Kort antwoord: Dichte beschrijving is een manier om kwalitatief onderzoek te rapporteren met voldoende context, setting en interpretatief detail, zodat een lezer kan beoordelen of je bevindingen op zijn situatie van toepassing zijn. Bedacht door Clifford Geertz in 1973 en door Lincoln en Guba overgenomen als de belangrijkste strategie voor overdraagbaarheid, is het het tegenovergestelde van een gedecontextualiseerde themasamenvatting.
\n\nDichte beschrijving in kwalitatief onderzoek betekent dat je niet alleen rapporteert wat een deelnemer deed of zei, maar ook de context, intentie en sociale betekenis die het gedrag interpreteerbaar maken. De klassieke illustratie is een knipoog: een dunne beschrijving registreert een samentrekkend ooglid; een dichte beschrijving vertelt dat het een samenzweerderig signaal aan een vriend was, in een ruimte waar dat signaal een specifiek risico droeg.
\nDe term komt uit het essay van antropoloog Clifford Geertz uit 1973 in The Interpretation of Cultures. Hij bleef lange tijd binnen de etnografie, tot Egon Guba en Yvonna Lincoln hem in het bredere kwalitatieve kanon introduceerden. In hun kader voor betrouwbaarheid — geloofwaardigheid, overdraagbaarheid, betrouwbaarheid, bevestigbaarheid — is dichte beschrijving het operationele antwoord op overdraagbaarheid. Omdat een kwalitatieve studie geen statistische generaliseerbaarheid kan claimen, is de plicht van de onderzoeker om voldoende contextueel detail te leveren zodat lezers zelf kunnen beslissen of de bevindingen naar hun eigen setting doorwerken. De kwalitatieve onderzoeksrichtlijnen van de Robert Wood Johnson Foundation beschrijven het in precies deze termen.
\nDit weegt in 2026 zwaarder dan in 2005, omdat AI-ondersteunde analyse heel goed is in de dunne variant en structureel is afgesteld tegen de dichte.
\n\nHet verschil is het makkelijkst naast elkaar te zien. Beide rijen zouden hetzelfde interview kunnen beschrijven.
\n| Element | Dunne beschrijving | Dichte beschrijving |
|---|---|---|
| De claim | \"Gebruikers vonden de onboarding frustrerend.\" | \"Drie van de zeven beheerders die het account van een vertrokken collega hadden overgenomen, beschreven de onboarding als frustrerend — met name de stap waarin het systeem om een facturatie-eigenaar vraagt die zij niet bevoegd zijn aan te wijzen.\" |
| Het citaat | Geïsoleerde one-liner. | Citaat plus de vraag die het uitlokte en wat de deelnemer er direct voor had gezegd. |
| De deelnemer | \"P4.\" | \"P4, eigenaar van een bureau van twee personen, zes weken in een proefperiode, geïnterviewd in het Portugees.\" |
| De setting | Afwezig. | Wervingskanaal, incentive, moderator, modus, datumbereik, weigeringen. |
| Tegenstrijdige data | Weggelaten. | \"Vier deelnemers beschreven dezelfde stap als onopvallend; alle vier waren enige accounteigenaar.\" |
| Wat de lezer meeneemt | \"Gaat dit over ons?\" | \"Dit gaat over ons — wij hebben hetzelfde delegatieprobleem.\" |
Let op: de dichte versie is niet langer om de lengte. Elk toegevoegd element is een grensvoorwaarde die de lezer nodig heeft om de bevinding over te dragen — of om correct te besluiten dat dat niet kan.
\n\nNiets aan grote taalmodellen verhindert rijke rapportage. De dunheid komt voort uit hoe de pipelines zijn gebouwd en hoe mensen ze gebruiken.
\nDe meeste LLM-coderingspipelines splitsen transcripten in passages en coderen elk afzonderlijk. Dat is efficiënt, en het is precies de bewerking die de omringende beurtwisseling, het kader van de interviewer en de eerdere zelftegenspraak van de deelnemer verwijdert. De ISERN-reflectieworkshop uit 2025 van Ornelas en collega's — 25 software-engineeringonderzoekers in vijf groepen — registreerde dit als primaire zorg, naast de waarschuwing dat het overslaan van handmatig coderen de analist de vertrouwdheid met de data ontneemt.
