テーマ別分析

主題分析は、質的研究において最も一般的な分析形態の1つです。[ 1 ] [ 2 ]主題分析では、質的データ内の意味のパターン（または「テーマ」）を特定、分析、解釈することに重点が置かれます。[ 1 ]主題分析は、グラウンデッド・セオリー、談話分析、物語分析、解釈現象学的分析など、他のほとんどの質的分析アプローチとは対照的に、方法または技法として理解されることがよくあります。これらのアプローチは、研究のための方法論または理論的根拠に基づいた枠組み（指導理論、適切な研究課題とデータ収集方法、分析実施手順を特定する）として説明できます。主題分析は、単一の方法というよりも、さまざまな異なるアプローチを包括する用語と考えるのが最適です。主題分析の異なるバージョンは、異なる哲学的および概念的仮定に基づいており、手順の点でも多岐にわたります。主題分析の第一人者である心理学者バージニア・ブラウンとビクトリア・クラーク[ 3 ]は、主題分析を主に3つのタイプに区別しています。コーディング信頼性アプローチ（リチャード・ボヤツィス[ 4 ]とグレッグ・ゲストとその同僚によって開発されたアプローチ[ 2 ]など）、コードブックアプローチ（フレームワーク分析[ 5 ] 、 テンプレート分析[ 6 ] [ 7 ]、マトリックス分析[ 8 ]などのアプローチを含む）、および再帰的アプローチ[ 9 ] [ 10 ]です。彼らは、2006年に学術誌「Qualitative Research in Psychology」[ 1 ]で、広く使用されている独自のアプローチを初めて再帰主題分析として説明しました。[ 11 ]この論文はGoogle Scholarで12万回以上引用されており、Google Scholarによると2006年に発表された最も引用された学術論文です。[ 12 ]この論文の人気は、主題分析が独自の方法として注目されていることを表しています（ただし、主題分析が独自の方法なのか、それとも単に分析手順の一般的なセットなのか疑問視する人もいます[ 13 ]）。

説明

主題分析は質的研究で使用され、データ内のテーマや意味のパターンを調べることに焦点を当てています。[ 14 ]この方法は、データセットの構成と豊富な記述、および理論に基づいた意味の解釈の両方を重視できます。[ 1 ]主題分析は、単にテキスト内のフレーズや単語を数えること（内容分析のように）を超えて、データ内の明示的および暗黙的な意味を探ります。[ 2 ]コーディングは、データ内の分析上の関心事項を識別し、これらにコーディングラベルをタグ付けすることで、テーマを展開する主要なプロセスです。[ 4 ]いくつかの主題分析アプローチでは、コーディングはテーマ展開の後に行われ、事前に識別されたテーマにデータを割り当てる演繹的なプロセスです（このアプローチはコーディングの信頼性とコードブックのアプローチで一般的です）。他のアプローチ、特に Braun と Clarke の再帰的アプローチでは、コーディングがテーマ展開に先行し、テーマはコードから構築されます。[ 3 ]主題分析の特徴の 1 つは[ 1 ]主題分析は、参加者の生活経験、視点、行動、実践、特定の現象に影響を与えて形作る要因と社会的プロセス、特定の実践を支配する明示的および暗黙の規範と「ルール」、特定のテキストと文脈における意味の社会的構築と社会的オブジェクトの表現に関する質問を調査するために使用できます。[ 15 ]

主題分析は、インタビュー、フォーカスグループ、アンケート、依頼された日記、視覚的方法、観察および現地調査、アクションリサーチ、記憶作業、小話、物語完成[ 16 ]および二次資料から収集された質的データを含むほとんどの種類の質的データの分析に使用できます。データセットは、自由形式の調査質問に対する短く形式的な回答から、数百ページに及ぶインタビューの記録まで多岐にわたります。[ 17 ]主題分析は、小規模および大規模なデータセットの両方を分析するために使用できます。[ 1 ]主題分析は混合手法デザインでよく使用されます。TA の理論的な柔軟性により、特定の理論的仮定が埋め込まれたアプローチよりも簡単な選択となります。

主題分析は、参加者の主観的な経験と意味形成に焦点を当てることができるという点で、現象学と両立すると主張されることがあります。 [ 2 ]現象学的研究において主題分析を用いる長い伝統があります。[ 18 ]現象学的アプローチは、参加者の知覚、感情、そして経験を研究の最も重要な対象として重視します。人間性心理学に根ざした現象学は、一般的に質的研究において「他者」に発言権を与えることを重要な要素として挙げています。このアプローチにより、被調査者は定量的研究に見られる固定された回答の質問の制約を受けることなく、自分の言葉でトピックについて議論することができます。

主題分析は、現象学や経験主義的な質的研究アプローチとのみ両立すると誤解されることがある。ブラウンとクラークは、彼らの再帰的アプローチは、社会構成主義、ポスト構造主義、そして批判的質的研究アプローチとも同様に両立すると主張している。[ 19 ]彼らは主題分析の理論的柔軟性と、実在論、批判的実在論、相対主義的存在論、そして実証主義、文脈主義、構成主義的認識論におけるその応用を強調している。

ほとんどの研究方法と同様に、データの主題分析のプロセスは、帰納的にも演繹的にも行うことができます。[ 1 ]帰納的アプローチでは、特定されたテーマはデータに強く結びついています。[ 4 ]つまり、コーディングのプロセスは、データを既存の理論や枠組みに当てはめようとすることなく行われます。しかし、実際の帰納的学習プロセスは「純粋なボトムアップ」になることはめったにありません。研究者やそのコミュニティが、存在論的（現実の理論）、認識論的（知識の理論） 、パラダイム的（習慣的）な仮定から完全に自由になることは不可能です。コーディングは常に、研究者の哲学的立場、および知識と学習に関する個人的/共同体の価値観をある程度反映します。[ 1 ]一方、演繹的アプローチは、より理論主導です。[ 20 ]この形式の分析は、既存の理論や概念（共有学習の透明性のために理想的に引用される）によって明示的に形成され、情報提供されるため、より解釈的になる傾向があります。演繹的アプローチには、データセット内の他の研究で特定されたテーマを特定しようとすることや、既存の理論をレンズとして用いてデータを整理、コード化、解釈することが含まれる。演繹的アプローチは、研究課題やデータ収集上の課題によって駆動されるコード化であると誤解されることがある。主題分析では、帰納的アプローチと演繹的アプローチを組み合わせることも可能であり、例えば、臨床医主導の質的データ分析チームによる事前のアイデアと、研究参加者や現場観察から浮かび上がるアイデアとの相互作用を明らかにすることができる。[ 21 ]

