En bref : Une bonne rédaction d'analyse thématique commence par des énoncés de thème clairs (chacun formule une affirmation, et non une étiquette de sujet), appuie chaque thème sur des citations de participants ancrées dans les données, explique le fil analytique qui relie les thèmes à votre question de recherche, et se montre transparente sur la méthode et la réflexivité. Structurez-la ainsi : vue d'ensemble, une section par thème avec preuves et interprétation, puis une synthèse. Rapportez, ne vous contentez pas d'énumérer.
\nDernière mise à jour : 16 juillet 2026. Ce guide méthodologique s'adresse aux chercheurs UX, aux équipes insights et aux chercheurs qualitatifs ; les sources sont citées dans le texte.
\n\nLa plupart des équipes qui apprennent comment rédiger les résultats d'une analyse thématique découvrent que le goulot d'étranglement n'est pas le codage — c'est la transformation des codes en un récit défendable. Vous pouvez générer 200 codes et un jeu soigné de thèmes candidats, et produire tout de même une section de résultats qui se lit comme une liste étiquetée de sujets. La rédaction est le moment où l'analyse se concrétise réellement : nommer ce qu'un thème affirme, choisir des preuves qui justifient cette affirmation, et expliquer comment les thèmes répondent à la question de recherche. Braun et Clarke, dont l'analyse thématique réflexive est l'approche la plus utilisée, considèrent la rédaction comme la phase analytique finale — et non comme une transcription de résultats décidés auparavant (Braun & Clarke, 2021).
\nCe guide vous donne une structure reproductible, une grille pour juger les énoncés de thème, et une liste de contrôle avant publication. Il suppose que vous avez déjà codé vos données et disposez de thèmes candidats ; si vous en êtes plus en amont, commencez par notre guide sur le codebook et notre guide d'analyse rapide.
\n\nLe principal levier de qualité est l'énoncé de thème. Un résumé de sujet (« Onboarding ») indique au lecteur de quoi parle une section ; un énoncé de thème avance un argument que les preuves peuvent étayer ou réfuter. Braun et Clarke décrivent les bons thèmes réflexifs comme ayant un « concept organisateur central » — un sens partagé, et non un tiroir où l'on range tout ce qui a été mentionné sur un sujet (Braun & Clarke, 2021).
\nRéécrivez chaque étiquette sous forme de phrase pouvant être fausse :
\n| Faible (étiquette de sujet) | Fort (énoncé de thème) |
|---|---|
| Confusion sur les tarifs | Les participants se désengagent lorsque la tarification exige de prévoir leur usage futur. |
| Expérience du support | Une réponse humaine rapide rétablit la confiance après des échecs répétés des robots. |
| Onboarding | Les utilisateurs jugent le produit dès la première session et révisent rarement ce verdict. |
Les citations ne sont pas une décoration ; elles donnent au lecteur accès à vos données. Sélectionnez des citations illustratives (elles montrent l'affirmation dans les mots mêmes d'un participant) et, lorsque c'est pertinent, divergentes (elles montrent les limites du thème). Deux règles de rigueur gardent les preuves honnêtes :
\nIncluez au moins un cas contradictoire ou négatif par thème majeur lorsqu'il en existe. Une section de résultats qui ne montre jamais de tension se lit comme une sélection biaisée ; voir notre guide sur l'analyse des cas négatifs.
\n\nUne structure fiable, qui fonctionne aussi bien pour les rapports que pour les articles :
\nOrdonnez les thèmes selon leur apport à l'argumentation, non selon leur fréquence. Un thème vivant et utile à la décision doit figurer près du début, même si peu de participants l'ont évoqué.
\n\nChaque section thématique doit passer de « voici le motif » à « voici ce qu'il signifie ». La description rapporte ce que les participants ont dit ; l'interprétation explique la portée de ces propos pour la question que vous vous étiez posée — et, le cas échéant, les relie aux travaux antérieurs ou à la théorie. L'écart entre un résumé et une analyse tient presque toujours à une interprétation absente.
\n\nAttribuez à chaque thème une note de 0–2 sur cinq dimensions avant de le considérer comme achevé. Un thème dont le score est inférieur à 7/10 nécessite un travail complémentaire.
