質的研究の厚い記述とは：意味と例、6項目の監査

Qualitati Research Team · 2026-08-29 · 読了約8分

結論：厚い記述とは、読者が自分の状況に研究結果が当てはまるかどうかを判断できるだけの文脈、場面、解釈的な詳細を含めて、質的研究を報告する方法です。1973年にClifford Geertzが提唱し、Lincoln and Guba が転用可能性の主要な戦略として採用しました。文脈を切り離したテーマ要約とは正反対のものです。

質的研究における厚い記述とは何か？

質的研究における厚い記述とは、参加者が何をしたか、何を言ったかだけでなく、その行動を解釈可能にする文脈、意図、社会的な意味まで報告することです。典型的な例はウインクです。薄い記述はまぶたが閉じたことだけを記録しますが、厚い記述は、そのような合図が特定のリスクを伴う部屋で、友人への共謀のサインであったことを伝えます。

この用語は、人類学者Clifford Geertzが1973年の著書The Interpretation of Culturesに収めた論考に由来します。長く民族誌学の中にとどまっていましたが、Egon GubaとYvonna Lincolnがより広い質的研究の議論に持ち込みました。彼らの信頼性の枠組み（信用性、転用可能性、整合性、確認可能性）において、厚い記述は転用可能性に対する実践的な答えです。質的研究は統計的な一般化を主張できないため、研究者の責務は、読者が研究結果を自分の場面に当てはめられるかを判断できるだけの文脈的詳細を示すことにあります。Robert Wood Johnson Foundationの質的研究ガイドラインも、まさにこの観点から説明しています。

この点は、2005年当時よりも2026年の今のほうが重要です。AIを用いた分析は薄い記述を作り出すことに非常に長けている一方で、厚い記述に対しては構造的に不利だからです。

要点

厚い記述は報告の基準であり、データ収集の技法ではありません。優れたインタビューを実施しても、薄い形で発表してしまうことはあります。
これは転用可能性を支える仕組みです。一般化の判断を下すのは読者なので、読者には文脈が必要です。
PLOS Digital Healthに2026年4月3日に掲載された盲検比較では、構造化された演繹的コーディングにおいてLLMが人間のコーダーに匹敵しました（一致率93.5%対92.7%）。しかし解釈的な作業では推論能力が弱く、対人関係の力学や文脈的な意味を見落としていました。
経験豊富な研究者25名が参加した2025年のISERNワークショップでも、同じリスクが指摘されました。LLMが短い引用だけを読むと、「全体像や文脈を見落とす可能性がある」ため、もっともらしいが表面的な説明になりかねないというものです。
AIが生成したテーマをステークホルダー向けの資料に載せる前に、下記の薄い出力テスト（Thin-Output Test）で監査してください。

薄い記述と厚い記述：報告書で実際に何が変わるか

違いは並べて見るとわかりやすくなります。以下の両方の行は、同じインタビューを記述したものとして成り立ちます。

要素	薄い記述	厚い記述
主張	「ユーザーはオンボーディングに不満を感じていた。」	「アカウントを退職した同僚から引き継いだ管理者7名のうち3名が、オンボーディングを不満だと述べた。とくに、請求の責任者を指名するよう求められる手順で、その人物を指名する権限を持っていないことが問題だった。」
引用	切り取られた一文。	引用に加え、それを引き出した質問と、参加者がその直前に言ったことも示す。
参加者	「P4」。	「P4、2名規模の代理店のオーナー。トライアル開始から6週間目で、ポルトガル語でインタビューを実施。」
場面	記載なし。	募集経路、謝礼、モデレーター、実施形式、日付の範囲、辞退者など。
反証となるデータ	省略。	「4名の参加者は同じ手順を特筆すべきものではないと述べた。この4名はいずれも単独のアカウント所有者だった。」
読者の受け取り方	「これは自分たちの話か？」	「まさに自分たちの話だ。われわれも同じ権限委譲の問題を抱えている。」

厚い記述は、長さのために長くなっているわけではありません。追加されたすべての要素は、研究結果を転用するために読者が必要とする境界条件であり、あるいは転用しないと正しく判断するために必要なものです。