異なるアプローチ

コーディングの信頼性[ 4 ] [ 2 ]アプローチは最も長い歴史があり、質的内容分析とほとんど変わらないことが多い。その名の通り、構造化され固定されたコードブックの使用によるコーディングの信頼性の測定、コードブックをデータに適用するために独立して作業する複数のコーダの使用、評価者間信頼性またはコーダ間一致の測定（通常はコーエンのカッパ係数を使用）、およびコーダ間の合意または合意による最終的なコーディングの決定を優先する。これらのアプローチは質的実証主義または小q質的研究の一種であり、[ 22 ]質的データの使用と（量的）実証主義の研究価値と仮定に基づくデータ分析プロセスおよび手順を組み合わせたものである。つまり、コーディングの信頼性を確立することの重要性を強調し、研究者の主観または「バイアス」をコーディングの信頼性に対する潜在的な脅威と見なし、研究者の存在と積極的な影響による「結果」の交絡を避けるために、これを抑制して「制御」する必要があるとしている。 Boyatzis [ 4 ]は、彼のアプローチが量的（実証主義）パラダイムと質的（解釈主義）パラダイムの間の「溝を埋める」ことができるものであると述べている。一部の質的研究者は、構造化されたコードブック、複数の独立したコーダ、評価者間の信頼性尺度の使用に批判的である。Janice Morseは、コーディングの合意を促進するためには、そのようなコーディングは必然的に粗く表面的であると主張している。[ 23 ] BraunとClarke（Yardley [ 24 ]を引用）は、コーディングの合意が示すのは、コーダが同じ方法でコーディングするように訓練されているということであり、コーディングが、コード化され記述される根底にある現象に関して「信頼できる」または「正確」であるということではないと主張している。[ 15 ]

フレームワーク分析[ 5 ] 、テンプレート分析[ 6 ]、マトリックス分析[ 8 ]などのコードブックアプローチは、構造化されたコードブックの使用に重点を置いていますが、コーディング信頼性アプローチとは異なり、程度の差はあれ質的研究の価値を重視しています。コーディング信頼性アプローチとコードブックアプローチはどちらも、通常、早期のテーマ開発を伴います。つまり、テーマの全部または一部はコーディング前に開発され、多くの場合、データの精通（データを読み、再読してその内容を深く理解すること）が行われます。テーマが開発されると、コードブックが作成されます。これには、データの一部または全部の初期分析が含まれる場合があります。次に、データはコーディングされます。コーディングでは、コードブックをガイドとして使用して、事前に決定されたテーマにデータを割り当てます。コードブックは、各データ項目におけるコードとテーマの出現をマッピングして表示するためにも使用できます。テーマは、多くの場合、BraunとClarkeによって議論された共通トピック型です。[ 3 ]

再帰的アプローチは、有機的で柔軟なコーディングプロセスを中心に据えています。コードブックは存在せず、コーディングは1人の研究者によって実施できます。複数の研究者がコーディングに関与する場合は、合意形成につながるプロセスというよりも、共同作業として概念化されます。個々のコードは固定されていません。コーディングプロセスを通して進化し、コードの境界は再描画され、コードは2つ以上のコードに分割され、他のコードと統合され、テーマへと昇格することさえ可能です。[ 15 ]再帰的アプローチでは通常、後からテーマが展開されます。テーマは、類似のコードをまとめて作成します。テーマは、中心となる概念やアイデアを中心に構成された共通の意味を捉えるべきです。[ 25 ]

ブラウンとクラークとその同僚たちは、テーマ別分析における多様性を見落としがちな傾向や、彼らが示した様々なアプローチの違いを認識していないことを批判してきた。[ 26 ]彼らは、この失敗が、コードブック、コンセンサスコーディング、評価者間信頼性の測定などの互換性のない技術やアプローチと彼らのアプローチを無意識に「混ぜ合わせる」ことにつながると主張している。

テーマ

主題分析におけるテーマの定義や概念化は一つではありません。[ 27 ] Braun や Clarke など、一部の主題分析支持者にとって、テーマはデータ項目全体にわたる共通の意味のパターンとして概念化され、中心概念によって支えられまたは統合され、現象を理解する上で重要であり、研究課題に関連しています。[ 3 ]他の支持者（ほとんどのコーディング信頼性およびコードブック支持者を含む）にとって、テーマは特定のトピックまたはデータ領域に関連する情報の要約に過ぎません。中心概念の周りに整理された共通の意味は必要なく、共通のトピックがあれば十分です。[ 3 ]これら 2 つの概念化は主題分析に対する特定のアプローチに関連付けられていますが、混同され、統合されることがよくあります。ブラウンとクラークがドメイン要約またはトピック要約テーマと呼ぶものは、多くの場合、一語のテーマタイトル（例：ジェンダー、サポート）や「…の利点」「…の障壁」といったタイトルが付けられており、特定のトピックまたはデータドメインに関して、参加者の発言や提起された主要なポイントをすべて要約することに重点を置いていることを示しています。[ 3 ]トピック要約テーマは通常、データコーディングの前に作成され、データ収集の質問を反映しています。中心概念またはアイデアによって支えられている共通の意味のテーマ[ 25 ]はコーディングの前に作成することはできません（コードから構築されるため）。したがって、徹底的かつ体系的なコーディングプロセスの成果物です。ブラウンとクラークは、中心概念によって支えられている共通の意味を捉えるというテーマの概念化とトピック要約テーマの混同を批判してきました。[ 28 ]一部の質的研究者は、トピック要約は未発達な分析または分析の閉塞を表すと主張しています。[ 29 ] [ 30 ]

データから「テーマが出現する」という概念については議論がある。ブラウンとクラークはこの表現に批判的である。なぜなら、この表現はテーマをデータの中に完全に形成された実体として位置づけており、研究者はデータから「出現する」テーマの受動的な目撃者に過ぎないからだと主張するからである。[ 1 ]彼らはむしろ、研究者はテーマの創造において能動的な役割を果たしており、テーマは単に出現するのではなく、構築され、創造され、生成されると主張する。他の人々は、テーマの帰納的（出現的）創造を捉えるために、この用語を意図的に用いている。しかし、この用語がどのように使用されているかは必ずしも明確ではない。

テーマを構成する要素を決定する上で、出現頻度や再発は必ずしも最も重要な基準ではありません。テーマは、研究課題との関連性が高く、関心のある現象を理解する上で重要である場合に重要とみなされます。[ 1 ] テーマの出現頻度は、必ずしもテーマの出現頻度（つまり、出現するデータ項目の数）を意味するわけではありません。また、各データ項目内およびデータセット全体で、テーマがどれだけのデータを取り込むかを意味する場合もあります。テーマは通常、データセット全体で明らかですが、出現頻度が高いからといって、必ずしもそのテーマがデータの理解にとって重要であるとは限りません。どのテーマがより重要かを判断するには、研究者の判断が鍵となります。[ 1 ]

データのコード化やテーマの特定には、意味的レベルと潜在的レベルという異なるレベルがあります。[ 4 ] [ 1 ]テーマ分析は、これらのレベルのいずれか、あるいは両方に焦点を当てることができます。意味的コードとテーマは、データの明示的かつ表面的な意味を特定します。研究者は、参加者の発言や記述内容を超えて考察することはありません。一方、潜在的コードやテーマは、根底にある考え、パターン、そして仮定を捉えます。そのため、データに対するより解釈的かつ概念的な方向性が求められます。

