質的分析におけるコード・カテゴリ・テーマの違い

Qualitati Research Team · 2026-06-27 · 読了約12分

最終更新：2026年6月27日

結論

質的分析において、コードは特定のデータ断片に付けられた短いラベルです。カテゴリは関連するコードをより上位のまとまりにまとめたものです。テーマは、データセット全体に通底する中心的な考えをとらえる解釈的なパターンです。階層は下から上へ進みます：コード → カテゴリ → テーマ。コードはデータに何があるかを記述し、テーマはそれが何を意味するかを説明します。

要点

コードはデータ断片につける記述的なラベルです。カテゴリはコードを整理します。テーマは解釈的なもので、データについての一貫した筋立てを語ります。
Braun & Clarke は明確な線引きをしています。テーマはコーディングの成果であり、コーディングの対象ではない、というものです。彼らの「レンガと瓦の家」という比喩（コードはレンガ、テーマは壁）は、この違いを覚えるための最もよく引用される例です。
「カテゴリ」は内容分析やグラウンデッド・セオリーで最も明示的に使われます。反省的テーマ分析では、コードからテーマへ移る過程でカテゴリを省くことがしばしばあります。
初心者によくある誤りは、トピック要約（ある主題について語られたことをまとめた束）を、テーマ（共有された意味や考え）と取り違えることです。
AIはコーディングやクラスタリングを加速できますが、テーマの展開は人間の判断と監査証跡を必要とする解釈的な作業です。

コード、カテゴリ、テーマ：核心的な違い

質的分析は、非構造化されたテキスト（インタビューの文字起こし、自由記述のアンケート回答、フォーカスグループでの会話）を構造化された洞察へと変換します。3つの構成要素は、抽象度が段階的に高まる階層を形成します。それぞれがどの位置にあるかを理解することが、ラベルの整然としたスプレッドシートと、実際に行動へつなげられる発見との違いを生みます。

コードとは何か

コードとは、データの特定の断片の意味をとらえる短いラベルです。コーディングは、大量のテキストを検索可能な小さな単位へと分解する作業です。コードは記述的（「オンボーディングでの煩わしさに言及」）、in vivo（参加者自身の言葉、例：「なんだかぎこちなく感じた」）、概念的（「コントロールの喪失」）のいずれにもなりえます。統合の前に、20件のインタビューから80～100個の生のコードが生まれることは珍しくありません。

カテゴリとは何か

カテゴリとは、抽象度が一段上にある関連コードのまとまりです。「メニューがわかりにくい」「クリックが多すぎる」「設定が見つからなかった」というコードがあれば、それらをナビゲーションの難しさというカテゴリにまとめられます。カテゴリは、質的内容分析とグラウンデッド・セオリーで最も明示的です。そこではコードからカテゴリへの移行が、名前の付いた段階として扱われます。

テーマとは何か

Braun and Clarkeによれば、テーマはトピックの要約ではなく、中心的な考えを軸に組織された意味のパターンです。彼らの比喩では、コードが個々のレンガやタイルだとすれば、テーマは多くのコードから組み上がった壁や屋根のパネルです。彼らの言葉を借りれば、「SECURITY」はコードになりえますが、「A FALSE SENSE OF SECURITY（安心感の錯覚）」はテーマです。

階層の一覧

段階	内容	抽象度	例	答える問い
コード	データ断片へのラベル	低（記述的）	「エクスポートボタンが見つからなかった」	ここで何が語られているか？
カテゴリ	関連するコードのまとまり	中（組織的）	ナビゲーションの難しさ	これらのコードに共通するものは何か？
テーマ	意味の解釈的パターン	高（概念的）	「ツールは強力だが、近寄りがたい」	研究課題にとって何を意味するか？

境界が曖昧になる場面

用語は伝統によって同じ意味で使われるわけではなく、これが初学者の混乱の最大の原因です。

グラウンデッド・セオリーは、オープン・コーディング → カテゴリ（軸足コーディングを経由）→ 中核カテゴリと進み、「テーマ」という語は緩やかに扱います。グラウンデッド・セオリーとAIに関するガイドもご覧ください。
質的内容分析はカテゴリを中心に据え、しばしばその頻度を数えます。
反省的テーマ分析（Braun & Clarke）は、明示的な「カテゴリ」の段階を省き、コードから候補テーマへ直接移り、そのあと洗練させることが多くあります。「テーマのためにコードする」と書いている文献もありますが、Braun and Clarke はこれを戒めています。彼らにとってテーマは分析の出発点の単位ではなく、分析の結果だからです。

実践的なルール：ひとつの伝統を選び、方法論のセクションで用語を定義し、一貫して適用してください。査読者が重視するのは、どの語彙を選んだかよりも一貫性です。

具体例

新しい分析ダッシュボードについて、15件のインタビューを実施したとします。

コード（生）：「グラフが多すぎる」「数字を信用できなかった」「エクスポートが気に入った」「同僚に助けを求めた」「フィルターを使うのをやめた」。
カテゴリ：情報過多（グラフが多すぎる、フィルターを使うのをやめた）、信頼のギャップ（数字を信用できなかった、同僚に助けを求めた）、好評な点（エクスポートが気に入った）。
テーマ：「ユーザーは、数は少なくとも、より信頼できるシグナルを求めている」。二つのカテゴリをまたぎ、製品上の意思決定に直接答える解釈です。

