質的研究入門：手法・分析・AI支援ツール（2026年版ガイド）

執筆：Fengming Liu（UCL）· 監修：Prof. Shubin Yu（HEC Paris） · May 2026 · 更新日: 2026-05-30 · 18 min read

質的研究とは、数字だけでは説明できないものを理解するための方法です——人々がなぜそのような選択をするのか、自分の経験をどう語るのか、そして周囲の世界にどんな意味を見出しているのか。心理学、医療、教育、マーケティング、ユーザー体験などの研究を支え、「なぜ？」という問いから始まるほぼすべての深い洞察の背後にあります。

このガイドは、質的研究の全体像をたどります：質的研究とは何か、データを収集するための手法、コーディングとテーマ分析を通じてそのデータを分析する方法、そして研究を厳密かつ倫理的に保つ方法。さらに、ほとんどの入門ガイドが省略すること——AIモデレーション・インタビューと計算的テキスト分析がこの分野をどう再構築しているか、それらが役立つ場面と、人間の研究者が今なお欠かせない場面——も扱います。

質的研究とは何か？

質的研究とは、概念・経験・人々がそれらに与える意味を理解するために、非数値的なデータ——言葉、観察、画像、録音——を収集し解釈する探究の方法です。量的研究がどれだけやいくつを測定するのに対し、質的研究はなぜとどのようにを説明します。それは探索的で、解釈的であり、統計ではなく文脈に根ざしています。

固定した仮説を大規模なサンプルに対して検証する代わりに、質的研究者は通常オープンな問いから始め、豊かで詳細な語りからパターンが立ち現れるのに任せます。このアプローチを特徴づけるいくつかの特性があります：

自然主義的 ——統制された実験室条件ではなく、現実の環境にいる人々を研究する。
解釈的 ——研究者の仕事は、行動を記録するだけでなく意味を理解することである。
帰納的 ——理論やテーマは、あらかじめデータに押し付けるのではなく、データから積み上げられる。
文脈豊か ——知見は、それが生まれた状況や声と結びついたままにされる。
反復的 ——収集と分析はしばしば重なり合うサイクルで進み、それぞれが次を形づくる。

質的データとは何か？

質的データとは、量ではなく質を捉えるあらゆる情報——言語、行動、画像、音——です。それは典型的に非構造的で、整然とした行と列の形では届かず、分析できるようになる前に通常、文字起こし・整理・コーディングが必要です。インタビューの1文が、調査スコアの1列全体よりも大きな解釈的重みを持つことがあります。

質的データの例

詳細インタビューの逐語記録
フォーカスグループの議論とその中のグループダイナミクス
自由記述式の調査回答
観察やエスノグラフィーのフィールドノート
個人的な文書——日記、手紙、ジャーナル
ソーシャルメディアの投稿、レビュー、フォーラムのスレッド
写真、動画、画面録画
音声録音とそのトーン、間、強調
議事録、政策文書、報告書
研究者のメモや省察ノート

質的研究はどこで使われるか

質的手法は特定の単一の学問分野に縛られません。人間の経験、言語、文化が研究対象となるあらゆる場所に現れます：

心理学 ——メンタルヘルス、アイデンティティ、行動の生きられた経験
医療・看護 ——患者の経験、治療アドヒアランス、ケアの質
教育 ——学習経験、教室のダイナミクス、カリキュラムの影響
社会学・人類学 ——文化、社会構造、集団行動
マーケティング・消費者研究 ——ブランド認知、動機、意思決定
UX・プロダクト研究 ——使いやすさ、ニーズ、ユーザー行動の背後にある「なぜ」
政治学・公共政策 ——態度、ナラティブ、ステークホルダーの見解

質的研究と量的研究の比較

質的研究を理解する最も明快な方法は、その対をなすものと並べて見ることです。この2つのアプローチは異なる問いに答え、異なる状況でそれぞれ最も力を発揮します。

次元	質的研究	量的研究
中核となる問い	なぜ、どのように？	どれだけ、いくつ、どのくらいの頻度で？
データの種類	言葉、画像、観察	数値と測定値
目的	探索、理解、解釈	測定、検証、一般化
サンプルサイズ	小規模、目的的	大規模、代表的
分析	コーディング、テーマの解釈	統計的検定
推論	主に帰納的	主に演繹的
典型的なアウトプット	テーマ、ナラティブ、理論	統計、相関、モデル
研究者の役割	能動的な解釈者	距離を置く観察者

