簡潔な答え: 抽象的分析（アブダクティブ分析）は、研究者が既存理論を深く理解したうえでデータを読み、既存理論では説明できない発見を探し出して、その驚きに対する新しい説明を構築する質的研究の手法です。Stefan Timmermans and Iddo Tavory（2012）が Charles S. Peirce の論理から発展させたもので、帰納的コーディングと演繹的コーディングの中間に位置します。
多くの研究方法の章では、コーディングを帰納的（コードはデータから生まれる）か演繹的（コードは理論に由来する）のどちらかとして説明します。しかし実際の多くの研究は、どちらにも明確には当てはまりません。研究者は頭の中に理論を持ったままデータに向き合い、理論に合わない何かに気づき、より良い説明が成立するまで理論とデータの間を行き来します。質的研究における抽象的分析は、この行き来に名前と論理を与え、指導教員や倫理委員会、査読者に対して説明できる一連の手順を提供します。
本ガイドでは、アブダクションとは何か、帰納・演繹との違い、Timmermans and Tavory が提案する手順、アブダクティブなテーマ分析の進め方、そしてAIがどこまで役立ち、どこから役立たないかを説明します。
要点
- アブダクションは驚きから始まる。 分析の原動力は、既存理論では予測されない発見です。白紙からのスタートでも、仮説検定でもありません。
- 理論は先に来るが、檻にはならない。 予想外の点を認識するには幅広い理論的知識が必要で、その知識をもとに新しい説明を構築します。
- 三つの動きが作業を支える。 Timmermans and Tavory は、アブダクションを支える方法論的プロセスとして、再訪（revisiting）、異化（defamiliarization）、代替的なケーシング（alternative casing）を挙げています。
- テーマ分析と両立する。 Thompson（2022）は The Qualitative Report に、アブダクティブなテーマ分析の8段階ガイドを発表しました。
- AIは候補を示せるが、推論の主体にはなれない。 言語モデルはどのコードにも当てはまらない箇所を指摘できますが、その驚きが理論的に意味を持つかどうかを判断するのは研究者の仕事です。
抽象的分析とは何か？
抽象的分析とは、驚きを伴う観察から、その観察を当たり前に見せてくれる説明へと推論することで、質的データから理論を構築する方法です。研究者は複数の理論を念頭に置き、データをコーディングし、既存の説明に合わない観察を切り出し、新しい、あるいは修正された説明を展開して、データセット全体に照らして検証します。
この用語は、アメリカのプラグマティスト哲学者 Charles S. Peirce に由来します。彼の古典的な定式化は、Stanford Encyclopedia of Philosophy のアブダクションの項目にまとめられており、次のように要約されています。驚くべき事実が観察される。ある仮説が真であれば、その事実は当然のことになる。ゆえに、その仮説が真であると考える理由がある。
Stefan Timmermans and Iddo Tavory は、この論理を2012年に Sociological Theory に掲載された論文 「Theory Construction in Qualitative Research: From Grounded Theory to Abductive Analysis」（vol. 30, no. 3, pp. 167–186）で質的社会学に持ち込みました。彼らは、帰納だけでは新しい理論的洞察を論理的に生み出せず、経験に基づく理論構築はアブダクションによって導かれるべきだと主張しています。2014年の著書 Abductive Analysis: Theorizing Qualitative Research（University of Chicago Press）では、このアプローチをさらに展開しました。
アブダクティブ、帰納的、演繹的な推論の比較
三つの論理は、理論がどこに位置するか、そして何が結果と見なされるかの点で異なります。以下の比較は、本記事で引用した資料をもとに Qualitati が独自にまとめたものです。
