でよくある誤り
経験豊富な研究者でも、テーマ分析で誤りを犯すことがあります。よくある落とし穴を知っておくと、それを避ける助けになります。
- インタビューの質問をテーマとして扱う：インタビューの質問はテーマではありません。テーマはデータから生まれるべきであり、インタビューガイドの構造をなぞるものであってはなりません。
- 弱く説得力に欠ける分析：解釈を加えずにデータ抜粋を言い換えるだけでは、分析とは言えません。データが何を意味するのかを説明するために、記述を超えなければなりません。
- テーマが多すぎる、または少なすぎる：非常に多くのテーマは、抽象化が不十分であることを示します。テーマが少なすぎる場合は、データの複雑さを十分に捉えられていない可能性があります。重複なく十分な範囲をカバーする、扱いやすい数を目指してください。
- データと主張の不一致：分析上の主張が、提示するデータ抜粋によって裏付けられているかを確認してください。知見を誇張したり、証拠を超えた主張をしたりすると、信頼性を損ないます。
- 意味レベルと潜在レベルの区別の欠如：意味的テーマはデータの明示的な内容を記述します。潜在的テーマはさらに深く、その基礎にある前提、概念化、イデオロギーを特定します。どのレベルで作業しているのかを明確にし、一貫させてください。
- テーマ分析を受動的なプロセスとして扱う：テーマはデータから自然に「浮かび上がる」わけではありません。研究者であるあなたが、データとの関わりを通じてテーマを能動的に構築するのです。分析を形づくる自分の役割を自覚してください。
テーマ分析のためのツール
テーマ分析は、印刷したトランスクリプトと色つきペンだけでも行えますが、特に大規模なデータセットでは、ソフトウェアツールによって効率と整理が大きく向上します。
NVivo や ATLAS.ti などの従来型の CAQDAS（Computer-Assisted Qualitative Data Analysis Software：コンピュータ支援質的データ分析ソフトウェア）は、強力なコーディングと検索の機能を提供します。ただし、高価であったり、習得に時間がかかったり、多くの手作業を必要としたりすることがあります。
新しいプラットフォームは、分析プロセスを支援するためにAIを取り入れつつあります。Qualitati の ThemeLens 機能は、AIを使って初期コードを提案し、潜在的なパターンを特定しますが、最終的な分析の主導権は研究者が保ちます。データ量に圧倒されがちな初期コーディングの段階で、特に役立つでしょう。
どのツールを使うにせよ、ソフトウェアが分析を代わりに行ってくれるわけではないことを覚えておいてください。ソフトウェアができるのは、データを整理し、データとの関わりを容易にすることです。解釈という知的作業は、あくまであなたのものです。
リフレクシブ・テーマ分析：Braun and Clarke による更新された枠組み
2006年の最初の論文以降、Braun and Clarke はアプローチを発展させ続けており、現在では「リフレクシブ・テーマ分析」と呼ばれています。この更新された枠組みは、次のような重要な点を強調しています。
- 研究者の主観性は問題ではなく資源である。あなたの視点、前提、理論的なコミットメントは分析を形づくります。主観性を排除しようとするのではなく、それを自覚し、活かしてください。
- コーディングは開かれた有機的なプロセスである。コードはデータに貼り付けられた固定的なラベルではなく、データを理解するために研究者が生み出し、発展させていく道具です。
- テーマは分析の入力ではなく出力である。テーマを先に決めて、それに合うデータを探すのではありません。テーマはコーディングを通じて展開し、プロセスの後半で確定されます。
- テーマの正しい数は存在しない。質は、特定の数に到達することではなく、分析の深さと一貫性によって決まります。
テーマ分析の実践：研究者のためのヒント
質の高いテーマ分析を行うために、次のベストプラクティスを検討してください。
- 十分な時間を確保する。テーマ分析は反復的で時間のかかるものです。特に、親しむフェーズとコーディングには、必要だと思う以上の時間を見込んでください。
- リフレクシブ・ジャーナルをつける。分析上の判断、変化していく解釈、プロセス全体での考察を記録してください。これは透明性を高め、研究の厳密さを支える主張の裏付けになります。
- ピア・デブリーフィングを行う。コードとテーマを同僚や指導教員と議論してください。新鮮な視点は盲点を明らかにし、分析を強化してくれます。
- リサーチクエスチョンを錨として使う。大規模なデータセットでは、興味深いが本筋から外れたパターンに気を取られがちです。定期的にリサーチクエスチョンに立ち戻り、焦点を保ってください。
- テーマだけでなく分析を提示する。執筆では、テーマを並べて例示的な引用を添えるだけでは不十分です。論拠を組み立て、物語を語り、テーマ同士がどう結びついているかを示してください。
テーマ分析を始めるために
テーマ分析は、質的研究者が利用できる最も取り組みやすく汎用性の高い手法の一つです。インタビューのトランスクリプト、フォーカスグループのデータ、自由記述のアンケート回答、文書のいずれを分析する場合でも、6つのフェーズの枠組みが、生データから意味のある知見に至る明確で体系的な道筋を示してくれます。
テーマ分析のためにインタビューのデータを集めるなら、インタビューの質問が分析可能なデータをどう形づくるかを考えてください。よく設計された自由回答形式の質問は、より豊かなデータを生み、最終的にはより洞察に富んだテーマにつながります。
データ収集から分析までの質的研究のワークフローを効率化したい研究者には、Qualitati が、インタビューの実施、文字起こし、テーマコーディングを一か所で行える統合プラットフォームを提供しています。研究ニーズに合ったプランを見つけるには、料金プランをご覧ください。