要点: 質的研究におけるトライアンギュレーションとは、ある知見を単一の情報源、手法、分析者、理論的視点だけで判断せず、複数の情報源・手法・分析者・理論的視点に照らして確かめることです。古典的な4つの型（データ、方法、研究者、理論のトライアンギュレーション；Denzin, 1978）があり、その目的は唯一の真理を証明することではなく、より包括的で説得力のある説明を構築することにあります。
\n最終更新: 2026年7月18日。
\n\nトライアンギュレーションとは、同じ問いを複数の角度から検討し、単一の情報源が結論を密かに左右しないようにする実践です。この用語は測量や航法に由来し、二つの既知の地点から方位を測って位置を特定する考え方を借りたものです。質的研究でも論理は同じです。インタビュー、観察、文書がいずれも同じテーマを指し示していれば、一つのインタビュー記録だけに依拠する場合よりも、そのテーマをより確信をもって支持できます。
\nこの考え方は、社会学者Norman DenzinがThe Research Act (1978)で体系化したものであり、それ以来、質的研究の信頼性（トラストワージネス）を支える重要な要素であり続けています。Lincoln and Guba (1985)は、トライアンギュレーションを信憑性（credibility）の基準に組み込みました。これは量的研究における内的妥当性に相当するものです。
\n最初に明記しておきたい点があります。これはよく誤解されていることですが、トライアンギュレーションは、異なるデータ源が一致しなければならないという検定ではありません。一致は安心材料になりますが、むしろ不一致の方が興味深い結果であることも少なくありません。二つの方法が食い違うとき、その矛盾自体がデータです。現象がより複雑であるか、文脈に依存していることを示しており、単一の方法では見えなかったものが浮かび上がります。
\n\nDenzin (1978)の4分類は、この概念を整理する最も明快な枠組みであり、今も有効です。各型は、何を一定に保ち、何を変えるかによって異なります。
\n| 型 | 変える要素 | 例 | 防ぐもの |
|---|---|---|---|
| データのトライアンギュレーション | 情報源、時点、または場面 | 新入社員と勤続5年のベテランの両方にインタビューする。同じチームを1月と6月の両方で調査する | 特定の時点や特定の下位集団に起因するにすぎない知見 |
| 方法のトライアンギュレーション | データ収集の方法 | インタビュー、セッション観察、サポートチケットの分析を組み合わせる | どの単一の調査手段にも内在する盲点 |
| 研究者のトライアンギュレーション | 誰が収集またはコーディングするか | 二人の分析者が同じ記録をコーディングし、突き合わせて調整する | 一人の研究者の独特な解釈が支配的になること |
| 理論のトライアンギュレーション | 解釈の枠組み | 同じデータを行動論的な枠組みと制度論的な枠組みの両方で読む | 事前に選んだ単一の理論へとデータを無理に当てはめること |
もう一つの型として、環境的またはデータ源のトライアンギュレーションが、ユーザーリサーチの文献で分けて扱われることがあります。デバイス、場所、チャネルを比較するものです（Interaction Design Foundation, 2026年更新）。ほとんどのプロジェクトでは、元の4つの型で十分に検討できます。
\n\n4つすべてが必要になることは稀です。最も厳しい批判者が何を問題にするかで選んでください。
\n質的研究の知見には信頼区間が付いてきません。その代わりになるのは、解釈が一つのインタビュー、一人のコーダー、一つの枠組みの偶然の産物ではないことを示す透明な論証です。トライアンギュレーションは、その論証を構築する最も直接的な方法です。だからこそ、COREQやSRQRのような報告基準では、どのように実施したかを記述することが求められています。
\nただし、それは無償でも万能でもありません。率直に言って、次の三つの限界があります。
