Die thematische Analyse ist eine Methode zur Identifikation, Analyse und Darstellung von Mustern (Themen) in qualitativen Daten. Sie gehört zu den am weitesten verbreiteten Analysemethoden in der qualitativen Forschung und wird wegen ihrer theoretischen Flexibilität und Zugänglichkeit geschätzt. Anders als Methoden, die an einen bestimmten erkenntnistheoretischen oder theoretischen Rahmen gebunden sind, lässt sich die thematische Analyse über eine Reihe von Forschungsfragen, Datentypen und Paradigmen hinweg einsetzen.
\nVirginia Braun und Victoria Clarke haben die thematische Analyse in ihrem grundlegenden Aufsatz von 2006 als benannte, systematische Methode formalisiert. Zuvor wurde sie häufig als namenlose und wenig klar umrissene Praxis betrachtet. Ihr Beitrag bestand darin, klare methodische Leitlinien zu formulieren, die den Analyseprozess transparent und nachvollziehbar machen.
\nThematische Analyse bedeutet nicht bloß, wiederkehrende Wörter zu finden oder Häufigkeiten zu zählen. Ein Thema erfasst etwas Wichtiges über die Daten im Hinblick auf die Forschungsfrage und stellt eine musterhafte Bedeutung über den gesamten Datensatz dar. Themen werden von den Forschenden durch anhaltende Auseinandersetzung mit den Daten aktiv konstruiert und nicht passiv entdeckt.
\n\nDie thematische Analyse kann induktiv oder deduktiv durchgeführt werden. Bei einem induktiven Vorgehen werden Kodierung und Themenentwicklung von den Daten selbst getragen. Man beginnt ohne vorab festgelegte Kategorien und lässt Muster aus dem Material hervortreten. Das ist besonders nützlich, wenn neue Themen erkundet werden und bestehende Theorie nur begrenzt verfügbar ist.
\nBei einem deduktiven Vorgehen bringt man einen bestehenden theoretischen Rahmen oder eine Reihe von Konzepten an die Daten heran und kodiert entsprechend. Das ist sinnvoll, wenn man bestehende Theorie prüfen, erweitern oder anwenden möchte. Viele Studien kombinieren beide Ansätze und beginnen mit einer theoretischen Sensibilisierung, bleiben aber offen für unerwartete Muster.
\n\nBraun und Clarke unterscheiden sechs Phasen der thematischen Analyse. Diese Phasen verlaufen nicht streng linear; man bewegt sich zwischen ihnen hin und her, während das Verständnis wächst. Man sollte sie als rekursiven Prozess und nicht als starre Abfolge verstehen.
\n\nBevor man mit der Kodierung beginnt, sollte man in die Daten eintauchen. Transkripte, Feldnotizen oder andere Materialien wiederholt lesen. Wenn man die Interviews selbst geführt hat, ist man bereits etwas vertraut, doch darf dies eine sorgfältige Relektüre nicht ersetzen. Falls vorhanden, Tonaufnahmen anhören. Ziel ist eine intime Kenntnis von Tiefe und Breite der Daten.
\nWährend der Vertrautwerdung notiert man erste Ideen, auffällige Beobachtungen und mögliche Muster. Diese Notizen sind vorläufig und informell, bilden aber die Grundlage für die systematische Kodierung. Diese Phase sollte man nicht überstürzen. Forschende, die ausreichend Zeit darin investieren, erzielen durchweg reichhaltigere und differenziertere Analysen.
\n\nKodieren heißt, bedeutsame Datenabschnitte zu identifizieren und zu benennen. Ein Code ist ein knappes Label, das den Kern eines Datenabschnitts im Hinblick auf die Forschungsfrage erfasst. Codes können deskriptiv (Inhalte zusammenfassend), interpretativ (Bedeutung erschließend) oder musterbasiert (wiederkehrende Ideen erkennend) sein.