\nEen model vragen om \"thema's te synthetiseren over 40 interviews\" is vragen om het bijzondere weg te gooien. Het bijzondere is precies wat dichte beschrijving bewaart. De instructie en de norm staan op gespannen voet, tenzij je expliciet om de bewaarde context vraagt.
\nDe PLOS Digital Health-studie van april 2026 door Hill en collega's is hier nuttig omdat ze de twee taken scheidt. Bij deductief coderen tegen een vast codeboek waren LLM's statistisch competitief met geblindeerde menselijke analisten. Bij inductieve analyse haalde slechts één model de non-inferioriteitsdrempel, en de auteurs beschrijven dat de modellen een \"systemische en procesgerichte blik\" hanteerden, terwijl menselijke analisten hetzelfde materiaal door persoonlijke en emotionele registers bekeken. Het gerapporteerde totale foutenpercentage was 12,4%, inclusief gedeeltelijke overeenkomsten en fouten in sprekertoewijzing — de tweede is direct fataal voor dichte beschrijving, omdat een citaat dat aan de verkeerde deelnemer is toegeschreven de verkeerde context meeneemt.
\nEen samenvatting in vijf bullets is makkelijker in een slide te plakken dan een gecontextualiseerd verhaal. Deze druk bestond al vóór AI; AI maakt het dunne artefact alleen goedkoper om te maken.
\n\nVoer dit uit op elk thema voordat het je analyseworkspace verlaat. Ken 1 punt toe per controle. Dit is een Qualitati-kader; gebruik het, pas het aan of citeer het.
\n| # | Controle | Slaagt als… |
|---|---|---|
| 1 | Traceerbaarheid | Elke claim linkt naar een specifieke deelnemer en transcriptlocatie die je in één klik kunt openen. |
| 2 | Citaatomgeving | Je ziet minstens één beurt vóór en één na elk ondersteunend citaat, inclusief de gestelde vraag. |
| 3 | Wie, niet hoeveel | Het thema benoemt welk soort deelnemer de opvatting had, niet alleen een telling. \"6 van 20\" zonder karakterisering is een dunne claim. |
| 4 | Grensvoorwaarde | De tekst zegt waar het thema niet geldt, of welke deelnemers het tegensprak. |
| 5 | Settingregistratie | Modus, taal, moderator (mens of AI), wervingsbron en datumbereik zijn bij de bevinding vastgelegd. |
| 6 | Menselijke interpretatieve controle | Een benoemde onderzoeker heeft de onderliggende fragmenten gelezen en kan het thema verdedigen zonder de samenvatting van het model erbij. |
Scoren. 5–6: publiceerbaar als overdraagbare bevinding. 3–4: intern bruikbaar, markeer als voorlopig. 0–2: dit is een samenvatting, geen bevinding — neem er geen beslissing op.
\n\nVoor wie dit is: UX-onderzoekers en insights-leads die bevindingen publiceren waar andere teams op gaan handelen; academische kwalitatieve onderzoekers die een methodesectie schrijven volgens COREQ of SRQR; ResearchOps-leads die een kwaliteitsniveau vaststellen voor gedemocratiseerd onderzoek.
\nWanneer je deze aanpak beter niet gebruikt: dichte beschrijving past slecht bij operationeel signaal met hoge frequentie — triage van supporttickets, tagging van NPS-verbatims of wekelijkse sentimentmonitoring — waar het doel een telling en een trendlijn is, niet een overdraagbare interpretatie. Het is ook onevenredig voor een verkennende sprint van twee dagen waarvan de output een hypothese is, geen claim. De volledige norm overal toepassen maakt hem ceremonieel, en ceremoniële gestrengheid is erger dan geen, omdat ze op het echte lijkt.
\n\nQualitati is een AI-platform voor gebruikersonderzoek voor product-, UX- en klantinsight-teams. Verschillende onderdelen zijn gebouwd om context aan claims verbonden te houden:
\nDit alles levert op zichzelf geen dichte beschrijving op. Controle 6 — een mens die de fragmenten heeft gelezen — is niet te automatiseren, en dat beweren we ook niet.