抽象的にどちらが優れているということはありません。先四半期に顧客の何パーセントが離脱したかを知りたいなら、それは量的です。彼らがなぜ去ったのか、そしてその経験をどう語るのかを知りたいなら、それは質的です。

混合研究法：両方を併用する

最も強力な研究の多くは、混合研究法デザインで両者を組み合わせます。質的インタビューが人々の使うテーマや言葉を浮かび上がらせ、それが大規模な量的調査に反映される——あるいは調査データが意外なパターンを明らかにし、それを質的なフォローアップ・インタビューが説明する。併用すれば、数字が何が起きているかを語り、言葉がなぜそれが起きているかを語ります。

質的研究を計画する

良い質的研究は、即興ではなく設計されたものです。1件のインタビューを収集する前に、4つの計画上の決定がその後のすべてを形づくります。

1. リサーチクエスチョン

質的なリサーチクエスチョンはオープンで探索的です。「どのように」「何が」「どのような形で」といった言葉で始まり、答えを前提としません。「第一世代の学生は大学への移行をどのように経験するか？」は発見を促しますが、「個別指導は成績を上げるか？」はそうではありません。

2. 理論的視座（パラダイム）

どの研究者も、何が知識として数えられるかについての前提を携えています。それらに名前を与えることが研究を誠実に保ちます。一般的なパラダイムには、構成主義（現実は社会的に構成され、複数ある）、解釈主義（目的は意味を理解すること）、批判理論（研究は権力構造を暴き、それに挑むべき）などがあります。あなたのパラダイムが、どの手法が適合するか、そして見出したものをどう解釈するかを導きます。

3. 文献レビュー

文献レビューは、すでに分かっていることのなかにあなたの研究を位置づけます。あなたの研究が埋めるギャップを示し、問いを鋭くし、何年も前に分野が決着させたことを再発見するのを防ぎます。帰納的デザインでは、既存の理論がデータの中で気づくことを偏らせないよう、初期はあえてレビューを軽めに保つ研究者もいます。

4. サンプリングと飽和

質的研究は目的的サンプリングを用います——ランダムな横断ではなく、問いに豊かに語れる参加者を選ぶのです。サンプルサイズは設計上小規模です。新しいインタビューが新しいテーマを生み出さなくなる点である飽和に達するまでデータを収集し続けます。多くのインタビュー研究では、それはおおむね12〜30人の参加者の間に落ち着きますが、適切な人数は常にトピック次第です。

質的研究の手法

「手法」とは、データをどう収集するかを指します。主な質的手法はそれぞれ人間の経験の異なる側面を捉え、多くの研究では複数を組み合わせます。

インタビュー

詳細インタビューは質的研究の主力です：個人の経験・信念・思考を引き出す、ガイドに沿った1対1の会話です。インタビューは構造化（固定した台本）から半構造化（ガイドに加え、興味深い筋を追う余地）、非構造化（ゆるやかな会話的探索）まで幅があります。半構造化インタビューは、参加者間の一貫性と掘り下げの自由を両立させるため、最も一般的です。

フォーカスグループ

フォーカスグループは、少人数の参加者——通常6〜10人——を集めてあるトピックをグループとして議論させます。フォーカスグループを特徴づけるのは相互作用です：人々が互いに積み重ね、挑み、反応し合い、1対1のインタビューでは見逃される共有された規範や不一致を浮かび上がらせます。市場調査、政策研究、プロダクト設計で広く使われます。トレードオフは、声の大きい参加者が静かな参加者を押しのけうることで、熟練したモデレーションが重要になります。

観察とエスノグラフィー

観察的研究とは、行動が自然に展開するのを見て記録することです。エスノグラフィーはこれをさらに進めます：研究者がコミュニティや環境に長期間没入し、しばしば参加者として、内側から文化を理解しようとします。これらの手法は、人々が実際に何をするのか——それはインタビューで「する」と言うこととは必ずしも一致しません——を明らかにします。

事例研究

事例研究は、単一の境界づけられた単位——1人の人物、組織、出来事、プログラム——を、通常は複数のデータソースを同時に用いて詳細に検討するものです。事例研究は、文脈が現象と切り離せないときや、広さよりも深さを求めるときに強力です。

