要点: インビボ・コーディング（in vivo coding）は、第一サイクルの質的コーディング手法です。各コードは、参加者の発話から一字一句そのまま抜き出した短いフレーズを引用符で囲んだものです。概念化の前に参加者の言葉をそのまま保つための方法です。探索的研究、グラウンデッド・セオリー、言語へのこだわりが重要な研究に向いています。トピックや行為の比較可能なラベルが必要な場合は、記述的コーディングやプロセス・コーディングを使ってください。
インビボ・コーディングは、Saldaña の Coding Manual で質的研究法の学生が最初に出会うことの多いコーディング手法であり、同時に最も気づかれにくく誤りやすい手法の一つでもあります。ルールは一見単純です（参加者の言葉を使う）。しかし実際には、分析者は言い換えたり、文法を整えたり、インタビュアーの発話からフレーズを取ったり、自分の概念を引用符で包んでしまったりします。本ガイドでは、正確な定義、2つの具体例、インビボ・記述的・プロセス・コーディングの並列比較、そしてインビボ・パスが本当に逐語的であることを方法論の章で示すためのチェックリストを提示します。
\n\nまた、2026年に指導教員が問うようになった疑問、つまり「AIツールはインビボ・コーディングをできるのか」についても扱います。結論を先に言えば、言語モデルは正確な箇所を見つけるのは得意ですが、それを言い換えたくなる衝動に抗うのは苦手です。そのため、ソフトウェアを使う場合、この手法は他の多くのコーディングよりも厳しい制約を必要とします。
\n\n最終更新: 2026年10月7日
\n\n\"it just fights me\" であり、ユーザビリティの不満 ではありません。インビボ・コーディングは、各コードを参加者自身の話や文章から一字一句取り出した単語または短いフレーズとする質的データ分析法です。ラテン語のin vivoは「生きているもの内で」を意味し、その点がこの手法の核心です。コードは学術用語や製品用語に翻訳されることなく、データの生きた言語の中にとどまります。
\nこの用語はグラウンデッド・セオリーに由来します。Anselm Strauss は、研究対象の人々が実際に使う語（インビボ・コード）と、社会学者が構成する概念とを区別しました。Saldaña の The Coding Manual for Qualitative Researchers が、この手法を標準的な第一サイクル手法の一つにしました。5th edition (SAGE, 2025) は35を超えるコーディング手法を紹介し、生成AIについての議論を加えています。2026年6月27日付の The Qualitative Report の書評は、この版の立場を要約しています。すなわち、計算ツールは支援的であるが、解釈、文脈的判断、倫理的説明責任は研究者の責務のままである、というものです。
\nこの手法は、verbatim coding、literal coding、indigenous-term coding といった名称でも呼ばれます（Wiley International Encyclopedia of Communication Research Methods の In Vivo Coding の項目を参照）。慣例として、インビボ・コードは引用符で囲み、コードブックを読む人がどのラベルが参加者由来で、どのラベルが分析者由来かを見分けられるようにします。
\n\n仮想のオンボーディング・インタビューから1行を取り上げます。
\n\n\"I didn't finish setup. I kept waiting for it to tell me what it wanted and it never did, so I just closed the tab and went back to the spreadsheet.\"
| コーディング手法 | 適用したコード | 保持されるもの | 失われるもの |
|---|---|---|---|
| インビボ | \"waiting for it to tell me what it wanted\" | 参加者のメンタルモデル：導いてもらえると期待していた | 同じことを別の言い方で述べた参加者との比較可能性 |
| 記述的 | セットアップの放棄 | その出来事が旅程のどこにあるか | なぜそれが起きたのか、参加者自身の言葉での理由 |
| プロセス | 以前のツールに戻る | 行為とその方向性 | 諦めることの感情的な質感 |
| 概念・分析 | 案内への期待の違反 | 理論化に使える構成概念 | 元の言葉はすべて失われ、抽象化は分析者のものになる |
概念コードが間違っているわけではありません。それは主張です。インビボ・コーディングの規律とは、その主張を第一サイクルで偶然に行うのではなく、第二サイクルで記録に残して行うことです。