\n\nDrie eerlijke kanttekeningen. Ten eerste is de hier geciteerde evidentie beperkt: de PLOS Digital Health-vergelijking analyseerde één focusgroeptranscript van 12.172 woorden met zeven deelnemers. Dat is een zorgvuldige studie, maar wel één transcript. Ten tweede heeft dichte beschrijving een reële prijs — langere rapporten worden minder gelezen, en er is een echte afweging tussen contextuele volledigheid en de aandacht van stakeholders. Ten derde is dikte niet hetzelfde als juistheid; een rijk gecontextualiseerde verkeerde interpretatie blijft verkeerd. Daarom staan geloofwaardigheidsstrategieën zoals member checking en triangulatie naast dichte beschrijving, niet eronder. Laat bij gevoelige methodologische claims een gekwalificeerde onderzoeker het rapport beoordelen.
\n\nDunne beschrijving registreert waarneembaar gedrag zonder context. Dichte beschrijving voegt de setting, intentie en sociale betekenis toe die het gedrag interpreteerbaar maken, zodat een lezer kan beoordelen wat het betekent en of het ergens anders van toepassing is.
\nDe filosoof Gilbert Ryle introduceerde de uitdrukking, en antropoloog Clifford Geertz ontwikkelde haar tot een methodologisch principe in zijn boek uit 1973 The Interpretation of Cultures. Lincoln en Guba maakten het later centraal in kwalitatieve betrouwbaarheid.
\nOverdraagbaarheid is het kwalitatieve tegenhanger van externe validiteit. Omdat de onderzoeker niet kan claimen dat de bevindingen generaliseren, levert dichte beschrijving het contextuele detail dat lezers nodig hebben om dat oordeel zelf te vellen. De richtlijnen van Stalmeijer en collega's uit 2024 in The Clinical Teacher bespreken hoe je expliciet over overdraagbaarheid schrijft.
\nGedeeltelijk. Een LLM kan contextueel detail ophalen en samenstellen als de pipeline het bewaart en de prompt erom vraagt. Gepubliceerde vergelijkingen uit 2026 vinden dat modellen zwakker zijn in de interpretatieve laag — het deel dat bepaalt welke context ertoe doet. Behandel AI-output dus als een concept met het bewijs erbij, niet als een afgerond verslag.
\nDe praktische toets is de vraag van de lezer: zou iemand in een andere organisatie kunnen beslissen of deze bevinding op hem van toepassing is? Zo niet, dan mis je een grensvoorwaarde, een karakterisering van deelnemers of een settingdetail.
\nHet is geen formele eis van elk tijdschrift, maar rapportagestandaarden zoals COREQ en SRQR vragen om veel van de onderdelen ervan — setting, steekproef, kenmerken van de onderzoeker en context — en reviewers lezen de afwezigheid ervan vaak als een strengheidsprobleem.
\n\nDichte beschrijving is het contract van de kwalitatieve onderzoeker met de lezer: ik geef je genoeg context om zelf te beslissen of dit overdraagbaar is. AI-ondersteunde analyse maakt dat contract makkelijker te breken, omdat compressie het standaardgedrag is van elke samenvattingsstap in de pipeline. De oplossing is niet om AI te mijden. Het is om het bewijs aan de claim verbonden te houden, de setting bij de bevinding te registreren en een menselijke interpretatieve controle te eisen voordat iemand een beslissing neemt.
\nVoer de Thin-Output-test uit op het laatste thema dat je hebt opgeleverd. Scoort het onder drie, dan was de bevinding een samenvatting.
\nStart gratis met 30 credits — geen creditcard nodig — en voer een AI-gemodereerd interview, focusgroep, conversationele enquête of een ThemeLens-thematische analyse uit met citaten gekoppeld aan deelnemers. Bekijk de transparante prijs per credit, of vergelijk Qualitati met NVivo, ATLAS.ti en MAXQDA.
\n\nLaatst bijgewerkt 29 augustus 2026. Dit artikel is een onafhankelijke redactionele samenvatting van openbaar beschikbaar onderzoek; concurrentievermeldingen weerspiegelen openbaar beschikbare informatie per 29 augustus 2026.
","related":[]}