ブラウンとクラークにとって、テーマとコードは明確に（ただし絶対的ではない）区別されています。コードはデータに関する一つ（または複数）の洞察を捉え、テーマは中心となる概念やアイデアを中心に構成された多数の洞察を包含します。彼らはしばしばレンガとタイルの家の例えを用います。コードは個々のレンガやタイル、テーマは多数のコードで構成された壁や屋根板です。テーマ分析の他のアプローチでは、コードとテーマをこれほど明確に区別していません。多くの文献では、研究者に「テーマをコード化する」ことを推奨しています。[ 31 ]これは混乱を招く可能性があります。なぜなら、ブラウンとクラーク、そして他の人々にとって、テーマはコード化の結果であり、コード化されるものではないと考えているからです。コードとテーマを明確に区別するアプローチでは、コードはテーマに寄与するデータの特定の部分に付けられるラベルです。例えば、「セキュリティはコードになり得ますが、誤った安心感はテーマになり得ます。」[ 31 ]

方法論的な問題

反省ジャーナル

質的研究は本質的に解釈研究であるため、研究者の立場、価値観、判断を明確に認め、最終報告書の理解を深め、その質を判断する際に考慮に入れる必要がある。[ 32 ]このようなオープンな姿勢と内省は、質的研究コミュニティでは肯定的であると考えられている。[ 33 ]研究者は自らの研究を形作り、データ収集と分析の道具となる。研究者を分析の道具として認識するためには、内省ジャーナルを作成し、維持することが有益である。[ 34 ]

反省のプロセスとは、研究者が自らの価値観、立場、選択、研究慣行が研究や最終的なデータ分析にどのような影響を与え、形作ったかを振り返り、記録することだと言える。反省日誌は、分析メモやグラウンデッド・セオリーにおけるメモ書きに似ており、分析の展開や潜在的なパターン、テーマ、概念を振り返るのに役立つ。[ 17 ]コーディングプロセス全体を通して、研究者はそれぞれのコードと潜在的なテーマの開発について詳細な記録を残すべきである。さらに、テーマに加えられた変更やテーマ間のつながりを最終報告書で議論することで、読者がコーディングプロセス全体で行われた決定を理解するのに役立つ。[ 35 ]

データ収集が完了し、研究者がデータ分析段階に入ったら、データに対する第一印象をメモしておくべきです。将来の分析のためのアイデアを記録しておくことは、考えや考察を書き留めるのに役立ち、テーマ別分析プロセスの各段階から次の段階へと進む際に、潜在的なコーディングアイデアの参考資料として役立ちます。[ 17 ]

コーディング練習

コーディング中に考慮すべき質問としては次のようなものがある: [ 17 ]

  • 人々は何をしているのでしょうか？何を達成しようとしているのでしょうか？
  • 彼らは具体的にどのようにこれを行っているのでしょうか？具体的にはどのような手段や戦略が用いられているのでしょうか？
  • 人々は何が起こっているのかをどのように話し、理解するのでしょうか?
  • 彼らはどんな仮定を立てているのでしょうか?
  • ここで何が起こっているのでしょうか？メモを取ることで何を学んだのでしょうか？
  • なぜそれらを含めたのでしょうか?

このような質問は、コーディングプロセスとデータ分析の全サイクルを通じて一般的に問われます。研究当初には関連していなかった潜在的なコードを特定するために、再帰性ジャーナルがよく用いられます。[ 17 ]

サンプルサイズの考慮

主題分析におけるサンプルサイズに関する問いに明確な答えはありません。これは、より広い意味での質的研究におけるサンプルサイズに関する問いにも明確な答えがないのと同じです（典型的な答えは「それは状況による」です。つまり、研究の範囲、研究課題とテーマ、データ収集の方法、個々のデータ項目の豊富さ、分析アプローチによって異なります[ 36 ]）。コーディングの信頼性とコードブックの支持者の中には、データ分析に先立ってサンプルサイズを決定するためのガイダンスを提供する人もいます。それは、飽和または情報の冗長性（データに新しい情報、コード、またはテーマがまったく見られない状態）の概念に焦点を当てています。飽和を「操作化」しようとするこれらの試みは、コードの飽和（多くの場合、コードの1つのインスタンスを特定することと定義されます）は、状況によってはわずか12回、あるいは6回のインタビューで達成できることを示唆しています[ 37 ]意味の飽和、つまり問題に対する「豊かなテクスチャ」の理解を深めるには、より大きなサンプル（少なくとも24回のインタビュー）が必要と考えられています。[ 38 ]データ飽和の概念に対しては数多くの批判がある。多くの人は、それが固定された意味という現実主義的な概念に組み込まれており、質的パラダイムでは意味の解釈における研究者の役割のために常に新しい理解の可能性があると主張している。[ 39 ]量的研究者の中には、主題分析においてデータ収集に先立ってサンプルサイズを決定する統計モデルを提案している者もいる。例えば、フガードとポッツは、量的サンプルサイズ推定法との類推によってサンプルサイズについての考え方をサポートする前向きで量的なツールを提案した。[ 40 ]ロウとその同僚は、初期サンプルから計算し、特定の飽和レベルを達成するために必要なサンプルサイズを推定するために使用できる、飽和度の量的かつ確率的な尺度を提案した。[ 41 ]彼らの分析によると、一般的に使用されている二項サンプルサイズ推定法では、飽和に必要なサンプルサイズが大幅に過小評価される可能性がある。これらのツールはすべて、質的研究の価値を優先するアプローチとは相反する、質的研究、テーマ分析、テーマに関する仮定に依存しているとして、質的研究者（ブラウンとクラーク[ 42 ]を含む）から批判されてきた。[ 43 ] [ 44 ] [ 45 ]