なぜAIを用いた分析は初期設定で薄い出力を生むのか

大規模言語モデルそのものが、豊かな報告を禁じているわけではありません。薄さは、パイプラインの構築方法と、人々の使い方から生じています。

1. チャンク化が文脈を断ち切る

多くのLLMコーディングのパイプラインは、トランスクリプトを発話の単位に分割し、それぞれを切り離してコーディングします。効率的ではありますが、まさにこの操作によって、周囲の発話のやりとり、インタビュアーの枠組み、参加者が先に述べた自己矛盾が失われます。Ornelasらが報告したISERN 2025の反省的ワークショップ（ソフトウェア工学の研究者25名が5グループに分かれて参加）は、これを主要な懸念として記録しました。あわせて、手作業のコーディングを省くと、分析者がデータに親しむ過程が失われるという警告も示しています。

2. 要約は圧縮を目的とした操作である

「40件のインタビューにわたってテーマを統合せよ」とモデルに求めることは、個別的なものを捨てさせることを意味します。個別性こそが、厚い記述が保持するものです。保持すべき文脈を明示的に求めない限り、指示と基準は互いに矛盾します。

3. 解釈的な作業でギャップが現れる

Hillらによる2026年4月のPLOS Digital Health研究は、この二つの作業を区別しているため有用です。固定されたコードブックに対する演繹的コーディングでは、LLMは盲検化された人間の分析者と統計的に競合しました。帰納的分析では、非劣性の基準を満たしたモデルは1つだけでした。著者らは、モデルが「システム的でプロセス志向の視点」を当てはめたのに対し、人間の分析者は同じ素材を個人的・感情的な枠組みで捉えたと述べています。報告された総合誤り率は12.4%で、部分一致や発話者の帰属の誤りを含みます。このうち後者は厚い記述にとって致命的です。誤った参加者に帰属された引用は、誤った文脈も一緒に運んでしまうからです。

4. ステークホルダーは薄い版を好む

箇条書きの要約5つは、文脈付きの説明よりもスライドに貼り付けやすいものです。この圧力はAI以前から存在していました。AIはただ、薄い成果物をより安く作れるようにしたにすぎません。

薄い出力テスト：AI生成テーマのための6項目監査

分析ワークスペースの外に出すテーマは、どれもこの検査にかけてください。各項目1点で採点します。これはQualitatiのフレームワークです。自由に使い、調整し、引用してください。

#	チェック	合格の条件
1	追跡可能性	すべての主張が、特定の参加者とトランスクリプト上の位置にひも付き、ワンクリックで開ける。
2	引用の前後文脈	各裏付け引用の前後に少なくとも1つの発話が見え、投げかけられた質問も確認できる。
3	何人か、ではなく誰か	テーマは、件数だけでなく、その見解を持っていたのがどのような種類の参加者かを示す。特徴づけのない「20名中6名」は薄い主張です。
4	境界条件	そのテーマが成り立たない範囲、またはそれと矛盾した参加者を明記している。
5	場面の記録	実施形式、言語、モデレーター（人間かAIか）、募集元、期間が、知見と並べて記録されている。
6	人間による解釈的確認	特定の研究者が基礎となる抜粋を読み、モデルの要約を手元に置かなくても、そのテーマを擁護できる。

採点。 5–6点：転用可能な知見として公表できます。3–4点：社内での利用は可能ですが、暫定的なものとして明記してください。0–2点：これは要約であって知見ではありません。その上で意思決定を行わないでください。

対象読者と、このアプローチを使うべきでない場合

対象読者：他のチームが行動に移す知見を公表するUXリサーチャーやインサイトの責任者、COREQまたはSRQRに沿って方法論の節を書く学術的な質的研究者、リサーチの品質基準を設定するResearchOpsのリーダー。

このアプローチを使うべきでない場合：厚い記述は、サポートチケットのトリアージ、NPSの自由記述のタグ付け、週次の感情トラッキングのような、高頻度の運用シグナルには不向きです。そこでの目的は件数とトレンドラインであり、転用可能な解釈ではないからです。また、仮説を出すことが成果物である2日間の探索的スプリントに対しては、手間が過剰になります。完全な基準をあらゆる場面に適用すると形式的になり、形式的な厳密さは本物らしく見えるぶん、何もないよりも悪いものです。

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を対象としたAIユーザーリサーチプラットフォームです。その機能の多くは、主張に文脈を付随させ続けるために作られています。

ThemeLensは、最大100件のトランスクリプトに対してマップ・リデュース型のテーマ分析を実行し、統合されたテーマを参加者の引用にひも付けます。テーマが根拠を置き換えるのではなく、根拠を伴うようにするためです。
QDA Workspaceは、帰納的・演繹的コーディング、コードブックの生成、テーマの可視化に対応しています。演繹的な経路は、2026年のPLOSの比較研究でLLMが最も確実に扱えることがわかった作業でもあります。
テキストと音声によるAIモデレーターのインタビュー、および人間が進行するセッション向けのActive Listenerモードは、要約ではなく会話の全記録を保持します。上記のチェック2と5が求めるのはこれです。
多言語リサーチは10言語に対応しており、参加者自身の言語が、分析の前に翻訳で失われることなく、記録された文脈の一部として残ります。