| 観点 | 帰納的 | 演繹的 | アブダクティブ |
|---|---|---|---|
| 出発点 | データ。理論は意図的に脇に置く | 理論または枠組み | 幅広い理論的知識とデータ |
| 理論の役割 | 最後に登場する | コードを供給する | 何が驚きかを定義し、その後修正される |
| 分析の引き金 | 繰り返し現れるパターン | 事前に定義されたコードとの適合・不適合 | 既存理論では説明できない異常 |
| 典型的な成果 | 記述的なテーマまたはグラウンデッドな概念 | 既存の枠組みの支持、またはその限界 | 新しい、あるいは修正された理論的説明 |
| 主なリスク | 既知のことの再発見 | 枠組みが想定していないことを見落とす | 一つの印象的な事例を過大に読んでしまう |
| 典型的な組み合わせ | 古典的グラウンデッド・セオリー、リフレクシブ・テーマ分析 | フレームワーク分析、テンプレート分析 | 拡張事例法、アブダクティブなテーマ分析 |
最初の二列の詳細については、演繹的コーディングと帰納的コーディングの違いのガイドと、テーマ分析とグラウンデッド・セオリーの比較をご覧ください。
アブダクティブ分析はどう行うか？ 三つの中核的な動き
Timmermans and Tavory（2012）は、理論を生み出すための標準化された手順は存在しないと強調しつつ、アブダクションを起こりやすくする三つの方法論的プロセスを挙げています。
1. 再訪（Revisiting）
同じ観察、トランスクリプト、フィールドノートに、プロジェクトのさまざまな時点で、また異なる理論を踏まえて、何度も立ち返ります。観察は書き留められているため、一か月目にざっとコーディングした一節が、理論を読み進めた六か月目に新しい何かを示すことがあります。
2. 異化（Defamiliarization）
当たり前だと思っていることから距離を取ります。書き出す、速度を落とす、日常的な発言をあえて奇妙なものとして扱う、といったことで、参加者や研究者が気づかずに共有している前提が見えてきます。
3. 代替的なケーシング（Alternative casing）
短い抜粋を取り出し、複数の理論的枠組みを使って詳細に検討し、できるだけ多くの理解の仕方を見つけ出します。著者らは、これをコーディングとメモ作成の両方で行うよう勧めています。二つの理論が同じくらい無理なく読めるなら、それはまだ驚きではありません。どちらの理論でも読めないなら、驚きかもしれません。
著者らはさらに社会的な要素として、探究共同体（community of inquiry）を挙げています。途中段階の研究を発表し、メモを共有し、同僚と議論することで、多くの候補となる説明が検証され、洗練されていきます。
アブダクティブなテーマ分析
アブダクションは社会学やグラウンデッド・セオリーに限られません。Jamie Thompson による 「A Guide to Abductive Thematic Analysis」（The Qualitative Report, 2022, vol. 27, no. 5, pp. 1410–1421）は、テーマ分析の構造を保ちつつ、理論構築と経験的データのバランスをとる8段階の手順を示しています。Thompson らは2025年に、この考え方を医学教育向けに拡張し、Teaching and Learning in Medicine に発表しました。
実際には、アブダクティブなテーマ分析は通常、理論に基づく初期の枠組みを用いてコーディングし、理論に合わないデータを別に追跡し、その不適合なデータがテーマの展開と命名を導くことを意味します。すでにテンプレート分析やフレームワーク分析を使っている場合、変わるのは主に、余った部分の扱い方です。
独自の資料：アブダクティブ・サプライズ・ログ
驚きは、どのように認識し、説明をどのように検証したかを示せて初めて知見になります。分析メモと並べて、候補となる驚き一つにつき一つのログ項目を残すことをお勧めします。
| 項目 | 記録内容 |
|---|---|
| 観察 | 抜粋、参加者ID、コーディングした日付 |
| 予想されていた内容 | どの理論や先行研究が、どのように異なることを予測していたか |
| なぜ驚きなのか | 予想とデータとのずれを一文で |