ブラウンとクラークのテーマ分析の6つの段階

フェーズ[ 1 ]プロセス結果反射ジャーナルエントリ[ 1 ]
フェーズ1データの内容を理解するためにデータを読み返し、発生するパターンに特に注意を払います。予備的な「開始」コードと詳細なメモ。ジャーナル内の開始コードを、各コードの意味とコードのソースの説明とともにリストします。
フェーズ2パターンがどこでどのように発生するかを記録することで、初期コードを生成します。これは、研究者がデータをラベルに集約し、より効率的な分析のためのカテゴリを作成するデータ削減によって行われます。データの複雑化もここで完了します。これは、研究者がコードの意味について推論を行うことを伴います。データが研究の質問にどのように答えるかを示す包括的なコード。コードがどのように、なぜ結合されたか、研究者がデータに対してどのような質問をしているのか、コードがどのように関連しているかなど、詳細な情報を提供します。
フェーズ3コードを統合し、データを正確に表す包括的なテーマを作成します。テーマを作成する際には、たとえテーマが「適切」に見えない場合でも、研究者がテーマの意味を正確に記述することが重要です。また、分析で何が欠けているかについても記述する必要があります。さらに分析する候補テーマのリスト。再帰性ジャーナルでは、コードがどのように解釈され、組み合わせられてテーマが形成されたかを記録する必要があります。
フェーズ4この段階では、研究者は各テーマがデータと全体的な理論的視点をどのように裏付けているかを検討します。分析が不完全と思われる場合は、研究者は戻って何が欠けているかを探る必要があります。データに関する正確なストーリーを伝えるためにテーマがどのようにパターン化されているかを一貫して認識します。メモには、テーマを理解するプロセスと、それらが与えられたコードとどのように関連しているかを含める必要があります。研究上の問いやデータに基づく問いへの回答は、非常に複雑で、データによって十分に裏付けられている必要があります。
フェーズ5研究者は、それぞれのテーマが何であるか、データのどの側面が収集されているか、そしてそのテーマの何が興味深いかを定義する必要があります。テーマがデータの理解にどのように貢献するかについての包括的な分析。研究者は各テーマを数文で説明する必要があります。
フェーズ6研究者が報告書を作成する際には、データ内で何が起こっているかを理解する上でどのテーマが有意義に貢献するかを判断する必要があります。また、研究者は「メンバーチェック」を行う必要があります。これは、研究者が手元にあるサンプルを再度確認し、記述が正確に表現されているかどうかを確認する作業です。結果についての詳細な説明。特定のテーマが、データセット内で何が起こっているかを理解し、貢献する上でより有用である理由に注目してください。結果の報告方法を選択するプロセスについて説明してください。

フェーズ1: データに慣れる

この6段階の主題分析のプロセスは、ブラウンとクラークの研究と、主題分析への彼らの反省的アプローチに基づいています。[ 1 ] [ 46 ] [ 47 ]この6段階の循環的なプロセスでは、研究者が最終的なテーマに満足するまで、必要に応じてデータ分析の段階を行き来します。[ 1 ]主題分析を行う研究者は、データの表面的な意味を超えてデータを理解し、データが意味することについて豊かで説得力のあるストーリーを伝えるように努める必要があります。[ 1 ]他の主題分析アプローチに関連する手順はかなり異なります。ブラウンとクラークの6段階のプロセスに関するこの説明には、他の主題分析提唱者によって提供される対照的な洞察についての議論も含まれています。反省的主題分析の最初の段階は、ほとんどのアプローチに共通しており、データの習熟です。これは、研究者がデータの内容、つまり各データ項目の詳細と「全体像」の両方に慣れ親しむ段階です。他のアプローチでは、データを読む前に、研究者は潜在的なコードの「スタートリスト」を作成することがあります。[ 48 ] BraunとClarkeのアプローチはデータに焦点を当てることを意図しており、研究者の事前の概念には焦点を当てていないため、既存の理論によってコーディングが導かれる演繹的アプローチにおいてのみ、慣れ親しむ前にコードを作成することを推奨しています。MilesとHubermanのマトリックスアプローチでは、「スタートコード」は、各コードの表現とコードが確立された場所の説明とともに、反省ジャーナルに含めるべきです。[ 48 ]能動的な方法でデータを分析することは、研究者がデータセット内の意味とパターンを探すのに役立ちます。この段階では、慣れ親しむ段階を急いで、すぐにコードとテーマの生成を開始したくなるかもしれませんが、この没入のプロセスは、研究者が可能性のあるテーマとパターンを特定するのに役立ちます。研究者が慣れるまで資料を読み返すことは、分析の初期段階で非常に重要です。資料に慣れる一方で、潜在的なコードの開発を開始するために、メモを取ることはこのステップの重要な部分です。[ 1 ]

転写

データ収集が完了した後、研究者はデータを書面（例えば、インタビューなどの音声録音データ）に転記する必要がある場合があります。[ 1 ] BraunとClarkeは、教科書『Successful Qualitative Research』の中で、彼らのアプローチで使用する転記記法システムを提供しています。[ 49 ]データの質の高い転記は、分析の信頼性にとって不可欠です。データの転記段階を開始する前に、信頼性を高く保つために、転記基準を確立する必要があります。[ 2 ]

主題分析の支持者の中には、特に実証主義に基盤を置く人々は、転写の正確性について懸念を表明している。[ 2 ]転写における不一致は、データ分析において「バイアス」を生み出し、後の分析プロセスで特定するのが困難になる可能性がある。[ 2 ]ブラウンやクラークを含む他の人々は、転写は解釈的で理論に根ざしたプロセスであると考えているため、研究者は常に話し言葉をどのように書き言葉に翻訳するかを選択するため、直接的な意味で「正確」であることはできない。[ 1 ]しかし、これは研究者が転写の徹底性を追求し、転写に体系的なアプローチを用いるべきではないという意味ではない。著者は理想的には、転写表記法のキーを提供し、特定の表記の意味が容易にわかるようにすべきである。「*声を落としました*」のようなコメントを挿入することは、発話の変化を示す。転写の時間を計画する際の一般的な目安は、会話5分ごとに15分の転写に費やすことを想定することである。転写は習熟プロセスの一部を形成し得る。[ 1 ] [ 15 ]

この段階を過ぎると、研究者はデータの内容に精通し、データに見られる明白なパターンや繰り返し発生する問題を特定できるようになるはずです。これらのパターンは、データのコーディング時に活用できるよう、リフレクシビティ・ジャーナルに記録する必要があります。TA推進派の中には、コーディングを研究者がデータに対するコントロールを獲得し始めることと捉える人もいます。彼らは、研究課題に対応するデータにマークを付けることが重要だと考えています。彼らにとって、これがコーディングプロセスの始まりなのです。[ 2 ]

フェーズ2: コードの生成

再帰的主題分析の2番目のステップは、データ内の関心対象項目にラベル（数語または短いフレーズ）を付けることです。このラベルは、データの関連する特徴を明確に想起させるものでなければなりません。これは、後のテーマ策定段階で重要です。研究課題に関連するデータの意味のある部分を体系的に整理・特定するこの方法は、コーディングと呼ばれます。コーディングプロセスは、研究者がデータに没頭することで進化するものであり、直線的なプロセスではなく、コードが開発・改良される循環的なプロセスであると考えられています。