これだけで厚い記述が生まれるわけではありません。チェック6、すなわち抜粋を読んだ人間による確認は自動化できず、われわれもそうした主張はしません。

限界と方法論上の注意

留保は三つあります。第一に、ここで引用した根拠は小規模です。PLOS Digital Healthの比較研究は、7名の参加者による12,172語の単一のフォーカスグループのトランスクリプトを分析したものです。慎重に行われた研究ですが、トランスクリプトは一つにすぎません。第二に、厚い記述には実際のコストがあります。報告書が長くなるほど読まれにくくなり、文脈の完全性とステークホルダーの注意とのあいだには確かな取捨選択が生じます。第三に、厚さは正確さと同じではありません。文脈が豊かでも、誤った解釈は誤りのままです。だからこそ、メンバーチェックやトライアンギュレーションのような信用性の戦略は、厚い記述の下ではなく、その隣に置かれるのです。方法論上の主張が重要な場合は、資格を持つ研究者に報告書を確認してもらってください。

よくある質問

厚い記述と薄い記述の違いは何ですか？

薄い記述は、文脈を伴わずに観察可能な行動だけを記録します。厚い記述は、場面、意図、社会的な意味を加えるため、読者はその行動が何を意味するか、そして他の場面にも当てはまるかを判断できます。

厚い記述を最初に提唱したのは誰ですか？

哲学者のGilbert Ryleがこの言葉を最初に用いました。人類学者のClifford Geertzは、1973年の著書The Interpretation of Culturesで、これを方法論上の原則へと発展させました。その後、Lincoln and Guba がこれを質的研究の信頼性の中心に据えました。

厚い記述は転用可能性とどう関係しますか？

転用可能性は、外的妥当性に相当する質的研究の概念です。研究者は知見を一般化できると主張できないため、厚い記述が、読者が自分でその判断を下すために必要な文脈的詳細を提供します。Stalmeijerらの2024年のガイダンス（The Clinical Teacher掲載）は、転用可能性を明示的に書く方法を論じています。

AIは厚い記述を書けますか？

部分的には可能です。パイプラインが文脈を保持し、プロンプトがそれを求めていれば、LLMは文脈的な詳細を取り出して組み立てることができます。しかし2026年に発表された比較研究では、モデルは解釈の層、すなわちどの文脈が重要かを決める部分で弱いことがわかっています。したがって、AIの出力は根拠を添えた下書きとして扱い、完成した記述として扱わないでください。

文脈はどのくらいあれば十分ですか？

実務的な判定基準は、読者の問いです。別の組織にいる人が、この知見が自分に当てはまるかを判断できるかどうか。判断できないなら、境界条件、参加者の特徴づけ、場面の詳細のどれかが欠けています。

出版には厚い記述が必要ですか？

すべてのジャーナルの正式な要件ではありません。ただし、COREQやSRQRのような報告基準は、その構成要素の多くを求めています。場面、サンプリング、研究者の特性、文脈などです。査読者は、それらが欠けていることを厳密さの問題とみなすのが一般的です。

結びに

厚い記述は、質的研究者が読者と交わす契約です。「この知見が転用できるかを、あなた自身が判断できるだけの文脈を提供します」という約束です。AIを用いた分析はこの契約を破りやすくします。パイプラインのあらゆる要約段階で、圧縮が標準的な振る舞いになるからです。解決策はAIを避けることではありません。主張に根拠を付随させ続け、知見と並べて場面を記録し、誰かが判断を下す前に人間による解釈的確認を必須にすることです。

直近に公表したテーマに対して薄い出力テストを実施してください。3点未満なら、それは知見ではなく要約でした。

30クレジットで無料で始める（クレジットカード不要）。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、会話型サーベイ、またはThemeLensによるテーマ分析を実行し、引用を参加者にひも付けてください。透明性の高いクレジット単位の料金をご覧いただくか、QualitatiをNVivo、ATLAS.ti、MAXQDAと比較してください。

2026年8月29日最終更新。本記事は、公開されている研究をもとにした独立の編集的要約です。競合への言及は、2026年8月29日時点で公開されている情報を反映しています。