テーマ分析：Braun and Clarkeの6つのフェーズを解説（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 · 16 min read

テーマ分析は、ほとんどの質的研究者が最初に手を伸ばす手法であり——そして最も緩く行われがちな手法でもあります。うまく行えば、それはインタビュー、フォーカスグループ、あるいは自由記述テキストにわたる意味のパターンを見出し報告するための、厳密で透明性のある方法です。本ガイドは、広く引用されるBraun and Clarkeのフレームワークを使って、それをフェーズごとにたどり、あなたの判断を置き換えることなくAIが今や作業をどこで速めるかを示します。

より広い分析の文脈については、質的データ分析ガイドをご覧ください。基礎については質的研究入門を。

テーマ分析とは？

テーマ分析は、質的データセット全体にわたる意味のパターン——テーマ——を体系的に特定し、分析し、報告するための手法です。単一の理論的枠組みに縛られないため、最も柔軟で広く使われる質的分析手法です。学問分野やパラダイムを横断して、人々があるトピックをどう経験し語るかを理解するために適用できます。

テーマは、研究課題との関係においてデータについて重要な何かを捉え、データセット全体にわたるパターン化された反応や意味を表します。目標は、語られたことを要約することではなく、それが何を意味するかを解釈することです。

テーマ分析の種類

「テーマ分析」は実際にはアプローチの一族です。3つの重要な区別が、その行い方を形づくります：

帰納的 vs. 演繹的——テーマはデータから立ち現れる（帰納的）か、既存の理論やコードブックに導かれる（演繹的）か。ほとんどの研究は両方を混ぜます。
意味的 vs. 潜在的——分析が明示的で表面的な意味にとどまる（意味的）か、根底にある前提や考えを解釈する（潜在的）か。
リフレクシブ vs. コーディング信頼性——テーマは研究者の能動的でリフレクシブな解釈を通じて発展させられるか、あるいは複数のコーダーと一致度チェックを伴う構造化されたコードブックを介して発展させられるか。Braun and Clarkeの後年の研究はリフレクシブな形式を強調しています。

Braun and Clarkeの6つのフェーズ

6フェーズのフレームワークは、テーマ分析の屋台骨です。これらのフェーズは再帰的であり、厳密に直線的ではありません——理解が深まるにつれて、あなたは行きつ戻りつします。

データへの習熟——データセット全体を読み、読み返し、可能であれば録音を聴き、初期のアイデアをメモする。よく知らないデータの中にパターンを見出すことはできません。
初期コードの生成——データを体系的に通読し、興味深い、あるいは関連していそうな特徴に簡潔なコードを付ける。包括的にコーディングし、周辺の文脈をいくらか保持する。
テーマの探索——コードを並べ替え、候補テーマへと整理し、各テーマに関連するすべてのデータを集める。マップのような視覚的ツールがここで役立つ。
テーマのレビュー——候補テーマを、そのコード化された抜粋に照らし（首尾一貫しているか？）、データセット全体に照らして（適合しているか？）確認する。必要に応じて分割・統合・破棄する。
テーマの定義と命名——各テーマが何についてのもので、何についてのものでないかを明確に定義し、簡潔で情報量のある名前を付ける。各テーマは明確な焦点を持ち、全体の物語の一部を語るべきである。
報告の作成——テーマを、鮮やかで代表的な抜粋に裏づけられた分析的な物語へと織り込み、研究課題に答え、文献と対話する。

コード vs. テーマ vs. トピック

これらはしばしば混同され、その混同が分析を弱めます：

コードは、特定のデータ断片に付けられた短いラベルです（例：「時間の配分」）。
テーマは、多くのコードから構築された、より広いパターンで、分析的な論点を示します（例：「コントロールは小さな日々のトレードオフを通じて行使される」）。
トピックは単なる主題領域にすぎません（例：「時間」）。テーマはあるトピックについて何かを語りますが、トピックだけでは何も語りません。