\n\n仮想の若手教員へのインタビュー（労働負荷の研究）から:
\n\n\"Sundays are basically school days now. You're not marking, exactly, you're just sort of carrying it around in your head the whole time, and my partner calls it the Sunday dread.\"
擁護可能なインビボ・コードは、\"Sundays are basically school days\"、\"carrying it around in your head\"、\"the Sunday dread\" です。記述的コードは週末の労働負荷、プロセス・コードは仕事について反芻するとなるでしょう。\"the Sunday dread\" はパートナーの言葉であり、参加者が伝えているものだという点に注意してください。残すべきですが、これは伝聞の発話であるとメモしてください。どの言語がどのコードに属するかも、データの一部なのです。
この3つは、第一サイクル手法の中で最も混同されやすいものです。違いは、コードが何でできているかにあります。インビボ・コードは参加者の言葉であり、記述的コードはトピックに対する分析者の名詞であり、プロセス・コードは行為に対する分析者の動名詞です。3つはいずれも正当な手法であり、多くの研究では組み合わせて使われます。
\n| 基準 | インビボ・コーディング | 記述的コーディング | プロセス・コーディング |
|---|---|---|---|
| コードの構成要素 | 参加者の正確な言葉、引用符付き | 分析者の単語または短い名詞句 | 分析者の動名詞（「〜ing」の語） |
| 答える問い | 参加者はどのように言い表すか？ | この箇所は何についてか？ | 人々は何をしているのか？ |
| 例（教員インタビュー） | \"the Sunday dread\" | 週末の労働負荷 | 仕事について反芻する |
| 事例間の比較可能性 | 第二サイクルでまとめるまで低い | 高い | 系列や日課については高い |
| 最も適する場合 | 探索的研究、グラウンデッド・セオリー、言語へのこだわりが重要な研究、周縁化された声を扱う研究 | 目録作成、文書分析、大規模またはミックス型のデータ | 日課、時間経過による変化、相互作用と戦略 |
| 主なリスク | 散漫なコードリスト、言い換えの忍び込み | 意味をトピックへと平板化すること | 存在しない行為を押し付けること |
| AI支援との適合性 | 出典つきの正確な範囲の抽出のみ | 初稿に適し、網羅性を確認 | 中程度。行為者が正しいか確認 |
よくある組み合わせは、第一サイクルでインビボとプロセスのコーディングを併用し、その後、焦点化コーディングまたは軸足コーディングで両者をカテゴリにまとめることです。コードがカテゴリやテーマになる過程についてはコード・カテゴリ・テーマの違いを、グラウンデッド・セオリーの手順については開放・軸足・選択的コーディングを参照してください。
\n\nインビボ・コーディングは、記述的コーディングに比べて1記録あたりの時間がかかり、初期のコードリストは大きく、雑然としたものになります。次の4つの状況では、そのトレードオフに見合う価値があります。
\n非公式なプロセス のように平板化すると、その信号は失われます。論文や学位論文のために第一サイクルのコーディングを行う博士課程の学生と学術的な質的研究者、2名のコーダーが比較可能なコードブックを作る必要がある研究室、強い内輪の語彙をもつ分野（臨床医、開発者、トレーダー、教員など）で仕事をする質的調査・市場調査会社、そしてディスカバリー・インタビューを行うUXやインサイト部門です。
\n\n確立された枠組みに対して大規模にコーディングを行う場合、トランスクリプトが機械翻訳である場合（「逐語的」な語句はすでに翻訳者のものです。AI分析の前にインタビューを翻訳すべきかを参照）、研究上の問いが意味ではなく頻度に関するものである場合、あるいは逐語的なフレーズが話者の言葉ではなく音声認識の産物になってしまうほど転記の質が低い場合には、この手法を省くか、抜き取りチェックに格下げしてください。
\n\n| 目指すこと | 使う手法 | 理由 |
|---|---|---|
| 参加者が問題をどう枠づけているかを聞き取る | インビボ | コードはデータを超えられない |
| 何が、どの順序で起きたかを把握する | 記述的・プロセス・コーディング | 事例間で比較可能 |
| 既存の枠組みを検証する | 演繹的・アプリオリなコードブック | 網羅性と信頼性。コードブックのテンプレートを参照 |