コーディングプロセスは、データを一度スキャンするだけで完了することは稀です。Saladanaは、研究者がデータセットを処理するたびに、潜在的なコードを追加、削除、結合、または分割することで、コードを洗練させるよう努めるべきだと推奨しています。[ 17 ] MilesとHubermanにとって、「スタートコード」はインタビュー中に参加者が使用した用語から生成され、インタビュー中の経験の参照点として使用できます。[ 48 ]実証主義的な傾向を持つ主題分析支持者にとって、研究者が対話に基づき、記述的な性質を持つ具体的なコードを使用することで、信頼性が向上します。[ 2 ]これらのコードは、研究者がプロセスの後半でデータを見つけ出し、なぜそれらを含めたのかを特定する能力を高めます。しかし、BraunとClarkeは、研究者に対し、記述と要約のみに焦点を当てるのではなく、データに解釈的に取り組み、明示的（意味的）な意味と暗黙的（潜在的）な意味の両方を探求するよう促しています。[ 1 ] コーディングは、研究者がプロセスを通じて得られたアイデアに基づいてデータを再編成できるようにすることで、後の詳細な分析の準備を整えます。新しいコードの反省ジャーナルエントリは、参加者とそのデータセクションへの参照ポイントとして機能し、研究者が最終分析でこれらのコードをなぜどこに含めるかを理解するのに役立ちます。[ 2 ]コーディングプロセス全体を通して、各データ項目に十分かつ均等な注意を払う必要があります。そうすることで、通常は気付かない繰り返しパターンを特定するのに役立ちます。可能な限り包括的にコーディングすることが重要です。無関係に見えるデータの個々の側面をコーディングすることは、後の分析プロセスで非常に重要になる可能性があります。[ 1 ]

社会学者のコフィーとアトキンソンにとって、コーディングにはデータの削減と複雑化のプロセスも含まれる。[ 50 ]コードの削減は、研究課題に基づいてデータセットにタグまたはラベルを割り当てることから始まります。この段階では、大規模なデータセットをより小さな単位に凝縮することで、有用なカテゴリを作成し、データをさらに分析することができます。また、インタビューの参加者から得た参考文献や用語を適用することで、生体コードも作成されます。コーディングは、データの開発、変換、再概念化を助け、分析の可能性をさらに広げるのに役立ちます。研究者は、データに関連する質問をし、データから理論を構築し、これまでの研究で報告されたものを超えて発展させる必要があります。[ 50 ]

データの削減（コフィーとアトキンソン）

出典: [ 50 ]

主題分析の支持者の中には、コーディングをデータの削減またはデータ単純化の手段と考える人もいる（コーディングをデータの削減と解釈の両方とみなすブラウンとクラークはそうではない）。コフィーとアトキンソンは、シンプルだが幅広い分析コードを使用することで、データをより扱いやすい形に削減できると考えている。データ分析のこの段階では、分析者はデータを整理するより簡単な方法を見つけることに集中する必要がある。データ還元主義を使用する場合、研究者はフィールドノート、インタビューのトランスクリプト、その他の文書を含むデータテキストを索引付けするプロセスを含める必要がある。この段階でデータはクラスまたはカテゴリーに削減され、研究者は共通のカテゴリーまたはコードを共有するデータのセグメントを識別できる。[ 50 ]シーデルとケレは、データ削減とコーディングのプロセスを支援する3つの方法を提案した。それは、（a）関連現象に気づく、（b）現象の事例を収集する、（c）現象を分析して類似点、相違点、パターン、および重複する構造を見つける、である。データコーディングのこの側面は重要です。なぜなら、この段階で研究者はデータにコードを添付して、研究者がデータをさまざまな方法で考えることができるようにする必要があるからです。[ 50 ]コーディングは厳密にはデータの削減とは見なされず、データの複雑化はデータをさらに詳しく調べるための方法として使用できます。[ 50 ]以下のセクションでは、CoffeyとAtkinsonのデータ複雑化のプロセスと、定性分析におけるデータ分析へのその重要性について説明します。[ 50 ]

データの複雑化（コフィーとアトキンソン）

CoffeyとAtkinsonによれば、[ 50 ]コード作成のプロセスはデータの削減とデータの複雑化の両方として説明できる。データの複雑化は、データを超えてデータについて疑問を投げかけ、枠組みや理論を生み出すことと説明できる。データの複雑化は、データを拡張して新たな疑問やデータの解釈を生み出すために用いられる。研究者は、コーディングのプロセスで得られる情報よりも失われる情報が多すぎないように注意する必要がある。[ 50 ] Teschはデータの複雑化を、データセグメントに新たな文脈を与えてデータを再概念化するプロセスと定義した。データの複雑化は、データの見方や分析方法に新たな文脈を提供する手段として機能している。[ 50 ]

コーディングとは、分析的な方法でデータを分解し、データに関する疑問を生み出し、データ内およびデータ間の関係性についての一時的な答えを提供するプロセスです。[ 50 ]脱文脈化と再文脈化は、新しい理論を用いて新しい方法でデータを削減および拡張するのに役立ちます。[ 50 ]

フェーズ3: 初期テーマの生成

テーマを探索し、テーマ内で何が機能し、何が機能しないかを検討することで、研究者は潜在的なコードの分析を開始できます。この段階では、コードがどのように組み合わさってデータ内の広範なテーマを形成するかを調査することから始めることが重要です。この時点で、研究者はテーマのリストを作成し、コード化されたデータと提案されたテーマを組み合わせながら、データ内のより広範なパターンに焦点を当て始めます。また、コードとテーマ間、および既存のテーマの異なるレベル間でどのように関係が形成されるかを検討し始めます。コードを潜在的なテーマに分類するために、視覚モデルを使用すると役立つ場合があります。[ 1 ]

テーマはコードとは異なり、データの意味を特定するフレーズまたは文です。テーマは、分析的考察のためのコーディングの結果を表します。テーマは、参加者のストーリーから導き出された因果的な出来事、発言、道徳を説明するために使用できる、文化におけるアイデアや説明で構成されています。後続のフェーズでは、包括的なテーマを提供するために、潜在的なテーマを絞り込むことが重要です。テーマ分析により、データから次のようなカテゴリーまたはテーマが浮かび上がります。繰り返しのアイデア、固有の用語、隠喩、類推、話題の変化、参加者の言語表現の類似点と相違点。この時点では、データに存在するものだけでなく、データに欠けているものにも対処することが重要です。[ 17 ]このフェーズの結論では、データ処理プロセス全体を通じて収集された多くの候補テーマが得られるはずです。たとえ最初は重要でないテーマであっても、分析プロセスの後半で重要なテーマになる可能性があるため、捨てないようにすることが重要です。[ 1 ]

フェーズ4: テーマの検討

この段階では、研究者はコード化されたデータとデータセット全体とを照らし合わせて、当初のテーマを検証する必要があります。これは、分析がデータから大きく逸脱していないことを確認し、研究課題に関連するデータについて説得力のある説明を提供していることを確認するためです。このレビュープロセスにより、テーマが発展するにつれて、さらに拡張したり修正したりすることも可能です。この段階では、当初のテーマを再検討するため、研究者は潜在的なテーマをいくつか持っているはずです。既存のテーマの中には、互いに矛盾するものもありますし、より小さな単位に凝縮したり、あるいは完全に放棄したりする必要があるテーマもあるかもしれません。[ 1 ]