AI支援によるテーマ分析

AIは、最も労力のかかるフェーズを加速できます——大規模なデータセット全体にわたる初期コードを数分で生成し、それらを候補テーマへとクラスタリングする——ことで、レビュー・定義・物語化という解釈的な作業を研究者に残します。人間が関与するかたちで用いれば、これはボトルネックを取り除きつつ、優れたテーマ分析の核心にあるリフレクシブな判断を保ちます。それを厳密に保つ方法については、GenAIによる質的研究支援をご覧ください。

よくある落とし穴

単なるトピックであるテーマ——主題領域のリストは分析ではない。テーマは論点を示さなければならない。
インタビューの質問をテーマとして使うこと——意味のパターンではなく、尋ねた質問によって知見を整理してしまう。
薄い証拠——十分なデータに裏づけられていない、あるいは恣意的に選ばれた引用だけに支えられたテーマ。
重なり合うテーマ——区別が明確でないテーマは、レビューのフェーズが急がれたことを示す。
習熟を飛ばすこと——データを本当に知る前にコーディングしてしまう。

厳密性の確保

テーマ分析は、統計ではなく信頼性によって評価されます。コーディングの判断の監査証跡、明確なテーマの定義、（恣意的に選ばれていない）代表的な抜粋、自分自身の影響についてのリフレクシビティ、そして——コーディング信頼性の変種については——コーダー間の一致度チェックによって、それを強化しましょう。

具体例

習熟——リモートワークのウェルビーイングに関する18件すべてのインタビューを2回読み、印象をメモする。
コーディング——「常時オンの罪悪感」「曖昧な境界」「終わりを告げる儀式」のようなコードを生成する。
探索——コードを「境界は能動的に築かれなければならない」といった候補テーマへとクラスタリングする。
レビュー——テーマを抜粋とデータセット全体に照らして検証し、重なり合う2つのテーマを統合する。
定義——各テーマを正確に命名し定義する。
報告——代表的な引用と文献への結びつきを伴う物語を書く。

要点

テーマ分析は、質的データ全体にわたる意味のパターン（テーマ）を体系的に見出し報告する。
帰納的/演繹的、意味的/潜在的、リフレクシブ/コーディング信頼性の各次元に沿って変化する。
Braun and Clarkeの6つの再帰的フェーズは、習熟から執筆までを貫く。
テーマは分析的な論点を示す。それはコード以上であり、トピック以上である。
AIはコーディングとテーマ探索を加速できるが、解釈は人間にとどまる。

よくある質問

テーマ分析とは何ですか？

インタビューや自由記述回答などのデータセット全体にわたる意味のパターン（テーマ）を体系的に特定・分析・報告し、データが何を意味するかを解釈するための、柔軟な質的手法です。

Braun and Clarkeのテーマ分析の6つのフェーズとは何ですか？

データへの習熟、初期コードの生成、テーマの探索、テーマのレビュー、テーマの定義と命名、そして報告の作成です。これらのフェーズは厳密に直線的ではなく再帰的です。

コードとテーマの違いは何ですか？

コードは特定のデータ断片に付けられた短いラベルです。テーマは、研究課題との関係においてデータセットについて分析的な論点を示す、多くのコードから構築されたより広いパターンです。

リフレクシブ・テーマ分析とは何ですか？

固定されたコードブックやコーダー間の一致ではなく、研究者の解釈とリフレクシビティを通じてテーマが能動的に発展させられる、Braun and Clarkeが強調するアプローチです。

テーマ分析は帰納的ですか、それとも演繹的ですか？

どちらでも、あるいは両方でもありえます。帰納的分析はテーマをデータから立ち現れさせます。演繹的分析は既存の理論やコードブックに導かれます。多くの研究は両者を組み合わせます。

AIはテーマ分析を行えますか？

AIはデータセット全体にわたる初期コードを生成し、候補テーマを素早く提案できますが、テーマのレビュー・定義・解釈は、人間が関与するワークフローの中で研究者にとどめるべきです。