\n| Dimension | 0 | 1 | 2 |
|---|---|---|---|
| Affirmation | Une étiquette de sujet | Un énoncé vague | Une affirmation réfutable avec un concept central |
| Preuves | Aucune citation | Une citation, contexte mince | Plusieurs citations ancrées, dont un cas limite |
| Interprétation | Description seulement | Sens implicite | Sens explicite, rattaché à la question de recherche |
| Distinction | Chevauche d'autres thèmes | Chevauchement partiel | Concept central clairement séparable |
| Transparence | Aucune trace vers les données | Trace partielle | Traçable jusqu'aux codes et aux participants |
Relecteurs et parties prenantes attendent de plus en plus une piste de traçabilité transparente. Deux grilles largement utilisées aident : COREQ pour les études par entretiens et groupes de discussion (Tong et al., 2007) et la SRQR, plus générale (O'Brien et al., 2014). Toutes deux vous poussent à divulguer l'échantillonnage, le processus analytique et la position du chercheur. À la base se trouve le cadre de crédibilité de Lincoln & Guba — crédibilité, transférabilité, fiabilité, confirmabilité — ainsi que les huit critères « big-tent » de Tracy pour la qualité, dont la rigueur riche et la cohérence significative (Tracy, 2010). La rédaction est le moment où ces normes deviennent visibles ; voir notre article approfondi sur la fiabilité de la recherche qualitative assistée par IA.
\n\nQualitati est une plateforme de recherche utilisateur assistée par IA, destinée aux équipes produit, UX et insights. Son pipeline d'analyse thématique ThemeLens effectue une passe map-reduce sur jusqu'à 100 transcriptions, en reliant les codes aux questions de recherche et en synthétisant les thèmes, avec des citations ancrées dans les participants rattachées à chaque thème — précisément les preuves dont une bonne rédaction a besoin. Le QDA Workspace prend en charge le codage inductif et déductif, la génération de codebook et la visualisation des thèmes, et conserve la traçabilité des thèmes jusqu'à leurs codes et transcriptions sources. L'objectif n'est pas de déléguer l'interprétation à un modèle : le chercheur rédige toujours les affirmations, choisit les preuves et assume le récit analytique. Qualitati accélère les parties mécaniques — assembler les thèmes candidats et extraire les citations — afin que vous consacriez votre temps au jugement que mesure la grille ci-dessus.
\n\nDeux mises en garde. D'abord, les thèmes assemblés par l'IA peuvent paraître soignés tout en gommant les désaccords présents dans les données ; traitez la sortie d'un modèle comme un brouillon à interroger, non comme une constatation. Tout thème proposé par un outil doit tout de même passer la grille et montrer ses cas négatifs. Ensuite, le choix des citations est là où le biais se cache : un modèle (ou un humain) peut surreprésenter les citations saillantes et sous-représenter les cas limites. Gardez un humain dans la boucle pour la sélection des preuves, et vérifiez les affirmations de prévalence sur le corpus réel. Pour les décisions méthodologiques sensibles, faites relire indépendamment les énoncés de thème par un second chercheur.
\n\nUn code est une étiquette attribuée à un segment de données ; un thème est un motif de niveau supérieur, doté d'un concept organisateur central, qui couvre de nombreux codes et formule une affirmation. Voir codes, catégories et thèmes.
\nIl n'existe pas de nombre fixe, mais trois à six thèmes bien développés communiquent généralement mieux qu'une longue liste. La profondeur et la distinction comptent davantage que le nombre.
\nVous pouvez noter si un motif était répandu ou limité, mais évitez les pourcentages précis sauf si votre dispositif permet de compter. En analyse thématique réflexive, c'est le sens — et non la fréquence — qui définit l'importance d'un thème.
\nL'IA peut proposer rapidement des thèmes candidats et extraire des citations ancrées, mais les affirmations analytiques, le choix des preuves et l'interprétation doivent rester du ressort du chercheur. Utilisée ainsi, l'IA raccourcit le travail mécanique sans déléguer le jugement.
\nCOREQ est courante pour les études par entretiens et groupes de discussion ; SRQR est une norme qualitative plus large. L'une ou l'autre signale aux relecteurs que votre démarche était transparente.
\n\nBien rédiger les résultats d'une analyse thématique relève avant tout de la rigueur : formulez chaque thème comme une affirmation, démontrez-la par des preuves ancrées dans les participants, interprétez ce qu'elle signifie et soyez transparent sur la démarche suivie. Évaluez vos thèmes avec la grille, parcourez la liste de contrôle et supprimez tout ce qui ne mérite pas sa place. Commencez gratuitement avec 30 crédits et laissez ThemeLens de Qualitati assembler les thèmes candidats avec leurs citations, pour vous concentrer sur l'argumentation — ou consultez une tarification transparente et découvrez la plateforme.
\n\n\n\n","related":[]}