最終更新: 2026年7月19日
\n\n内容分析とテーマ分析はいずれも質的データのパターンを見いだす手法ですが、目指すところが異なります。内容分析はデータを体系的にカテゴリー化し、多くの場合はコードの出現回数を数えて、何が、どれくらい語られたかに答えます。テーマ分析は意味のパターンを解釈して、なぜに答えます。内容分析は演繹的な傾向があり数量化もできますが、テーマ分析は帰納的な傾向があり、解釈を中心とします。
\n\n質的分析は、インタビューの書き起こし、自由記述のアンケート回答、フォーカスグループでの対話、サポートチケットといった非構造化テキストを、構造化された知見へと変換します。内容分析とテーマ分析は、そのための代表的な2つの方法です。どちらもコーディングから始まるため、混同されることがよくあります。違いは、コーディングの後に何をするかにあります。
\n\n内容分析は、テキストを体系的にカテゴリー化し、多くの場合はそれらのカテゴリーの出現頻度を数える方法です。理論や先行研究から導いた既定のカテゴリーからなるコードブックを用意し、トップダウンで適用するため、演繹的であることがよくあります。参加者のうち何人が価格に言及したか、特定の機能が何回現れたかといった件数を生み出すため、内容分析は質的研究と量的研究の境界に位置することがあります。古典的な文献は、テキストから再現可能で妥当な推論を導くための Krippendorff の枠組みにさかのぼります。大規模なコーパス全体で比較可能性が求められる場合、透明なルールが必要な場合、報告できる数値が必要な場合に力を発揮します。
\n\nテーマ分析は、データセット全体にわたるテーマ、すなわち共有された意味のパターンを特定し、分析し、報告します。Braun & Clarke (2006) による広く引用される省察的アプローチでは、コーディングは通常帰納的かつボトムアップに行われ、コードとテーマはデータから構築されるため、予想外の発見も浮かび上がってきます。テーマとは、ある話題について語られたことを寄せ集めた束ではなく、データが何を意味するのかについての解釈的な主張です。テーマ分析は質的な性格を保ち、頻度よりも深さと文脈を重視します。
\n\n両手法はいずれも体系的なコーディングによって複雑さを減らし、コードからより上位のパターンへと進むことができます。特に質的内容分析はテーマ分析によく似ており、帰納的に行うこともできます。Vaismoradi らは、両者を共通の連続体上の位置として理解するのが最善だと論じています。その違いは種類ではなく、解釈と数量化の程度にあります。実際上の含意としては、ラベルにこだわりすぎず、研究課題が必要とする重点を選ぶことです。
\n\n以下の表は、方法論の文献と実務での適用方法に基づき、作業上の主な違いをまとめたものです（2026年7月時点）。
\n| 観点 | 内容分析 | テーマ分析 |
|---|---|---|
| 主要な問い | 何がどれだけ存在するか。 | それは何を意味し、なぜか。 |
| 典型的な方向性 | 演繹的／トップダウン（多くの場合） | 帰納的／ボトムアップ（多くの場合） |
| 成果物 | カテゴリー、頻度、件数 | テーマ、解釈的な叙述 |
| 数量化 | 一般的で、想定される | 通常は行わない |
| コードブック | コーディング前に定義されることが多い | コーディング中に展開されることが多い |
| 強み | 比較可能性、透明性、規模 | 深さ、文脈、潜在的な意味 |
| リスク | 件数の背後にある意味を見落とす | 監査証跡が弱い。研究者の解釈のずれ |
| 適した場面 | 大規模なコーパス、経時的な追跡 | 探索的な洞察、生きた経験 |
このクイック・スコアカードを使うと、どちらの方法を主軸にすべきかを判断できます。各文を0（そう思わない）から2（強くそう思う）で採点してください。両列の合計を比べ、合計点の高い列があなたの主要な方法です。合計の差が1点以内の場合は、ハイブリッドで行うことをお勧めします。内容分析で地図を描き件数を数え、テーマ分析で重点となる区分を解釈します。
\n| 次の場合は内容分析に傾く | 次の場合はテーマ分析に傾く |
|---|---|
| 頻度を報告したり、集団を比較したりする必要がある。 | 問いが探索的である（「ユーザーはXをどう経験しているか？」）。 |
| 検証済みの枠組みやコードブックをすでに持っている。 | 枠組みでは捉えきれない驚きがあると予想している。 |
| 関係者が数値と説明可能なルールを求めている。 | 関係者が行動の裏にある背景を知りたがっている。 |
| コーパスが大きく、規模の中で一貫性が必要である。 | 件数よりも、小規模なサンプルでの深さが重要である。 |
| 同じカテゴリーを経時的に追跡している。 | どれくらい頻繁に出現するかより、意味と文脈が重要である。 |
2026年半ばまでに、AIは両方法の機械的な部分を圧縮してきました。大規模言語モデルは、固定されたコードブックを何百もの文書に一貫して適用することも（内容分析）、生のコードを引用の裏づけとともに候補となるテーマへとまとめることもできます（テーマ分析）。2026年の業界記事は、AIによって分析時間が数週間から数時間に短縮され、手作業のコーディングの労力も大幅に減ったと報告しています。ただし、これらの主張はベンダーによる報告であり、査読を経たベンチマークではないため、方向性を示すものとして扱ってください。
\nしかしAIが取り除けないのは、解釈の負担です。カテゴリーが妥当かどうか、テーマが単なる話題の要約ではなく意味の本物のパターンか、コーディングが信頼できるか、といった判断は依然として人間が行うべきものです。望ましい方法は、人間が関与する（human-in-the-loop）方式です。AIが提案し、研究者が判断し、すべての知見が元のテキストまでさかのぼれるようにします。