\n方法論上の活発な議論もあります。一部の研究者は、トライアンギュレーションが一致を求める傾向は、固定された単一の実在を特定できるという前提を暗黙のうちに置いており、解釈主義や構成主義のパラダイムとは相容れないと指摘します。Richardsonが提唱したクリスタライゼーションという比喩、すなわち多くの側面と多くの部分的な視点があり、単一の「真の」立場は存在しないという考え方は、そうした伝統ではしばしば好まれます。Abbaszadeh、Pashaie、Zubović による2025年の論文は、両者を組み合わせられると論じています。トライアンギュレーションが厳密さを、クリスタライゼーションが解釈の豊かさを担うというものです（Abbaszadeh et al., 2025）。実務上の結論は、自分がどの認識論的立場で研究しているかを把握することです。そして、自分の認識論が唯一の真理の存在を否定するなら、トライアンギュレーションがある単一の真理を「検証する」とは主張しないことです。
\n\n最も新しい視点であり、2026年の研究チームに最も関連するのは、分析の情報源の一つが大規模言語モデルである場合に何が起きるかです。同じ2025年の論文は、AIをアルゴリズムによる共同分析者
として位置づけ、人間のコーダーでは及ばない規模でパターンを検出できるものとし、人間の判断の代替ではなく協働者として捉えています（Abbaszadeh et al., 2025）。
その枠組みは適切であり、実務上重要な帰結があります。AIは検証される情報源であり、トライアンギュレーションを終わらせる裁定者ではありません。 記録をコーディングするLLMは、独自の体系的な偏りをもつ、もう一つの視点です。外れ値を平準化したり、文書の冒頭を過度に重視したり、自分自身と自信満々に一致したりすることがあります。その出力を正解として扱うことは、単一情報源の研究デザインを、白衣を着たまま元に戻すようなものです。
\n適切に使えば、AIはDenzinの4つの型のうち二つを支えます。
\nQualitatiは、プロダクト、UX、カスタマーインサイトのチームのためのAIユーザーリサーチプラットフォームであり、その機能のいくつかは、偶然ではなく意図的に行うトライアンギュレーションに直接対応しています。
\nこのプラットフォームは、研究者の判断をプロセスから取り除くものではありません。複数の角度から情報を集めることを安くし、不一致を静かに解消せず、目に見える状態に保つものです。
\n\nトライアンギュレーションは、執筆時に再構築するのではなく、調査の前に設計しておくとき最もよく機能します。データを収集する前に、以下を実施してください。
\n一つの知見を、複数の情報源、方法、分析者、または理論に照らして確かめ、単一の偏りの源が結論を決めてしまわないようにすることです。
\nデータ、方法、研究者、理論のトライアンギュレーションです（Denzin, 1978）。それぞれ、情報源、手段、分析者、解釈の枠組みを変えることに対応します。
\n信憑性を強めますが、妥当性を保証するものではありません。標本の不備を補うことはできず、同じ偏りを共有する情報源は誤った理由で一致することがあります。信頼性を確保するための、いくつかの手段の一つです。
\n必ずしもそうではありません。一致は安心材料になりますが、情報源同士の不一致が、より価値のある結果であることも多くあります。不一致は通常、その現象が単一の方法で示せるよりも文脈に依存していることを意味します。
\nはい。追加の分析の情報源として使えます。たとえば、研究者のトライアンギュレーションにおいて第二のパスとして機能するAIコーダーです。ただし、AIには独自の体系的な偏りがあるため、人間の判断に照らして検証すべきものであり、最終的な裁定者として扱うべきではありません。
\nトライアンギュレーションは、安定した対象を前提に、複数の方位から知見を定めようとします。クリスタライゼーションは、唯一の真の立場を想定することなく、多くの部分的で変化する視点を受け入れるもので、解釈主義や構成主義の研究で好まれることが多いです。
\n\nトライアンギュレーションは、質的研究で最も古く、最も息の長い考え方の一つです。何かを信じる前に、同じ問いを複数の場所から見てください。4つの型（データ、方法、研究者、理論）は選択肢を与え、適切な選択は、その研究の最大の信憑性上のリスクに照準を合わせるものです。AIは視野を安価に広げますが、それは検証されるべき一つの視点として扱う場合に限られます。検証を終わらせる権威としてではなく。
\n方法を組み合わせる作業を三倍にせずにトライアンギュレーションしたいですか？ 30クレジット無料で始める。AIモデレーターによるインタビュー、フォーカスグループ、会話型アンケートを実施し、ThemeLensで一緒に分析できます。または、透明性のある料金を確認して、クレジットごとの単価をご覧ください。
","related":[]}