\nMan arbeitet jedes Datenelement systematisch durch und widmet jedem Stück gleiche Aufmerksamkeit. Möglichst viele potenzielle Themen kodieren. In dieser Phase inklusiv vorgehen: Codes lassen sich später leichter zusammenfassen oder verwerfen, als übersehene Daten nachträglich neu zu kodieren. Jeder Datenauszug kann mehrfach kodiert werden, wenn er für mehr als eine Idee relevant ist.
\nEinige praktische Tipps zum Kodieren:
\nSobald ein umfassendes Set an Codes vorliegt, ordnet man sie zu potenziellen Themen. Ein Thema ist breiter als ein Code; es erfasst ein zentrales, ordnendes Konzept, das mehrere verwandte Codes vereint. Diese Phase ist wie das Sortieren der Codes in Stapel mit einem gemeinsamen Faden.
\nVisuelle Hilfsmittel unterstützen den Prozess. Mind Maps, Tabellen oder thematische Karten helfen, Beziehungen zwischen Codes zu erkennen und Kandidatenthemen zu identifizieren. Manche Codes bilden Haupthemen, andere Unterthemen, und einige passen nirgends hinein und können vorläufig in einer Restkategorie zurückgestellt werden.
\nIn dieser Phase nichts vorschnell verwerfen. Man erzeugt Kandidatenthemen, nicht finale Themen. Die Schwelle für die Aufnahme niedrig halten und die Verfeinerung der nächsten Phase überlassen.
\n\nDiese Phase umfasst zwei Ebenen der Überprüfung. Zuerst die kodierten Auszüge innerhalb jedes Themas prüfen. Bilden sie ein kohärentes Muster? Wenn nicht, muss das Thema möglicherweise überarbeitet werden: Vielleicht sollte es in zwei Themen geteilt werden, manche Auszüge gehören in ein anderes Thema, oder das Thema ist nicht tragfähig und sollte aufgegeben werden.
\nZweitens die Themen im Verhältnis zum gesamten Datensatz prüfen. Die Daten mit den Kandidatenthemen im Blick erneut lesen. Geben die Themen die im Datensatz insgesamt erkennbaren Bedeutungen korrekt wieder? Gibt es wichtige Muster, die die Themen übersehen? Diese Prüfungsebene kann dazu führen, dass man einige Daten neu kodiert oder neue Themen erzeugt.
\nEin nützlicher Test: Kann man klar beschreiben, was jedes Thema ist und was nicht? Wenn sich die Grenzen eines Themas nicht formulieren lassen, braucht es weitere Verfeinerung.
\n\nSobald ein zufriedenstellendes Set an Themen vorliegt, definiert und verfeinert man jedes einzelne. Man verfasst eine ausführliche Analyse jedes Themas: Welche Geschichte erzählt es? Wie fügt es sich in die größere Geschichte ein, die man über die Daten erzählt? Was ist sein Umfang und Inhalt? Den Kern jedes Themas herausarbeiten und sicherstellen, dass sich die Themen unterscheiden und sich nicht übermäßig überlappen.
\nNamen wählen, die prägnant, griffig und sofort aussagekräftig sind. Ein guter Themenname vermittelt der Leserschaft, worum es geht. Einwortnamen, die zu vage sind, und zu lange Namen, die sich schwer merken lassen, vermeiden. Es empfiehlt sich, die Sprache der Teilnehmenden in den Themennamen zu verwenden, damit sie in den Daten verankert bleiben.
\n\nDie letzte Phase verbindet die analytische Argumentation und die Datenauszüge zu einer kohärenten, überzeugenden Darstellung. Der Bericht sollte über die bloße Beschreibung der Themen hinausgehen und in Bezug auf die Forschungsfrage eine Argumentation entwickeln. Jedes Thema sollte mit anschaulichen, gut ausgewählten Datenauszügen belegt werden, die die jeweiligen Aussagen veranschaulichen.
\nDie Analyse in die breitere Literatur einbetten. Wie hängen die Themen mit bestehender Forschung und Theorie zusammen? Wo bestätigen, erweitern oder hinterfragen sie frühere Befunde? Der Bericht sollte die Leserschaft davon überzeugen, dass die Analyse vertrauenswürdig, systematisch und aufschlussreich ist.
