データ分析

質的データ分析の5つの手法を比較:テーマ分析・ナラティブ分析・グラウンデッド・セオリー

Qualitati Research Team

2026-02-20

読了約15分


分析アプローチの選び方

適切な分析手法の選択は、質的研究で最も重要な決定の一つです。どの手法を選ぶかによって、データとの向き合い方、得られる知見の種類、そして信頼性をもって主張できる内容が決まります。それでも多くの研究者は、研究課題により適した代替手法を検討せず、慣れた一つの方法に頼りがちです。

本ガイドでは、質的データ分析の主要な5つのアプローチ、すなわちテーマ分析、ナラティブ分析、グラウンデッド・セオリー、内容分析、フレームワーク分析を比較します。各アプローチについて、基本的な論理、手順、長所、限界、そして最も適した研究課題の種類を取り上げます。

1. テーマ分析

概要

テーマ分析は、質的データセット全体に見られる意味のパターン(テーマ)を特定し、解釈する手法です。柔軟性と取り組みやすさから、質的研究で最も広く使われている手法の一つといえます。特定の理論的枠組みに縛られないため、実在論、構成主義、批判的パラダイムのいずれの中でも用いることができます。

使用すべき場合

テーマ分析は、データ全体に見られるパターンを特定し、記述することが主な目的である場合に適しています。インタビューの書き起こし、フォーカスグループのデータ、自由記述式のアンケート回答、テキスト文書などによく合います。体系的でありながら柔軟な手法を求める場合、また経験、視点、認識の理解を研究課題とする場合に強い選択肢となります。

主な手順

  • 繰り返し読み込むことで、データに慣れ親しむ
  • データセット全体にわたって、初期コードを体系的に生成する
  • コードを候補テーマにまとめる
  • コード化された抜粋と全データセットに照らして、テーマを検討する
  • 各テーマを定義し、名前を付け、洗練させる
  • 分析を一貫性のある叙述としてまとめる

各段階の詳しい手順については、テーマ分析の完全ガイドをご覧ください。

長所と限界

テーマ分析は初心者の研究者にも扱いやすく、理論的に柔軟で、幅広いデータの種類や研究課題に適用できます。ただし、分析上の判断を明確に記録しなければ、その柔軟性が弱点になりかねません。理論的基盤が弱いと、記述的ではあるものの浅い知見しか得られないおそれがあります。

2. ナラティブ分析

概要

ナラティブ分析は、人々が語る物語に焦点を当てます。データをコードやテーマに細分化するのではなく、個々の語りの一貫性を保ち、人々が物語を通じていかに意味を構築するかを検討します。何が起きたかだけでなく、語り自体がどのように意味を形づくるのかを問い、物語の構造、内容、そしてその遂行性に注目します。

使用すべき場合

アイデンティティ、時間の経過に伴う経験、あるいは人々が重要な出来事をどのように理解するかが研究課題である場合に、ナラティブ分析を用います。ライフヒストリー研究、病の語り、組織におけるストーリーテリング、そして語りの時系列的な構造が分析上重要となる探究に特に適しています。

主な手順

  • 物語を引き出すよう設計された、深い非構造化または半構造化インタビューによって、ナラティブデータを収集する
  • ナラティブの特徴(間、強調、時間的な目印)を保持したまま、インタビューを書き起こす
  • 各書き起こしの中から、ナラティブの区切りや完結した物語を特定する
  • 各ナラティブの構造(導入、複雑化、解決、評価)を分析する
  • 内容、テーマ、そして物語と社会的文脈との関係を検討する
  • 物語がどのように遂行されているかを考える:想定される聞き手は誰か、どのようなアイデンティティが構築されているか

長所と限界

ナラティブ分析は、個々の語りが持つ豊かさと複雑さを保持します。文脈、時間性、そして意味づけにおける参加者の能動的な役割に敏感です。一方で、通常は少数のサンプルを扱うため、事例を超えた一般化には向きません。分析には高度な解釈力が必要で、参加者一人あたりの時間もほとんどの他の手法より多くかかります。

3. グラウンデッド・セオリー

概要

グラウンデッド・セオリーは、探究の方法であるとともに、データ分析のアプローチでもあります。Barney Glaser と Anselm Strauss によって開発されたこの手法の最大の特徴は、データから理論を体系的に生成することです。既存の理論をデータに当てはめる手法とは異なり、データ収集と分析の反復的なプロセスを通じて、理論を帰納的に構築します。

