評価コンパスEvalCompass
分析・統合質的分析コーディングインタビュー分析テーマ生成評価実務

テーマ分析

Thematic Analysis
別名: 主題分析、テーマティック・アナリシス、TA

インタビューや自由記述などの質的データを繰り返し読み込み、意味のある単位（コード）を付与してテーマを生成する、評価実務で最も広く使われる質的分析の基本手法。

難易度 中級 ●●●費用 低 ●●●期間 1〜4週間（データ量とコーディングの精度・コンセンサス確認による）
テーマ分析 コーディング作業シートを開く →

概要

テーマ分析（Thematic Analysis）は、質的データの中に反復するパターン（テーマ）を特定・記述・解釈する手法。Braun & Clarke（2006）が『Using thematic analysis in psychology』で6段階の手順を体系化したことで世界的に標準化され、その後同著者による反省的テーマ分析（Reflexive Thematic Analysis）への発展が続いている。評価の文脈では、インタビュー・フォーカスグループ・自由記述・観察記録・文書など多様なデータに適用でき、専門的な哲学的訓練がなくても実施できる点から、実務評価での採用率が質的手法の中で最も高い。

分析の論理は「データ」から「コード」、コードから「テーマ」への集約にある。コードはデータの特定の箇所に付ける意味ラベルであり、テーマは複数のコードが共有する中心的な意味を指す。帰納的（データ駆動型）なアプローチと演繹的（評価クエスチョン・理論駆動型）なアプローチがあり、評価では両者を組み合わせることが多い。1人でも実施できるが、複数の分析者が独立してコードを付与しコンセンサスを形成するプロセスが、分析の信頼性（Credibility）を高める。

✓ こんな時に使う

  • インタビューやフォーカスグループのトランスクリプトから、受益者・関係者の経験・認識・ニーズのパターンを把握したいとき
  • アンケートの自由記述欄を体系的に分析し、定量データだけでは見えない文脈・理由を明らかにしたいとき
  • プログラムの実施過程・障壁・成功要因を関係者の語りから探索的に明らかにしたいとき
  • 政策文書・報告書などのテキスト資料を質的に分析し、優先課題や価値観のパターンを抽出したいとき

✕ 向かない場面

  • 何パーセントの人がこう感じているかという量的な頻度把握が主目的の場合 — 内容分析や記述統計が適する
  • データ収集とほぼ同時に即時フィードバックが必要な場面 — テーマ分析は時間をかけた反復的読み込みを要する
  • 分析者が質的研究への姿勢（解釈の主観性・不確実性の許容）に馴染みがなく、客観的な答えのみを求めている場合

実施手順

  1. データへの親しみ（Familiarization）
    全トランスクリプト・テキストを繰り返し読み、最初のアイデアや気づきをメモする。この段階での判断は保留し、データ全体の感触をつかむことに専念する。
  2. 初期コードの生成
    データの各箇所に意味のあるラベル（コード）を付与する。コードは短い語句で、何について語っているかを表す。特定の理論的枠組みに縛られず、データが語ることに忠実に付与する（帰納的コーディング）。
  3. テーマの探索
    関連するコードを集め、より大きな意味のまとまり（テーマ候補）を形成する。コードの一覧を紙またはソフトウェアで俯瞰し、類似したコード群を視覚的にグルーピングする。
  4. テーマのレビューと洗練
    テーマ候補を元データに照らして検証する。このテーマはデータに十分な根拠があるか、テーマ同士は十分に区別されているか、全体のテーマ構造は評価クエスチョンに答えているかを問い直す。
  5. テーマの定義と命名
    各テーマの本質（何を捉えているか）を1〜2文で定義する。テーマ名はデータの内容を的確に反映した名称にする。サブテーマが必要な場合は階層を整理する。
  6. 報告書の執筆
    各テーマについて、代表的な引用（verbatim quotes）を根拠として示しながら分析的な物語（narrative）を記述する。データを羅列するだけでなく、テーマが何を意味するかという解釈を加える。

長所と限界

長所

  • 特定の哲学的立場を前提とせず、さまざまな認識論的枠組みで使える柔軟性がある
  • 手順が明確で、質的研究の経験が少ない評価実務者でも段階的に実施できる
  • 参加者の経験・見方・意味をその文脈とともに捉えられ、量的データでは見えないなぜを明らかにする
  • 複数の分析者によるコンセンサス形成プロセスが分析の透明性と信頼性を高める

限界

  • 分析者の解釈が結果に影響するため、同一データでも分析者によって異なるテーマが生成されうる
  • テーマを見つけただけで分析として提示されることがあるが、テーマの解釈的記述こそが分析の本体
  • 大量データ（数十〜百件のトランスクリプト）への適用は時間・労力がかかる。テキストマイニングとの併用を検討
  • 頻度情報（何人がこのテーマに言及したか）は通常テーマ分析では報告しないが、評価報告では読者が混乱しやすい

⚠ よくある落とし穴

  • コードをテーマと混同する — コードは「バスの乗り方が分からなかった」、テーマは「アクセス障壁」のように抽象レベルが異なる。テーマはコードの集積ではなく、コードが共有する意味を捉える
  • よく出てきた話題をテーマとする頻度偏重 — テーマの基準は頻度ではなく評価クエスチョンへの重要性。わずか1人の語りでも評価上重要なテーマになりうる
  • 引用の羅列で終わり分析的解釈がない — 参加者はこう語ったという記述だけでなく、これが意味することはという評価者の分析コメントが不可欠