\n\nAuch erfahrene Forschende machen Fehler in der thematischen Analyse. Wer die typischen Fallstricke kennt, kann sie leichter vermeiden.
\nThematische Analyse lässt sich zwar auch mit nichts als gedruckten Transkripten und Buntstiften durchführen, doch Software kann Effizienz und Organisation deutlich verbessern, besonders bei großen Datensätzen.
\nKlassische CAQDAS-Software (Computer-Assisted Qualitative Data Analysis Software) wie NVivo und ATLAS.ti bietet leistungsstarke Funktionen zum Kodieren und Abrufen. Sie können jedoch teuer sein, haben steile Lernkurven und erfordern viel manuellen Aufwand.
\nNeuere Plattformen integrieren zunehmend KI, um den Analyseprozess zu unterstützen. Das ThemeLens-Feature von Qualitati nutzt KI, um erste Codes vorzuschlagen und mögliche Muster zu erkennen, und lässt die endgültige Analyse dabei in der Hand der Forschenden. Das ist besonders wertvoll in der frühen Kodierphase, in der die Datenmenge überwältigend sein kann.
\nWelches Werkzeug man auch nutzt: Software führt die Analyse nicht für einen durch. Sie organisiert die Arbeit und erleichtert die Auseinandersetzung mit den Daten. Die interpretative Arbeit bleibt die eigene.
\n\nSeit ihrem Aufsatz von 2006 haben Braun und Clarke ihren Ansatz weiterentwickelt, den sie heute als „reflexive thematische Analyse“ bezeichnen. Dieser aktualisierte Rahmen betont mehrere wichtige Punkte:
\nFür eine qualitativ hochwertige thematische Analyse empfehlen sich folgende bewährte Praktiken:
\nThematische Analyse gehört zu den zugänglichsten und vielseitigsten Methoden der qualitativen Forschung. Ob Interviewtranskripte, Fokusgruppendaten, offene Umfrageantworten oder Dokumente analysiert werden: Der sechsphasige Rahmen bietet einen klaren, systematischen Weg von den Rohdaten zu aussagekräftigen Befunden.
\nWer für die eigene thematische Analyse Interviewdaten erhebt, sollte bedenken, wie die Interviewfragen die verfügbaren Daten prägen. Gut formulierte, offene Fragen erzeugen reichhaltigere Daten und letztlich aussagekräftigere Themen.
\nWer den qualitativen Workflow von der Datenerhebung bis zur Analyse straffen möchte, findet bei Qualitati eine integrierte Plattform, die Interviewdurchführung, Transkription und thematische Kodierung an einem Ort unterstützt. Die Preisoptionen zeigen, welcher Tarif zum eigenen Forschungsbedarf passt.
\n ","related":[{"slug":"what-is-member-checking-qualitative-research-2026","title":"Member Checking: Definition und Ablauf in 6 Schritten","description":"Member Checking (Respondent Validation) gibt Ergebnisse an Teilnehmende zurück, um Glaubwürdigkeit zu prüfen. Typen, 6-Schritte-Ablauf, Kritik und KI-Analyse.","category":"Methodik","date":"2026-06-28","readTime":"11 Min. Lesezeit","author":"Qualitati Research Team"},{"slug":"case-study-research-guide","title":"Fallstudienforschung: Typen, Designs und Beispiele (2026)","description":"Fallstudienforschung erklärt: Stakes und Yins Typen, Einzel- vs. Mehrfalldesigns, passende Fallzahl und Abgrenzung zur Ethnografie für Ihr Methodenkapitel.","category":"Methodik","date":"2026-03-10","readTime":"12 Min. Lesezeit","author":"Qualitati Research Team"},{"slug":"narrative-analysis-guide","title":"Narrative Analyse: Typen, Schritte und ein Beispiel","description":"Narrative Analyse in der qualitativen Forschung: Riessmans vier Typen, Unterschiede zur thematischen Analyse, sechs Schritte und ein Beispiel nach Labov.","category":"Methodik","date":"2026-03-06","readTime":"14 Min. Lesezeit","author":"Qualitati Research Team"}]}