使用すべき場合

既存の理論が存在しない、不完全である、あるいは現象を説明するには不十分である場合に適しています。パターンを記述するだけでなく、社会的プロセスの理論的説明を展開することが目標である場合に強い選択肢となります。保健科学、教育学、組織研究で広く用いられています。

主な手順

  • オープン・コーディング:データを個別の断片に分け、概念的なラベルを付与する。一行ずつ、または出来事ごとにコード化する。
  • 継続的比較:新しいデータの断片を、既存のコードやカテゴリーと絶えず比較する。この反復的な比較がカテゴリーの発展を促す。
  • 軸足コーディング(アクシャル・コーディング):カテゴリー間の関係を特定する。各カテゴリーに関連する条件、行為や相互作用、そして帰結を明らかにする。
  • 選択的コーディング:他のすべてのカテゴリーを一貫性のある理論的枠組みへと統合する中核カテゴリーを特定する。
  • 理論的サンプリング:生まれつつあるカテゴリーを発展・洗練させるために、追加のデータを特に収集する。サンプリングの判断は、進化する理論によって導かれる。
  • 理論的飽和:新しいデータがカテゴリーに新たな次元を加えなくなるまで、データ収集を続ける。
  • メモ作成:発展しつつあるアイデアや理論的なつながりを記録するため、プロセス全体を通じて分析メモを書く。

長所と限界

グラウンデッド・セオリーは、経験的データにしっかりと根ざした理論的説明を生み出します。その体系的な手順は、厳密性と透明性を高めます。しかし、時間と専門性の両面で負荷が大きい手法です。データ収集と分析が反復的に進むため、プロジェクトが当初の見込みよりはるかに長期化することもあります。また、異なる学派(グレイザー派、ストラウス派、構成主義派)の間で続く論争が、初心者の研究者を混乱させることもあります。

4. 内容分析

概要

内容分析は、テキスト、視覚、音声の素材の内容を体系的に分類し、数量化する手法です。単純に頻度を数える量的なものにもなりえますが、質的な内容分析は、カテゴリー内の意味を解釈するところまで踏み込みます。テーマ分析と密接に関連していますが、より構造化されており、カテゴリー主導である傾向があります。

使用すべき場合

コミュニケーションの内容を体系的かつ再現可能な形で記述したい場合に適しています。メディアコンテンツ、政策文書、組織内のコミュニケーション、自由記述式のアンケート回答の分析に広く用いられています。大量のテキストデータがあり、それを管理するための構造化されたアプローチが必要な場合に適した選択肢です。

主な手順

  • 研究課題を定め、分析対象の素材を選ぶ
  • コーディングの枠組みを作成する(カテゴリーは理論、先行研究、またはデータそのものから導き出せる)
  • 各カテゴリーについて、包含と除外の基準を明確に定義する
  • 分析単位にカテゴリーを適用しながら、素材を体系的にコード化する
  • 複数のコーダーが関わる場合は、コーダー間信頼性を評価する
  • 結果を分析し、パターン、頻度、カテゴリー間の関係を明らかにする
  • 研究課題と既存文献との関係から、知見を解釈する

長所と限界

内容分析は、非常に体系的で再現可能です。大量のデータを効率的に扱うことができ、比較研究にも適しています。構造化された性質のため、解釈的な手法よりも信頼性を確立しやすいです。一方で、テキストをカテゴリーに分割することで、文脈やニュアンスが失われることがあります。主観的な意味の探究を必要とする、深く解釈的な研究課題にはあまり向きません。

5. フレームワーク分析

概要

フレームワーク分析は、英国の National Centre for Social Research において、応用的な政策研究のために開発されました。行列ベースのフレームワークを用いて、質的データを体系的に整理・分析するアプローチです。データは行(事例)と列(テーマ)からなるチャートへと要約・整理され、事例内および事例間の体系的な比較を可能にします。

使用すべき場合

具体的な問い、限られた期間、あらかじめ設計されたサンプルを伴う応用研究に特に適しています。複数の分析者が共通の構造を必要とするチーム型の研究でもよく機能します。保健医療サービス研究、政策評価、組織研究で一般的に用いられています。