文書・内容分析

すべての質的データが一次的に収集されるわけではありません。研究者は既存の資料——政策文書、メディア報道、歴史的記録、オンラインレビュー、ソーシャルメディア——も分析し、あるトピックがどう枠づけられ論じられているかを理解します。これは、このガイドの後半で扱う計算的手法への自然な橋渡しとなります。

AIモデレーション・インタビュー：新しい手法

質的研究における最近の最大の転換の一つは、AIモデレーション・インタビューの登場です——質問をし、回答を聞き、リアルタイムで音声またはテキストによってフォローアップする会話型AIが実施するインタビューです。AIは研究者が設計したインタビューガイドに基づきますが、熟練した人間のモデレーターのように、各参加者に合わせて掘り下げを調整します。

これが重要なのは、実務的な3つの理由からです。第一にスケール：AIモデレーターは何百ものインタビューを並行して、いつでも、多言語で実施できるので、質的な深さがもはや研究チームが自ら担えるセッション数で頭打ちになりません。第二に一貫性：すべての参加者が同じ調整済みのアプローチを受け、人間のインタビュアー間の日々のばらつきがなくなります。第三にスピード：文字起こしは自動で、分析はただちに開始できます。

AIモデレーションは研究者の判断を置き換えるものではなく——その手の届く範囲を広げるものです。研究者は依然として研究を設計し、ガイドを書き、倫理的なガードレールを設定し、知見を解釈します。AIはフィールドワークの反復的でスケール可能な部分を担います。

正直な注意点：AIモデレーターは人間なら捉える微妙な感情の手がかりを見逃すことがあり、デリケートなトピックには人間の手が求められる場合があります。うまく使えば、人間主導のインタビューを丸ごと置き換えるものではなく、ツールキットの中の強力な新しい手法として捉えるのが最善です。この倫理については後述します。

質的データの分析方法

データの収集は仕事の半分にすぎません。分析こそが、生の逐語記録やフィールドノートを知見へと変えるものです。雑然とした人間的な素材を扱うとはいえ、そのプロセスは体系的です。

ステップ1：文字起こし

音声や動画はまずテキストにならなければなりません。文字起こしはかつてインタビュー1件あたり何時間も費やしましたが、AIの音声テキスト変換は今や数分でほぼ完全な逐語記録を生成し、研究者は正確性を確認し、長い間や笑いといった意味のある非言語的細部を捉えるだけで済みます。

ステップ2：コーディング

コーディングは質的分析の核心です：データの断片に、その意味を捉える短いタグを付け、データセット全体でグループ化し比較できるようにします。大きく2つのアプローチがあり、ほとんどの研究はそれらを組み合わせます：

帰納的（オープン）コーディング ——コードはあらかじめのリストなしに、データそのものから立ち現れる。新しいものを探索するときに最適。
演繹的コーディング ——理論や先行研究から導いたコードブックから始め、それをデータに適用する。既存の枠組みを検証・拡張するときに最適。

コードはその後、より広いカテゴリーへ、カテゴリーはテーマへと整理されます——これはオープンコーディングから軸足コーディングへの移行と表現されることがあります。

ステップ3：テーマ分析

テーマ分析は、データセット全体で意味のパターンを見出すための最も広く使われる手法です。Braun and Clarkeのよく知られた6段階フレームワークが、それに明快な構造を与えます：

習熟 ——データをよく知るまで読み、読み返す。
初期コードの生成 ——意味のある特徴をデータセット全体で体系的にタグ付けする。
テーマの探索 ——関連するコードを候補テーマにまとめる。
テーマの検討 ——テーマをコード化データおよびデータセット全体に照らして確認する。
テーマの定義と命名 ——各テーマが何についてのもので、何についてでないかを定める。
執筆 ——テーマを、生き生きとした引用に支えられた分析的なナラティブへと織り上げる。

その他の分析アプローチ

グラウンデッド・セオリー ——定数比較を通じてデータから直接理論を構築する。既存の理論が当てはまらないときに理想的。
内容分析 ——テキスト中の概念の出現を体系的に分類し、しばしば数える。
ナラティブ分析 ——人々が語る物語と、それをどう構成するかに焦点を当てる。
ディスコース分析 ——言語がどのように意味を構成し、権力を反映するかを検討する。