具体的には、この段階では、テーマの精緻化とレビューという2つの段階が行われます。重複するテーマ間の関連性は重要な情報源となり、研究者にデータ内の新たなパターンや問題の可能性を警告する可能性があります。ゲスト氏らは、コード化された資料からの逸脱は、あるテーマが実際にはデータの意味を理解する上で役に立たない可能性があり、破棄すべきであることを研究者に知らせる可能性があると述べています。これらの認識は両方とも、テーマの不在も含めて、研究者の反省日誌に記載する必要があります。[ 2 ]コードは、データとその概念に対する個人の認識を関連付ける手段として機能します。この時点で、研究者はコードの興味深い側面と、それらがなぜ互いに適合するのかに焦点を当てるべきです。[ 2 ]

レベル1（コード化されたデータに基づいてテーマを確認する）

コード化されたデータ抽出を検討することで、研究者はテーマが一貫したパターンを形成しているかどうかを識別できます。もしそうであれば、研究者はレベル2に進むべきです。もしテーマが一貫したパターンを形成していない場合は、潜在的に問題のあるテーマを検討する必要があります。[ 1 ]テーマに問題がある場合は 、テーマを再検討することが重要であり、その過程で新しいテーマが生まれる可能性があります。[ 1 ]例えば、テーマが「うまく機能していない」（データに関する説得力のある何かを捉えていない）ように見える場合や、テーマ間にかなりの重複がある場合、問題となります。その結果、データ分析が弱く、説得力のないものになる可能性があります。このような場合、一貫性があり相互に排他的なテーマを作成するために、データを認識する必要があるかもしれません。[ 1 ]

レベル2（データセット全体に対するテーマの確認）

個々のテーマの妥当性と、それらがデータセット全体とどのように関連しているかを検討することが、次のレビュー段階です。潜在的なテーママップの意味が、研究課題に関連するデータの重要な情報を捉えているかどうかを評価することが不可欠です。繰り返しになりますが、この段階では、現在のテーマがデータセットに関連しているかどうかを判断するために、データを何度も読み直すことが重要です。このプロセスを支援するために、初期のコーディング段階で見落とされた可能性のある追加項目をコード化することが不可欠です。潜在的なテーママップがデータに関する一貫したストーリーを意味のある形で捉え、伝えるのに「効果的」であれば、研究者は次の分析段階に進むべきです。もしマップがうまく機能しない場合は、データに戻り、既存のテーマを継続的にレビュー・改良し、場合によってはさらなるコーディングを行うことが不可欠です。データと分析の主張の不一致は、データによって提供できる裏付けの量を減少させます。研究者がデータの解釈と分析の洞察が一致していると確信していれば、これは回避できます。[ 1 ]研究者は、主題図に満足するまでこのプロセスを繰り返す。この段階の終わりまでに、研究者はテーマが何であるか、そしてそれらがどのように組み合わさってデータセットに関するストーリーを伝えるのかを理解できる。[ 1 ]

フェーズ5: テーマの定義と命名

最終分析で提示される既存のテーマを定義し、洗練させることは、研究者が各テーマ内のデータを分析する上で役立ちます。この段階では、テーマの本質を特定することは、各テーマがデータ全体の中でどのように構成されているかという点に関係します。この段階の分析は、データのどの側面が捉えられているか、テーマの何が興味深いか、そしてテーマがどのように組み合わさってデータに関する一貫性のある説得力のあるストーリーを語っているかを特定することに特徴付けられます。

現在のテーマにサブテーマが含まれているかどうかを識別し、テーマの深層を探るためには、テーマを全体像の中で捉えるだけでなく、独立したテーマとしても考察することが重要です。ブラウンとクラークは、多くのサブテーマや多くのレベルのテーマを作成することには注意すべきだと推奨しています。なぜなら、分析が過度に断片化してしまう可能性があるからです。[ 51 ]研究者はその後、各テーマのストーリーとその重要性を特定するために、詳細な分析を実施し、それをまとめる必要があります。[ 1 ]この段階の終わりまでに、研究者は(1)現在のテーマが何で構成されているかを定義し、(2)各テーマを数文で説明できるようになります。研究者は、読者にテーマとその重要性を十分に理解してもらうためのテーマ名を考え始めることが重要です。[ 1 ]データの分析が十分に行われないのは、研究者がデータの内容を単に記述したり言い換えたりするだけでなく、分析の裏付けとしてデータを使用していないからです。テーマ分析を行う研究者は、データの表面的な意味を超えて、データを理解し、データが意味する正確なストーリーを伝えるよう努めるべきです。[ 1 ]

フェーズ6：レポートの作成

最終テーマの検討後、研究者は最終報告書の作成プロセスを開始します。最終報告書の作成中、研究者は研究課題への回答に有意義な貢献をするテーマを決定し、後で最終テーマとして洗練させる必要があります。コーディング信頼性の提唱者であるゲスト氏らは、結果を詳しく記述することで信頼性の向上をサポートするために、各テーマに関連する対話を提示しています。 [ 2 ]この段階の目標は、テーマ分析を書いて、データの複雑なストーリーを伝え、読者に分析の妥当性とメリットを納得させることです。[ 1 ]読者が最終報告書を理解するには、テーマ全体およびテーマに関するストーリーを明確かつ簡潔に、わかりやすく論理的に説明することが重要です。報告書の作成には、データ内のテーマがデータセットに関連しているという十分な証拠を含める必要があります。分析のポイントの意味を完全に捉えるために、抜粋を物語に含める必要があります。議論は研究課題をサポートするものでなければなりません。主題分析の支持者の中には、報告書作成の最終ステップとして信頼性を確立する手段としてメンバーチェックを組み込むことがあり、研究者は最終的なテーマとそれを支持する対話を参加者に持ち込んでフィードバックを引き出すことを検討すべきだと考える者もいる。 [ 2 ]しかし、ブラウンとクラークはメンバーチェックの実践に批判的で、主題分析への再帰的アプローチにおいてメンバーチェックを望ましい実践とは一般に考えていない。[ 15 ]メンバーチェックをめぐる数多くの実際的な懸念を指摘するとともに、彼らはメンバーチェックが理論的に一貫しているのは、参加者の説明を彼らが認識できる方法で記述し要約しようとするアプローチとのみであると主張している。[ 15 ]彼らの再帰的主題分析のアプローチは研究者の能動的で解釈的な役割を中心に据えているため、これは彼らのアプローチを使用して生成された分析には当てはまらないかもしれない。

メリットとデメリット

研究デザインに対する技術的または実際的な見方では、研究者は研究課題に最も適した方法を用いて質的研究を行うとされています。[ 15 ]しかし、理想的または適切な方法が1つだけということはめったにないため、分析方法を選択するための他の基準、つまり研究者の理論的コミットメントと特定の方法への精通度が使用されることが多いです。主題分析は柔軟なデータ分析方法を提供し、様々な方法論的背景を持つ研究者がこの種の分析に従事できるようにします。[ 1 ]実証主義者にとって、「信頼性」は、データの解釈が多数存在し、研究者の主観が分析に「偏り」や歪みをもたらす可能性があるため、懸念事項です。質的研究の価値観を信奉する人々にとって、研究者の主観は（信頼性への脅威ではなく）リソースと見なされるため、信頼性に関する懸念は当てはまりません。データには正しい、または正確な解釈は1つではなく、解釈は必然的に主観的であり、研究者の立場を反映します。品質は、体系的かつ厳密なアプローチと、研究者が分析をどのように形作っているかを常に振り返ることによって達成されます。ブラウンとクラークは、反省的アプローチのための15項目の品質チェックリストを開発しました[ 52 ]。コーディング信頼性のテーマ別分析の提唱者にとって、複数のコーディング担当者の活用とコーディング合意の測定は不可欠です[ 2 ] 。