| 代替的なケーシング | 試した理論的な読み方を少なくとも二つ、それぞれがなぜ失敗するか、あるいは部分的に機能するか |
| 候補となる説明 | 観察を当たり前に見せる仮説 |
| データセットでの検証 | 説明が他にどこで現れるはずか、実際に現れたか（否定的事例を含む） |
| コミュニティによる確認 | 誰が検討したか（共著者、指導教員、ゼミ）と、何が変わったか |
| ステータス | 破棄、修正、または理論的貢献として保持 |
アブダクティブな厳密性のチェックリスト
- 分析を始める前に抱いていた理論を挙げられる。
- 主張された驚きには、明示的な予想を伴うログ項目がある。
- 候補となる各説明は、その発端となった事例だけでなく、データセット全体で検証されている。
- 否定的事例は隠さず報告されている。
- 方法論のセクションが、データと理論の間の行き来を説明しており、質的研究の方法セクションのテンプレートに沿っている。
- リフレクシビティに関する記述で、自分の立場が何を驚きとして捉えさせたかを説明している。
誰のための手法か、どんな場合に使うべきでないか
アブダクティブ分析を使うべき場合は、理論的貢献を目指すとき、関連文献をよく理解しているとき、そして再訪に耐える豊かなデータ（詳細なインタビュー、フォーカスグループ、フィールドノートなど）があるときです。理論への精通と独自の貢献の両方を示す必要がある博士課程の学生に適しています。
避けるべき場合は、迅速な評価や製品のユーザビリティ調査のように目的が記述的であるとき、その分野に不慣れで何が驚きになるかまだわからないとき、あるいは助成機関や学術誌が、事前に定めた枠組みをそのまま適用することを求めているときです。そのような場合は、明確に帰納的または演繹的なアプローチの方が正当化しやすくなります。
AIはアブダクティブ分析を支援できるか？
部分的には可能ですが、慎重さが必要です。最近の研究では、言語モデルが本当にアブダクティブに推論しているのかが疑問視されています。Floridi、Morley、Novelli、Watson は2025年12月のプレプリント 「What Kind of Reasoning (if any) is an LLM actually doing?」で、LLMの出力は人間が書いた推論で訓練されているために、アブダクティブに見えるだけだと論じています。Salimi らによる2026年4月のサーベイ 「Wiring the 'Why'」は、アブダクションを仮説の生成と仮説の選択に分け、狭く静的なベンチマークが現在の評価の欠点だと指摘しています。
質的研究者にとって実践的に言えば、次のような役割分担になります。
- AIに任せられること： 理論に由来するコードブックを多数のトランスクリプトに一貫して適用すること、どの既存コードにも当てはまらない箇所を一覧にすること、そして一つの抜粋について複数の代替的な読み方を提示し、研究者が評価できるようにすること。
- 人間が担うこと： 理論的に何が驚きなのかを決めること、説明同士を選び取ること、否定的事例に照らして検証すること、そして理論的な主張を行うこと。
編集上の注記：この役割分担は、引用資料に対する当社の編集上の解釈であり、検証済みの手順ではありません。論文や学位論文で依拠する前に、ご自身の分野の基準に照らして確認してください。
Qualitati の位置づけ
Qualitati は、大学や研究会社向けの、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。「アブダクティブモード」はなく、アブダクションそのものを自動化することはできません。ただし、その前後の機械的な作業の一部を軽減できます。
- 再訪するための豊かなデータの収集： テキストまたは音声によるAIモデレートのインタビューは10言語で行われ、理論的な読みが深まるにつれて立ち返ることのできる完全なトランスクリプトを生み出します。
- 同じデータに対する演繹的・帰納的な二つのパス： QDA Workspace は、AIによる帰納的・演繹的コーディングとコードブック生成をサポートします。理論に基づくコードブックを適用し、その後、帰納的な分析がコードブックではカバーできない何を見つけるかを確認できます。