\n\nQualitati は、プロダクト、UX、顧客インサイトのチーム向けのAIユーザーリサーチ・プラットフォームです。最初にどちらかの流儀を選ばせることなく、両方の分析スタイルを支援します。
\nQualitati のモデレーターの振る舞いとテーマ分析のパイプラインは、学術的な質的研究の文献を基に文書化され、継続的に改良されています。また、多言語コーパスに対応するため、本プラットフォームは10言語で利用できます。
\n\nどちらの場合もあり得ます。量的内容分析はカテゴリーを数えて頻度を報告します。質的内容分析は件数の数え上げにはあまり重きを置かず、カテゴリーを解釈します。多くの研究は両者を組み合わせています。
\n\nはい。よくある設計は、大規模なコーパス全体で内容分析によりカテゴリーをマップして数え、その後、優先度の高い区分をテーマ分析で深く解釈するものです。どこで一方が終わり、もう一方が始まるかを文書化してください。
\n\nいいえ。違いは数えるかどうかだけではなく、重点と目的にあります。テーマ分析は潜在的な意味と解釈的なテーマを前面に出します。内容分析は体系的なカテゴリー化を前面に出し、多くの場合は表面的で数えられる内容を扱います。
\n\n多数の回答にわたって比較可能な件数が必要なら、内容分析が規模によく対応します。回答の背後にある理由を知りたいなら、テーマ分析（またはハイブリッド）の方が強力です。AIで自由記述のアンケート回答を分析する方法のガイドもご覧ください。
\n\nいいえ。AIはどちらのコーディングも速くしますが、件数と意味のどちらを重視するかという分析の目的は依然として自分で選ぶ必要があり、出力も検証が必要です。方法の選択によって、どこまで論拠を持って主張できるかが決まります。
\n\n透明性のあるカテゴリーと、比較・追跡できる件数が必要な場合は内容分析を選んでください。パターンの背後にある意味を説明する必要がある場合はテーマ分析を選んでください。多くの現代のインサイト業務はハイブリッドの恩恵を受けており、AIによってその実践が大規模でも現実的になりました。ただし、コードとテーマを人間が検証することが前提です。
\nいずれかの方法を自分の書き起こしで試してみたいですか？ 30クレジットで無料で始める（クレジットカードは不要）か、透明性のある料金プランを見ることができます。Qualitati で、AIによるモデレート型インタビュー、会話型アンケート、テーマ分析を端から端まで実行する方法もご覧ください。
\n\n外部の出典：Braun & Clarke (2006)、Using thematic analysis in psychology；Vaismoradi, Turunen & Bondas (2013)、Content analysis and thematic analysis（Nursing & Health Sciences）；ATLAS.ti、Thematic vs. content analysis。
\n\n\n\n\n","related":[{"slug":"interpretative-phenomenological-analysis-guide-2026","title":"解釈的現象学的分析（IPA）の7ステップ：2022年版の手順と品質チェック","description":"解釈的現象学的分析（IPA）とは何か。2022年版の用語（PET・GET）による7つの分析ステップ、適切なサンプルサイズ、架空の実例、テーマ分析との違いを整理し、論文提出前に使える品質チェックリストも紹介します。研究者が解釈を自分の手で保つための注意点や、AIを使う場合の線引きも解説します。","category":"質的研究手法","date":"2026-09-29","readTime":"読了約11分","author":"Qualitati Research Team"},{"slug":"what-is-in-vivo-coding-qualitative-research-2026","title":"In Vivo Coding とは：定義・具体例・記述的コーディングとの違い","description":"In vivo coding（インビボ・コーディング）は、参加者の言葉をそのままコードとして使う質的コーディング手法です。定義、2つの具体例、記述的コーディングやプロセス・コーディングとの違い、分析の最初の段階で解釈のずれを防ぐ利点や、AIを使う場合の注意点や、方法論の章での示し方も整理します。","category":"質的研究手法","date":"2026-09-12","readTime":"読了約10分","author":"Qualitati Research Team"},{"slug":"codes-categories-themes-qualitative-analysis-2026","title":"質的分析におけるコード・カテゴリ・テーマの違い（2026）","description":"コードはデータの断片に付けるラベル、カテゴリは関連するコードをまとめた束、テーマはデータセット全体に通底する意味の解釈です。コード→カテゴリ→テーマの階層を、具体例、判定チェックリスト、AIを活用した分析ワークフローとともに2026年版として、研究者と実務者の双方に向けて丁寧に解説します。","category":"質的研究手法","date":"2026-06-27","readTime":"読了約12分","author":"Qualitati Research Team"}]}