テーマは、トピックを言い直したものではなく、参加者の発言に根ざした意味についての主張である点に注目してください。それがテストです。

独自資料：コードからテーマへの昇格チェックリスト

このQualitatiのチェックリストを使って、候補が本当のテーマか、単なるトピックの寄せ集めかを判断してください。本物のテーマは6項目中少なくとも4つを満たすはずです：

□ 中心となる組織化の概念：テーマの核心を一文で述べられますか？
□ 複数の事例にまたがる：目立つ一人の外れ値ではなく、複数の参加者に支持されていますか？
□ 記述ではなく解釈的：データが何についてかではなく、何を意味するかを語っていますか？
□ 引用に根ざす：それを示す参加者の引用を2～3個挙げられますか？
□ 境界が明確：他のテーマと明確に区別されていますか（重なりが少ない）？
□ 研究課題に答える：設定した問いに向けて分析を前進させますか？

候補が2つ以下しか満たさない場合は、おそらくカテゴリかトピック要約なので、構築を続けてください。

Qualitatiの位置づけ

Qualitati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。その分析ツールは、まさにこの階層に対応します：

QDA Workspace は、AI支援の帰納的・演繹的コーディングとコードブック生成（コードとカテゴリの層）をサポートし、各段階で人間による確認を組み込みます。
ThemeLens は、最大100件の文字起こしを一度にまたぐmap-reduce型のテーマ分析パイプラインを実行し、コードを研究課題へ対応づけ、参加者の引用を伴うテーマを統合します。すべてのテーマを元の根拠へリンクすることで、テーマの層を誠実に保ちます。

設計の意図は、解釈の主導権を人間に保つことです。AIはコードやクラスターを素早く提案し、どれをテーマにするかは研究者が決めます。検証のワークフローについては人間を介在させたテーマ分析を、帰納的と演繹的コーディングの選択については帰納的コーディングと演繹的コーディングの比較をご覧ください。

限界とトレードオフ

率直に述べておくべき3つの注意点：

用語は普遍的ではありません。ある方法で「テーマ」と呼ぶものが、別の方法では「カテゴリ」と呼ばれることがあります。必ず用語を定義し、共通の語彙を前提にしないでください。
AIは過度にまとめたり、ニュアンスを平板化したりすることがあります。自動グループ化は表面的な類似性でコードを統合しがちで、意味のある違いを隠してしまうことがあります。最近の信頼性研究では、人間とAIのコーディングの一致はまだ不完全であることが示されています。そのためAIの出力は判定ではなく下書きとして扱ってください。LLMは人間のコーダーと一致するか？をご覧ください。
テーマは解釈的です。熟練した二人の研究者が、同じデータから異なるが、どちらも妥当なテーマを導くことがあります。これは質的研究の特徴であり欠点ではありません。ただし、唯一の「正解」を主張するより、プロセスの透明性がいっそう重要になります。

人間によるレビューのための方法論の注記：テーマの展開は解釈の行為です。判断を記録し、監査証跡を残し、AIをどのように使ったかを報告してください。

よくある質問

カテゴリはテーマと同じですか？

いいえ。カテゴリは関連するコードを共通点でまとめたものであり、テーマはそれらのパターンが研究課題にとって何を意味するかを解釈したものです。カテゴリは組織的なもの、テーマは概念的なものです。

別個の「カテゴリ」の段階は必ず必要ですか？

必ずしもそうではありません。グラウンデッド・セオリーと内容分析ではカテゴリが明示されます。反省的テーマ分析では、正式なカテゴリの段階を経ずにコードから候補テーマへ移ることが多くあります。方法に応じて選んでください。

テーマはいくつ持つべきですか？

多くの研究は3～6個のテーマに落ち着きます。多すぎる場合は、カテゴリやトピック要約を誤ってテーマとして扱っている可能性が高く、少なすぎる場合は一般化しすぎている可能性があります。

AIはテーマを自動生成できますか？

AIは候補となるコードを提案し、それらをクラスター化し、裏付けの引用を伴うテーマの記述案を作成できます。ただし、テーマは解釈的なものなので、最終的なテーマの集合は人間が確認し、洗練させ、責任を持つべきです。AIは加速のために使い、決定はしないでください。

コードとテーマの違いを一行で言うと？

コードはデータが何を述べているかにラベルを付け、テーマはデータセット全体にわたってそれが何を意味するかを説明します。

「トピック」と「テーマ」は同じですか？

いいえ。トピックは人々が何について話したか（例：「価格」）です。テーマはそれについての共有された意味（例：「価格は、たまにしか使わないユーザーにとって懲罰的に感じられる」）です。トピック要約は、最もよくある誤ったテーマの罠です。

結論

コードは記述し、カテゴリは整理し、テーマは解釈します。階層を正しく押さえれば、分析は根拠のあるものになり、役に立ちます。曖昧にすると、トピックの一覧が発見として着飾ったものになってしまいます。QualitatiのQDA WorkspaceやThemeLensのようなAIツールは、数十件の文字起こしにわたるコーディングとクラスタリングの機械的な作業を圧縮できます。しかし、コードからテーマへの飛躍は、今なお人間の判断が価値を発揮する場面です。

30クレジット無料で開始、クレジットカードは不要です。アカウントを作成し、AIモデレーター付きインタビューまたは会話型アンケートを実施して、ThemeLensにコードをテーマへ、参加者の引用とともに対応づけさせてください。または、まず料金体系をご覧ください。