テーマ分析にはいくつかの利点と欠点があり、この分析方法が研究設計に適しているかどうかを判断するのは研究者次第です。

利点

  • 研究者に理論的・研究設計上の柔軟性を与えるため、様々な認識論にわたって複数の理論をこのプロセスに適用することができる。[ 1 ]
  • 大規模なデータセットに適しています。[ 2 ] [ 1 ]
  • コードブックとコーディング信頼性アプローチは、研究チームで使用するために設計されています。
  • データによって裏付けられたテーマの解釈。[ 2 ]
  • 個人の経験を超えた研究課題に適用できる。[ 2 ]
  • データからコードとテーマを帰納的に展開することを可能にする。[ 17 ]

デメリット

  • 研究者が注意を払わず、理論的な空白状態で主題分析を行った場合、主題分析では微妙なデータを見逃してしまう可能性があります。[ 2 ] [ 1 ]
  • 柔軟性が高いため、初心者の研究者にとっては、データのどの側面に焦点を当てるべきかを決めるのが難しくなることがあります。[ 1 ]
  • 分析の解釈力が限られているのは、理論的枠組みに基づいていないからである。[ 1 ]
  • データ項目全体にわたるテーマの特定に重点が置かれているため、個々のアカウントにおけるデータの連続性を維持することが困難です。[ 1 ]
  • 研究者が言語使用について技術的な主張をすることができない（談話分析や物語分析とは異なり）。[ 1 ]