| ゼロから理論を構築する | インビボの後に焦点化・軸足コーディング | グラウンデッド・セオリーの手順。主題分析とグラウンデッド・セオリーの比較を参照 |
| 数百の回答にわたるテーマを数える | 内容分析またはLLM支援コーディング | インビボは集計しない。自由記述コーディングにおけるLLMと機械学習を参照 |
大規模言語モデルは、流暢で、正規化され、抽象化された言語を生成するよう訓練されています。インビボ・コーディングが求めるのは、その正反対、つまり洗練されておらず、参加者が所有する言語です。汎用モデルに「このトランスクリプトをコーディングして」と頼むと、大抵はオンボーディングの摩擦や信頼の障壁のような分析者の語り口による概念コードが返ってきます。それがコーディングの見た目だからです。モデルが誤作動しているわけではなく、インビボ・パスが問うのとは別の問いに答えているのです。
委任する内容を具体的にすべきだという根拠は、研究によって示されています。CHI 2026 の ChatQDA（オンデバイスで動くオープンソースのLLMコーディングツール）の研究では、研究者たちは条件付きの信頼を報告しました。明示的な内容の抽出にはこのシステムを評価する一方で、より深い解釈については、オープンソースのモデルが会話の中で互いに近い位置にある表層的な発言を特定しがちだったため、疑問を持ちました。これは小規模な研究（4名の参加者、それぞれ5ページの転記1件ずつ）なので、効果量ではなく失敗の傾向を示すシグナルとして扱ってください。
\nインビボ・コーディングの観点からすると、この限界はむしろ好都合です。参加者が実際に使ったフレーズを、その行にひもづけて見つけることは、検索的な作業です。3つの異なるフレーズが一つの構成概念であると判断することは解釈的な作業であり、それこそ守るべきものです。Sociological Methods & Research の2025年の研究では、生成LLMによる質的コーディングについて、手作業のコーディング結果と一致させる点で、モデルが教師ありの機械学習の性能に近づけることが分かりました。一方、QualAnalyzerの研究は、実用上必要なのはプロセスの監査可能性であり、すべてのコードが、それを生み出した範囲までたどれることだと論じています。インビボ・コーディングにとって、範囲レベルでのトレーサビリティこそ、この手法における正しさの定義なのです。
\n\n最初のインビボ・パスにモデルを使うなら、その初期設定に逆らって制約をかけてください。
\n\n\n各意味のあるセグメントについて、次を返してください。(1) 転記からそのまま一字一句コピーした、完全に逐語的な範囲としてのコード（2–8語、言い換えなし、類義語なし、語順の変更なし）、(2) それが由来する行またはタイムスタンプ、(3) 話者。カテゴリ、テーマ、分析的なラベルは作らないでください。そのセグメント内に、単独で意味を担える範囲がない場合は、ラベルを作り出す代わりに
\nNO_VERBATIM_SPANを返してください。参加者の文法、俗語、ためらいの表現、罵り語は、話されたとおりに正確に保持してください。
NO_VERBATIM_SPAN という逃げ道は重要です。それがなければ、逐語的なコードを求められたモデルは、ほぼ逐語的なコードを返すからです。引用の形をしているが引用ではない文字列です。これは、質的分析における幻覚的な引用についての記事で扱う失敗の類型です。
Qualitati のオリジナルの資料です。人間が行ったものでも、AI支援によるものでも、インビボ・パス全体に対して、第二サイクルへコードブックを回す前に実施してください。各項目に1点を付けます。8点以上は擁護可能、5〜7点は修正パスが必要、5点未満は、引用符で囲まれた分析者の語り口のコーディングです。
\n\"it just fights me\" は合格、\"usability friction\" は、引用符で囲んでも不合格です。Qualitati は、大学や調査会社向けの、欧州発で手頃な価格の質的研究プラットフォームであり、データプライバシーとGDPRを中心的な優先事項としています。その中で、インビボ・コーディングに直接関わる部分が2つあります。
\nデータ収集も重要です。インビボ・コーディングは、そこで扱う言語の質によってのみ良くなるため、最初の答えを受け入れずに深掘りするAIモデレーションのインタビューは、よりコード化可能な逐語的な素材を生み出します。また、言い回しそのものが重要な場合には、Active Listener モードが、リアルタイムの促しによって人間のインタビュアーが主導権を保てるようにします。10言語での調査は、チェックリストの項目9を、理想ではなく実際に行えるものにします。
\nQualitati は、クレジットごとの利用料金を公開しており、月30クレジットの無料枠からクレジットカードなしで始められます。