質的データのための計算的テキスト分析

データセットが大きくなるにつれて——数千の自由記述回答、何年分ものレビュー、数百件の逐語記録——手作業のコーディングだけでは追いつくのが難しくなります。計算的テキスト分析は、自然言語処理（NLP）と機械学習を応用して大量の質的テキストを分析し、人間のチームなら見つけるのに何週間もかかるパターンを浮かび上がらせます。

最も一般的な技法には次のものがあります：

トピックモデリング ——共起する語のクラスターを検出し、コーパスを貫く潜在的なトピックを浮かび上がらせるアルゴリズム（LDAや、より新しい埋め込みベースの手法など）。
感情分析 ——テキストを感情的なトーンで分類するもので、データセット全体で感情がどう変化するかを追うのに役立つ。
固有表現・キーワード抽出 ——重要な人物・組織・概念を自動的に抜き出す。
LLM支援コーディング ——大規模言語モデルを用いてコードやテーマを提案させ、それを研究者が検討・洗練・承認する。

AI支援コーディングと手作業コーディングの比較

選択は二者択一ではありません——最も強力なワークフローは、スピードと広さにAIを、判断と深さに研究者を用います。両者の比較は次の通りです：

要因	手作業コーディング	AI支援コーディング
スピード	遅い——数日〜数週間	速い——数分〜数時間
一貫性	疲労やコーダーによって変動	データセット全体で高度に一貫
スケール	人的時間に制約される	非常に大規模なデータセットを処理
ニュアンスと文脈	強い——皮肉や言外の意味を捉える	向上しつつあるが、機微を見逃すことがある
研究者の統制	完全	研究者が検討・承認
透明性	完全に追跡可能	監査可能に保つには注意が必要
コスト	労力面で高い	セットアップ後は単位あたり低い

立ち現れつつある合意は、ヒューマン・イン・ザ・ループモデルです：AIがデータセット全体にわたってコードとテーマの最初のパスを提案し、研究者が検証・修正・解釈します。これは計算のスピードを保ちつつ、良い質的研究を定義づける解釈的厳密性を維持します。

厳密性の確保：質的研究における信頼性

質的研究は統計的有意性に依拠しないため、独自の質の基準を持ちます。最も広く引用される枠組み（Lincoln and Guba）は、信頼性の4つの基準を定めています：

信用性（クレディビリティ） ——知見は信じられるか？技法にはメンバーチェックや複数データソースのトライアンギュレーションがある。
転用可能性（トランスファビリティ） ——知見は他の場面にも当てはまりうるか？文脈の厚く詳細な記述によって達成される。
信頼可能性（ディペンダビリティ） ——繰り返した場合にプロセスは一貫するか？明確に文書化された監査証跡によって支えられる。
確証可能性（コンファーマビリティ） ——知見は研究者のバイアスではなくデータに根ざしているか？省察性と透明な推論によって支えられる。

倫理的配慮

質的研究は人々の物語を、しばしばデリケートなトピックで扱うため、倫理は最後のチェック項目ではなく——プロジェクト全体を貫きます。

インフォームド・コンセント ——参加者は研究が何を含むかを理解し、自由に参加に同意しなければならない。
機密性とプライバシー ——身元を保護し、引用の慎重な匿名化を含め、機微なデータを安全に保つ。
バイアス ——研究者の期待が、聞き取り報告する内容を形づくりうる経路を認識し最小化する。
権力関係 ——研究者と参加者の間の不均衡を意識し、それを減らすよう努める。
省察性 ——自分自身の前提・立場・研究への影響を継続的に検討する。

AI時代の倫理

AI支援の手法は新たな責任を加えます。AIモデレーターや計算的分析を用いる際、研究者はAIの役割について参加者に透明であるべきで、テキストが外部モデルによって処理されるときはデータプライバシーを保護し、AIが回答をどうコード化・解釈するかにおけるアルゴリズム的バイアスに注意し、公表されるすべての知見について人間が責任を持ち続けるべきです。原則は単純です：AIは仕事を助けることはできても、判断を所有することはできません。