参照

参考文献

  1. ^ a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab ac ad ae af ag ah ai aj ak al am an ao ap aq Braun , Virginia; Clarke, Victoria (2006). 「心理学における主題分析の活用」.心理学質的研究. 3 (2): 77– 101. doi : 10.1191/1478088706qp063oa . hdl : 10125/42031 . S2CID  10075179 .
  2. ^ a b c d e f g h i j k l m n o p q r s tゲスト, グレッグ; マッククイーン, キャスリーン; ネーミー, エミリー (2012).応用主題分析. サウザンドオークス, カリフォルニア州: SAGE Publications . p. 11.
  3. ^ a b c d e fブラウン、バージニア；クラーク、ビクトリア（2019） 「主題分析」。健康社会科学研究方法ハンドブック。ニュージャージー州ホーボーケン：シュプリンガー。pp .  843– 860。doi ：10.1007/978-981-10-5251-4_103。ISBN 978-981-10-5250-7. S2CID  239210796 .
  4. ^ a b c d e fボヤツィス、リチャード (1998).質的情報の変換：テーマ分析とコード開発. サウザンドオークス、カリフォルニア州: セージ.
  5. ^ a b Gale, Nicola; Heath, Gemma (2013). 「多分野にわたる健康研究における質的データ分析のためのフレームワーク手法の活用」 . BMC Medical Research Methodology . 13 117. doi : 10.1186/1471-2288-13-117 . PMC 3848812. PMID 24047204 .  
  6. ^ a bキング、ナイジェル、ブルックス、ジョアンナ (2016).ビジネス・マネジメントを学ぶ学生のためのテンプレート分析. Sage.
  7. ^ 「テンプレート分析」ハダースフィールド大学。
  8. ^ a b Groenland, Edward (2014). 「ビジネス分野における定性調査データ分析ツールとしてのマトリックス法の活用」. SSRN . doi : 10.2139 /ssrn.2495330 . S2CID 59826786. SSRN 2495330 .  
  9. ^ラングリッジ、ダレン (2004).心理学における研究方法とデータ分析入門. オープン大学.
  10. ^ヘイズ、ニッキー（2000年）『心理学的研究の実践』オープン大学出版局。
  11. ^ブラウン、ヴァージニア；クラーク、ヴィクトリア（2019）「再帰的主題分析の考察」『スポーツ、運動、健康における質的研究』11 （ 4）：589-597。doi：10.1080/2159676x.2019.1628806。S2CID 197748828。 
  12. ^ 「ヴィクトリア・クラーク」 . scholar.google.com .
  13. ^ Willig, Carla (2013). 『心理学における質的研究の紹介』 Open University Press.
  14. ^デイリー、ジーン、ケレヒア、アラン、グリクスマン、マイケル (1997). 『公衆衛生研究者：方法論的アプローチ』 メルボルン、オーストラリア：オックスフォード大学出版局pp.  611– 618. ISBN 978-0195540758。
  15. ^ a b c d e f g Braun, Virginia; Clarke, Victoria (2013).成功する質的研究：初心者のための実践ガイド. Sage.
  16. ^ 「ストーリーの完成 | オークランド大学のブログサイトの 1 つ」。
  17. ^ a b c d e f g hサルダナ、ジョニー (2009). 『質的研究者のためのコーディングマニュアル』 カリフォルニア州サウザンドオークス: Sage.
  18. ^ダプカス、マリリン (1985). 「時間の経験に関する主題分析」.パーソナリティと社会心理学ジャーナル. 49 (2): 408– 419. doi : 10.1037/0022-3514.49.2.408 . PMID 4032226 . 
  19. ^クラーク、ヴィクトリア、ブラウン、ヴァージニア (2014). 「主題分析」.批判心理学百科事典. シュプリンガー. pp.  1947– 1952. doi : 10.1007/978-1-4614-5583-7_311 . ISBN 978-1-4614-5582-0。
  20. ^ Crabtree, B (1999).質的研究の実践. ニューベリーパーク, カリフォルニア州: Sage.
  21. ^ Huang, H., Jefferson, ER, Gotink, M., Sinclair, C., Mercer, SW, & Guthrie, B. (2021). 「スコットランドの一般開業医クラスターにおける質と成果の枠組み後の協働的改善：質的研究」 British Journal of General Practice , 71 (710), e719-e727.
  22. ^キダー、ルイーズ、ファイン、ミシェル (1987). 「定性的および定量的手法：物語が収束するとき」.プログラム評価の新方向. 1987年 (秋) (35): 57–75 . doi : 10.1002/ev.1459 .
  23. ^モース、ジャニス（1997年）。「完全に健康だが死んでいる」：評価者間信頼性の神話。質的健康研究。7 ( 4): 445– 447。doi : 10.1177/104973239700700401。
  24. ^ヤードリー、ルーシー（2008年）「質的心理学における妥当性の実証」『質的心理学：研究方法の実践ガイド』セージ：235-251頁。
  25. ^ a b Braun, Virginia; Clarke, Victoria (2014). 「面接データを用いた主題分析の活用方法」カウンセリング・心理療法研究ハンドブック: 183–197 .
  26. ^テリー, ギャレス; ヘイフィールド, ニッキ; クラーク, ビクトリア; ブラウン, バージニア (2017). 『SAGE心理学質的研究ハンドブック』 pp.  17– 36. doi : 10.4135/9781526405555 . ISBN 9781473925212。
  27. ^ DeSantis, Lydia; Ugarriza, Doris (2000). 「質的研究におけるテーマの概念」. Western Journal of Nursing Research . 22 (3): 351– 372. doi : 10.1177/019394590002200308 . PMID 10804897. S2CID 37545647 .  
  28. ^クラーク、ビクトリア；ブラウン、バージニア (2018). 「カウンセリングと心理療法研究における主題分析の活用：批判的考察」カウンセリングと心理療法研究. 18 (2): 107– 110. doi : 10.1002/capr.12165 . hdl : 2292/46186 .
  29. ^ Connelly, Lynne; Peltzer, Jill (2016) . 「質的研究における未発達のテーマ：インタビューと分析との関係」. Clinical Nurse Specialist . 30 (1): 52– 57. doi : 10.1097/nur.0000000000000173 . PMID 26626748. S2CID 5942773 .  
  30. ^ Sandelowski; Leeman, Jennifer (2012). 「質的健康研究の知見を用いたライティング」.質的健康研究. 22 (10): 1404– 1413. doi : 10.1177/1049732312450368 . PMID 22745362. S2CID 26196750 .  
  31. ^ a bサルダナ、ジョニー (2009). 『質的研究者のためのコーディングマニュアル』カリフォルニア州サウザンドオークス: Sage. p. 13.
  32. ^クレスウェル、ジョン (1994). 『研究デザイン：定性的・定量的アプローチ』 カリフォルニア州サウザンドオークス: Sage Publications, Inc. pp.  147. ISBN 978-0-8039-5255-3。
  33. ^ Locke, LF (1987). 『効果的な提案：論文と助成金申請の計画ガイド』ニューベリーパーク、カリフォルニア州：Sage Publications, Inc.
  34. ^クレスウェル、ジョン（2007年）『質的研究と研究デザイン：5つのアプローチの選択』サウザンドオークス、カリフォルニア州：セージ出版、pp.  178-180。
  35. ^リンカーン、グバ（1995年）「質的研究における厳密さの基準」
  36. ^ Malterud, Kirsti (2016) . 「質的インタビュー研究におけるサンプルサイズ：情報力に基づく」.質的健康研究. 26 (13): 1753– 1760. doi : 10.1177/1049732315617444 . PMID 26613970. S2CID 34180494 .  
  37. ^ゲスト, グレッグ; バンス, アーウェン; ジョンソン, ローラ (2006). 「インタビューは何回で十分か？：データの飽和と変動性に関する実験」.フィールドメソッド. 18 (1): 59– 82. doi : 10.1177/1525822x05279903 . S2CID 62237589 . 
  38. ^ヘニンク、モニーク、カイザー、ボニー (2016). 「コードの飽和と意味の飽和：面接は何回で十分か？」質的健康研究. 27 (4): 591– 608. doi : 10.1177/1049732316665344 . PMC 9359070 . PMID 27670770 . S2CID 4904155 .   
  39. ^ロー、ジャクリーン（2019年）「理論的飽和の概念の実用的な定義」社会学的フォーカス52（2）131-139 . doi：10.1080/00380237.2018.1544514 . S2CID 149641663 . 
  40. ^ Fugard AJ, Potts HW (2015年2月10日). 「テーマ別分析におけるサンプルサイズに関する考え方の支援：定量的ツール」 .国際社会調査方法論ジャーナル. 18 (6): 669– 684. doi : 10.1080/13645579.2015.1005453 .
  41. ^ロウ、アンドリュー; ノリス、アンソニー・C.; ファリス、A. ジェーン; バベッジ、ダンカン・R. (2018). 「質的データ分析におけるテーマ飽和度の定量化」.フィールドメソッド. 30 (3): 191– 207. doi : 10.1177/1525822X17749386 . ISSN 1525-822X . S2CID 148824883 .  
  42. ^ Braun, Virginia; Clarke, Victoria (2016). 「テーマの（誤った）概念化、テーマ分析、およびFugardとPotts (2015)のテーマ分析のためのサンプルサイズツールにおけるその他の問題」(PDF) . International Journal of Social Research Methodology . 19 (6): 739– 743. doi : 10.1080/13645579.2016.1195588 . S2CID 148370177 . 
  43. ^ Hammersley, Martyn (2015). 「サンプリングと主題分析：フガードとポッツへの応答」 .国際社会調査方法論ジャーナル. 18 (6): 687– 688. doi : 10.1080/13645579.2015.1005456 . S2CID 143933992 . 
  44. ^ Byrne, David (2015). 「フガードとポッツへの応答：テーマ分析におけるサンプルサイズに関する考え方の裏付け：定量的ツール」.国際社会調査方法論ジャーナル. 16 (6): 689– 691. doi : 10.1080/13645579.2015.1005455 . S2CID 144817485 . 
  45. ^エメル、ニック (2015). 「質的研究におけるテーマ、変数、そしてサンプルサイズの計算限界：フガードとポッツへの応答」(PDF) .国際社会調査方法論ジャーナル. 18 (6): 685– 686. doi : 10.1080/13645579.2015.1005457 . S2CID 55615136 . 
  46. ^ブラウン、ヴァージニア、クラーク、ビクトリア (2012). 「主題分析」. APA心理学研究方法ハンドブック. 第2巻. pp.  57– 71. doi : 10.1037/13620-004 . ISBN 978-1-4338-1005-3。
  47. ^ 「テーマ分析 | オークランド大学のブログサイトの 1 つ」。
  48. ^ a b cマイルズ, MB (1994).質的データ分析：拡張ソースブック. サウザンドオークス, カリフォルニア州: Sage. ISBN 9780803955400。
  49. ^ 「成功する質的研究」 SAGE Publications Ltd. 2024年10月6日。
  50. ^ a b c d e f g h i j k l Coffey, Amanda; Atkinson, Paul (1996). 『質的データの意味を理解する』Sage. p. 30.
  51. ^クラーク、ビクトリア、ブラウン、バージニア (2016). 「主題分析」 .心理学における質的データ分析. Sage: 84–103 .
  52. ^ Braun, Virginia; Clarke, Victoria (2006年12月1日). 「心理学における主題分析の活用」 . Qualitative Research in Psychology . 3 (2): 77– 101. doi : 10.1191/1478088706qp063oa – uwe-repository.worktribe.comより。
「 https://en.wikipedia.org/w/index.php?title=Thematic_analysis&oldid=1335001052」より取得