- データセット全体にわたる説明の検証： ThemeLens は、最大100件のトランスクリプトにわたってコードを研究課題に対応づけ、テーマを参加者の引用に結びつけます。候補となる説明が、その発端となった事例を超えて成り立つかどうかの確認に役立ちます。
驚きのログ、代替的なケーシング、そして理論的な主張は、引き続きご自身が担います。
限界と方法論上の懸念
- 驚きは研究者に依存する。 何が驚きとされるかは、研究者がどれほど文献を読んでいるかに左右されます。だからこそリフレクシビティと探究共同体が重要になります。
- 事後的な物語化のリスク。 ログやデータセット全体での検証がなければ、アブダクションは、一つの印象的な引用に都合のよい物語を当てはめることへと滑り落ちかねません。
- 他の手法より手続き的ではない。 段階的な手順に慣れた査読者は、より詳細な説明を求めることがあります。驚きのログとThompson（2022）の手順が助けになります。
- AIの提案は証拠ではない。 モデルが提案した説明は、思考を促す材料であって発見ではなく、他のどの仮説とも同じ検証を必要とします。
FAQ
抽象的分析はグラウンデッド・セオリーと同じですか？
いいえ。古典的なグラウンデッド・セオリーは、研究者に理論を脇に置き、概念が帰納的に現れるに任せることを求めます。抽象的分析は、広い理論的知識を最初から取り入れ、その知識では説明できない観察から理論を構築することを求めます。Timmermans and Tavory（2012）は、これを帰納的なグラウンデッド・セオリーへの代替として提示しています。
アブダクティブな推論をテーマ分析と組み合わせられますか？
はい。Thompson（2022）は、The Qualitative Report でアブダクティブなテーマ分析の8段階ガイドを発表しました。テーマ分析の慣れ親しんだ構造を保ちつつ、テーマを展開するうえで理論に明確な役割を与えています。
方法論のセクションでアブダクティブ分析をどう記述すればよいですか？
出発点とした理論を挙げ、驚きのある発見をどのように特定したかを説明し、候補となる説明をデータセット全体や同僚とともにどう検証したかを記述し、否定的事例を報告してください。方法論上の参照として、Timmermans and Tavory（2012）または Thompson（2022）を引用してください。
質的研究におけるアブダクティブ推論の例はありますか？
ある研究者がリモートワークを研究しています。文献からは、孤立が不満を生むと予想していました。ところが参加者の何人かは、オフィスでの社交がなくなったことに安堵を感じると語ります。孤立理論も一般的な職務満足度のモデルも、これをうまく説明できません。そこで研究者は、例えばオフィスでの交流に隠れた感情労働があるという新しい説明を展開し、すべてのインタビューを通じて検証します。この例は説明のためのもので、公表された研究から引いたものではありません。
AIが代わりにアブダクティブ分析をしてくれますか？
いいえ。AIはコードブックを適用し、どのコードにも当てはまらない箇所を指摘し、代替的な読み方を提案できますが、最近の研究では、言語モデルが本当にアブダクティブな推論を行っているのかが疑問視されています。何が驚きで、どの説明が成り立つかを判断するのは、研究者の責任です。
結論
質的研究における抽象的分析は、「これは当てはまらない」という経験を、理論への規律ある道筋へと変えます。文献を知り、驚きに気づき、それを再訪して異なる枠組みで読み直し、説明をデータセット全体と同僚とともに検証します。純粋に帰納的、または演繹的な研究デザインよりも多くを研究者に求めますが、その努力は、記述的ではなく理論的な貢献として査読者に認められる成果をもたらします。
次のプロジェクトで試したい場合は、毎月30クレジット付きで無料で始められます。クレジットカードは不要で、AIモデレートのインタビューを実施し、QDA Workspace でコーディングできます。大規模な研究については料金体系をご覧ください。または NVivo と Qualitati を比較できます。
最終更新: 2026-10-17.
執筆: Qualitati Research Team。方法論上の主張は引用資料に帰属させています。論文や学位論文で使用する前に、ご自身の分野の基準に照らして確認してください。