実例

全プロセスを一か所で見るために、次の問いを立てる研究を想像してください：「リモート従業員は職場での帰属感をどのように経験するか？」

設計 ——半構造化インタビュー研究、構成主義パラダイム、20名のリモートワーカーの目的的サンプル。
収集 ——30〜45分のインタビューを実施し自動で文字起こし；研究者が各逐語記録を確認する。
コーディング ——帰納的な最初のパス（AI支援）が「インフォーマルな雑談」「可視性への不安」「日次スタンドアップの儀式」といった候補コードを生成し、研究者がそれを洗練する。
テーマ構築 ——コードが「帰属感は小さな瞬間の中で築かれる」や「距離は自分の立ち位置への疑念を育む」といったテーマにまとまる。
検証 ——数名の参加者とのメンバーチェックがテーマが真実味を持つことを確認する。
執筆 ——テーマを代表的な引用とともに提示し、組織的帰属感に関する文献に結びつける。

質的研究のためのツール

適切なツールは、予算、AI支援の必要性、そして緩やかな学習曲線をどれだけ重視するかによって変わります。主要な選択肢を正直に比較します。

ツール	典型的なコスト	AI支援コーディング	組み込みの文字起こし	学習曲線
NVivo	年額 ,000以上	限定的	アドオン	急
ATLAS.ti	$$	あり（新しめ）	アドオン	中〜急
MAXQDA	$$	限定的	アドオン	中
Dovetail	$（席あたり）	あり	あり	緩やか
QualiTaTi	無料枠あり；Scholarは月額 9から	あり——中核機能	あり、自動	緩やか

NVivoやATLAS.tiのような従来のデスクトップツールは深く確立されていますが、高価で習得が大変です。新しいAIネイティブのプラットフォームは、文字起こし、AI支援コーディング、さらにはAIモデレーション・インタビューまでを単一のワークフローに折り込み、コストとインサイトまでの時間の両方を下げます——とりわけ機関ライセンスを持たない学生や小規模な研究チームにとって貴重です。

要点

質的研究は、インタビュー・観察・テキストといった非数値的なデータを用いて、人間の行動の背後にあるなぜとどのようにを説明する。
中核となる手法は、インタビュー、フォーカスグループ、観察／エスノグラフィー、事例研究、文書分析である。
分析は文字起こしからコーディング、テーマ分析へと進み、統計的有意性ではなく信頼性によって判断される。
AIモデレーション・インタビューと計算的テキスト分析はスケール・スピード・一貫性を加える——ヒューマン・イン・ザ・ループのモデルで使うのが最善。
倫理と厳密性は全体を通じて、そしてAIがワークフローの一部であるときはなおさら適用される。

よくある質問

質的研究を簡単に言うと何か？

それは、数字ではなく言葉や観察を用いて経験・意味・行動を研究し、あることがどれだけあるかではなくなぜそしてどのように起こるのかを理解する研究です。

質的研究と量的研究の違いは何か？

質的研究は非数値的なデータと小規模で目的的なサンプルを通じて意味を探索します。量的研究は数値データと大規模で代表的なサンプルで測定・検証します。多くの研究は混合研究法デザインで両方を組み合わせます。

主な質的研究の手法は何か？

最も一般的な5つは、詳細インタビュー、フォーカスグループ、観察とエスノグラフィー、事例研究、文書または内容分析です。

AIは質的分析を行えるか？

AIはインタビューを文字起こしし、コードを提案し、トピックモデリングや感情分析を実行し、さらには大規模にインタビューをモデレーションすることもできます。研究者が研究を設計し、すべての知見を検証・解釈するヒューマン・イン・ザ・ループのモデルで最もよく機能します——AIは仕事を加速しますが、解釈的判断は人間に残ります。

質的データ分析にはどれくらい時間がかかるか？

手作業では、コーディングとテーマ分析はデータセットの大きさに応じて数日から数週間かかることがあります。AI支援のワークフローは数分で最初のパスのコーディングを生成し、研究者は検討と解釈に時間を集中できます。

質的研究は信頼できるか？

はい、厳密に行われればそうです。統計的信頼性の代わりに、質的研究は信頼性——信用性、転用可能性、信頼可能性、確証可能性——で判断され、トライアンギュレーション、メンバーチェック、監査証跡、省察性といった技法に支えられます。

質的研究にはどれくらいの参加者が必要か？

固定した人数はありません——新しい参加者が新しいテーマを明らかにしなくなる点である飽和に達するまでデータを収集します。インタビュー研究では、トピックの複雑さに応じて、しばしば12〜30人です。