\n\nインビボ・コーディングは規模を扱えません。それは設計の一部でもあります。100件の転記にわたる逐語的なコードは分析ではなく、用語索引です。出力は、抽象化を引き受ける意志のある人間によって縮約されなければなりません。インビボ・コーディングを採用して第二サイクルを飛ばしたチームは、豊かだが使えないデータを抱えることになります。
\n逐語的であることは、本物であることと同じではありません。フレーズが参加者のものであるのは、転記が正確であり、モデレーターが先にそれを提示しておらず、翻訳がそれを生み出していない場合に限られます。音声認識の誤り率はアクセントによって一様ではないため（転記におけるアクセントの偏りを参照）、逐語的な忠実性は、サンプル全体にわたって不均等に分布しうるのです。
\nAIに関するエビデンスの基盤は薄く、また最近のものです。ここで引用した研究は、小規模な利用者調査と探索的な比較であり、確立された構成概念妥当性を持つベンチマークではありません。人間によるレビューの注意: 方法論の章で、AI支援のパスが参加者の声を保持したと主張するなら、その主張には、あなた自身のデータに基づく、あなた自身が文書化した検証が必要です。
\n\nインビボ・コードは、参加者の正確な言葉を引用符で囲んだものであり、記述的コードは、ある箇所のトピックを要約するための分析者自身の単語または名詞句です。インビボは声と枠組みを保持し、記述的コーディングは事例間で比較可能なトピックラベルを与えます。多くの研究では、第一サイクルで両方を使っています。
\nはい。コードは既存の枠組みからではなくデータから生まれるため、インビボ・コーディングはデータ駆動の帰納的な手法です。枠組みが居場所を持たないものを確認するための検査として、演繹的なコードブックと並行して使うこともできます。
\nいいえ。引用は提示する証拠であり、インビボ・コードは分析するためのラベルです。コードは、データセット全体で繰り返し現れるほど短く、段落全体ではなく範囲にひもづけられています。
\nラベルとして扱えるほど短く、それ単独で意味を担えるほど長いものです。作業上の目安は2〜8語です。完全な一文は、たいていまだコード化されていない引用です。
\n厳しい制約（正確な範囲、行の参照、明示的な拒否の選択肢）があれば、抽出の段階では有用に行えますが、どの異なるフレーズが同じ意味を持つかを決めるべきではありません。CHI 2026 の ChatQDA の研究は、その分かれ目を示しました。表層的な抽出では許容できるが、転記全体に分散した意味については弱い、というものです。
\n第二サイクルです。インビボ・コードを、カテゴリにまとめるパターン、焦点化コーディング、または軸足コーディングを行い、その後テーマの展開へと進みます。Saldaña の枠組みでは、第一サイクルは意図的に暫定的なものです。それを最終的なものとして扱うことが、この手法の最もよくある誤用です。
\n\nインビボ・コーディングは、小さいが厳格な規律であり、その効果は大きなものです。データに対する最初のパスを参加者の言語の中にとどまらせるため、その後のすべての抽象化が、見えない決定ではなく、見える決定になります。流暢なモデルの初期設定が即座に抽象化することであるため、AIがコーディングのワークフローに入ってくるほど、この規律はより重要になります。AIは出典つきの正確な範囲の抽出に使い、それらの範囲が何を意味するかについての判断は、あなたが保持してください。
\n30クレジットの無料枠で始めて、QDA Workspace で第一サイクルのコーディングを実行するか、透明性のある料金をご覧ください。ツールを比較中なら、Qualitati が NVivo、ATLAS.ti、MAXQDA、AIネイティブの研究プラットフォームとどう違うかをご覧ください。またはアカウントを作成して、今日からトランスクリプトをコーディングしてください。
","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":"content-analysis-vs-thematic-analysis-2026","title":"内容分析とテーマ分析の違い：2026年ガイド","description":"内容分析は出現頻度を数えてカテゴリー化し、テーマ分析は意味を解釈します。2026年版ガイドでは両者の違い、判断マトリクス、AIを使った分析ワークフローを整理し、研究目的に合う方法の選び方を具体的に解説します。質的研究者と市場調査の実務家に向けた、実践的な指針として役立つ内容です。","category":"質的研究手法","date":"2026-07-19","readTime":"読了約12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"}]}