主な手順

  • 親しむ:データに深く入り込み、その内容と深さの全体像をつかむ。
  • テーマ的枠組みを特定する:研究課題、先行文献、データの中で提起された論点をもとに、初期のテーマやカテゴリーの集合を作成する。
  • インデックス化:テーマ的枠組みを体系的にデータへ適用し、各部分に関連するコードを付す。
  • チャート化:事例を行、テーマを列とする行列を作成する。各事例のデータを、各テーマの下に要約する。
  • マッピングと解釈:チャートを用いて、データセット全体にわたるパターン、関係、説明を特定する。

長所と限界

フレームワーク分析は、生のデータから知見に至る明確で監査可能な道筋を提供します。行列の構造により、事例やテーマを比較し、逸脱した事例を見つけやすくなります。チームでの分析や、締め切りが厳しい研究にもよく適しています。ただし、その構造化された性質は、帰納的な探究を制約することがあります。テーマ分析ほど柔軟ではなく、深く解釈的な研究や理論構築型の研究にはあまり向きません。

比較表

以下の要約は、5つのアプローチの主な違いを示しています。

  • 主な目的:テーマ分析はパターンを記述し、ナラティブ分析は語りを解釈し、グラウンデッド・セオリーは理論を構築し、内容分析は分類と計数を行い、フレームワーク分析は政策や応用のために整理する。
  • 理論的柔軟性:テーマ分析が最も柔軟である。グラウンデッド・セオリーとナラティブ分析は、より強い理論的コミットメントを持つ。内容分析とフレームワーク分析は、より方法主導である。
  • データ量:内容分析とフレームワーク分析は、大規模なデータセットをうまく扱える。ナラティブ分析は、通常、小規模で深いデータセットに最もよく適する。テーマ分析とグラウンデッド・セオリーはその中間に位置する。
  • 成果物:テーマ分析はテーマを、ナラティブ分析は解釈された物語を、グラウンデッド・セオリーは理論を、内容分析は分類された記述を、フレームワーク分析は構造化された行列を生み出す。
  • 学習曲線:テーマ分析は最も緩やかな学習曲線を持つ。グラウンデッド・セオリーとナラティブ分析はより高度な習得を要する。内容分析とフレームワーク分析は、構造への丁寧な注意を必要とする。

分析手法を選ぶための実践的指針

分析アプローチを選ぶ際には、次のいくつかの問いを自問してください。

  • 研究課題は何か。「どのようなパターンが存在するか」を問うのであれば、テーマ分析で十分かもしれない。「このプロセスはどのように機能するか」を問うのであれば、グラウンデッド・セオリーがより適切かもしれない。
  • どのような種類のデータを持っているか。長く、物語的なインタビューはナラティブ分析に適している。短いテキストが大量にある場合は、内容分析の方がよく対応できるかもしれない。
  • 認識論的なコミットメントは何か。構成主義のパラダイムの中で研究している場合、リフレキシブル・テーマ分析や構成主義的グラウンデッド・セオリーがよく合うかもしれない。再現可能で構造化されたアプローチが必要であれば、内容分析やフレームワーク分析がより適切かもしれない。
  • 利用できる資源は何か。グラウンデッド・セオリーとナラティブ分析は、多くの時間を要する。締め切りが厳しい場合は、フレームワーク分析やテーマ分析の方が現実的かもしれない。
  • 読者は何を期待しているか。分野や掲載先によって期待は異なる。選択を自分の分野の慣行に合わせること。

質的データ分析のためのツール

どのアプローチを選ぶにせよ、ソフトウェアツールは効率と整理を大きく高めることができます。NVivo や ATLAS.ti などの従来型の CAQDAS プラットフォームは、5つのアプローチすべてに対応していますが、その複雑さは小規模なプロジェクトにとって障壁となることがあります。

Qualitati の QDA ワークスペースは、データ管理、コーディング、テーマ開発を一つのプラットフォームに統合した、扱いやすい代替手段を提供します。AI 支援機能は、初期のコーディングやパターンの特定を助ける一方で、分析上の判断は研究者が完全に掌握したままにします。自ら面接データを収集する研究者にとって、Qualitati はインタビューの実施から分析までの全工程もサポートします。

研究プロジェクトに適したプランを見つけるには、料金ページをご確認ください。


Qualitati を無料で試す

AI を活用した質的研究を始めましょう。クレジットカードは不要です。

無料で始める