In vivo coding: definitie, voorbeelden & vergelijking

In vivo coding is meestal de eerste coderingsmethode die kwalitatieve methodestudenten leren uit Saldaña's Coding Manual, en een van de methoden die het makkelijkst subtiel fout gaan. De regel klinkt triviaal (gebruik de woorden van de deelnemer), maar in de praktijk parafraseren analisten, corrigeren ze de grammatica, halen ze zinsneden uit de beurt van de interviewer of zetten ze hun eigen concepten tussen aanhalingstekens. Deze gids geeft een precieze definitie, twee uitgewerkte voorbeelden, een naast-elkaarvergelijking van in vivo, descriptieve en procescodering, en een checklist om in een methodehoofdstuk aan te tonen dat je in vivo-ronde echt woordelijk is.

De gids behandelt ook de vraag die begeleiders in 2026 nu stellen: kan een AI-tool aan in vivo coding doen? Kort gezegd: taalmodellen zijn goed in het vinden van exacte passages, maar slecht in het weerstaan van de neiging om ze te parafraseren. Daarom vraagt de methode bij gebruik van software strengere randvoorwaarden dan de meeste andere coderingsmethoden.

Laatst bijgewerkt: 7 oktober 2026

Belangrijkste punten

• In vivo coding betekent coderen in de eigen woorden van de deelnemer: "it just fights me", niet Bruikbaarheidsfrustratie.
• Het is een methode uit de eerste cyclus, geen volledige analyse. Saldaña positioneert het als een vroege ronde die voedt in een tweede cyclus van patroon-, gefocuste of axiale codering.
• In vivo vs descriptief vs proces: in vivo legt vast hoe mensen het zeggen, descriptief legt vast waar de passage over gaat, proces legt vast wat mensen doen (gerunda).
• De belangrijkste waarde is het voorkomen van verschuiving. Omdat de code de zinsnede van de deelnemer is, kun je in week één niet ongemerkt je eigen kader erin stoppen en vergeten dat je dat deed.
• AI-codeertools werken er structureel tegenin. Taalmodellen parafraseren standaard, en parafrasering is precies wat in vivo coding verbiedt.
• Gebruik de In Vivo Fidelity Checklist hieronder voordat je eerste-cycluscodes naar een tweede cyclus brengt.

Wat is in vivo coding?

In vivo coding is een methode voor kwalitatieve data-analyse waarbij elke code een woord of korte zinsnede is die letterlijk uit de eigen spraak of tekst van de deelnemer komt. Het Latijnse in vivo, "in datgene wat leeft", is het uitgangspunt: de code blijft binnen de levende taal van de data in plaats van vertaald te worden naar academisch of productvocabulaire.

De term komt uit de grounded theory, waar Anselm Strauss in vivo-codes (termen die de bestudeerde mensen zelf gebruiken) onderscheidde van codes die de socioloog zelf construeert. Johnny Saldaña's The Coding Manual for Qualitative Researchers maakte de methode tot een van de standaard eerste-cyclusmethoden; de 5e editie (SAGE, 2025) beschrijft meer dan 35 coderingsmethoden en voegt discussie over generatieve AI toe. Een recensie van 27 juni 2026 in The Qualitative Report vat het standpunt van de editie samen: computationele tools zijn ondersteunend, terwijl interpretatie, contextueel oordeel en ethische verantwoordelijkheid bij de onderzoeker blijven.

De methode komt ook voor onder de namen verbatim coding, literal coding en indigenous-term coding (zie het Wiley-lemma International Encyclopedia of Communication Research Methods over In Vivo Coding). Gebruikelijk is om in vivo-codes tussen aanhalingstekens te zetten, zodat iedereen die het codeboek leest kan zien welke labels van deelnemers komen en welke van de analist.

Hoe doe je in vivo coding: vijf stappen

1. Lees het transcript eenmaal zonder te coderen. Je moet het register van de deelnemer horen voordat je kunt bepalen welke zinsneden gewicht dragen.
2. Markeer kandidaat-zinsneden. Zoek naar woorden die herhaald, benadrukt, metaforisch of emotioneel geladen zijn, of vakjargon uit de eigen kring. Saldaña's praktische advies is om te letten op wat de deelnemer lijkt te benadrukken.
3. Snij terug tot een label. Knip elke zinsnede bij tot ongeveer twee tot acht woorden die de betekenis op eigen kracht dragen. Verander de woorden niet, zet ze niet om en corrigeer de grammatica niet.
4. Leg de herkomst vast. Sla bij elke code transcript-ID, spreker en regel of tijdstempel op, en zet de code tussen aanhalingstekens.
5. Schrijf een korte analytische memo. Noteer waarom elke zinsnede belangrijk leek. De memo, niet de code, is de plek waar je interpretatie in de eerste cyclus hoort.

Uitgewerkt voorbeeld 1: een productinterview

Neem een regel uit een hypothetisch onboarding-interview:

"I didn't finish setup. I kept waiting for it to tell me what it wanted and it never did, so I just closed the tab and went back to the spreadsheet."

Coderingsmethode	Toegepaste code	Wat het bewaart	Wat het verliest
In vivo	"waiting for it to tell me what it wanted"	Het mentale model van de deelnemer: ze verwachtten geleid te worden	Vergelijkbaarheid met deelnemers die het anders zeiden
Descriptief	Afbreken van installatie	Waar in de reis de gebeurtenis zich bevindt	Waarom het gebeurde, in hun eigen termen
Proces	Terugkeren naar eerder hulpmiddel	De handeling en de richting ervan	De affectieve lading van het opgeven
Concept / analytisch	Schending van verwachting over begeleiding	Een construct waarmee je kunt theoretiseren	Alle oorspronkelijke formulering; de abstractie is nu van jou

De conceptcode is niet fout. Het is simpelweg een claim, en de discipline van in vivo coding is dat je die claim in cyclus twee maakt, expliciet vastgelegd, en niet per ongeluk in cyclus één.

Uitgewerkt voorbeeld 2: een academisch interview

Een hypothetische beginnende lerares, geïnterviewd voor een studie naar werkdruk:

"Sundays are basically school days now. You're not marking, exactly, you're just sort of carrying it around in your head the whole time, and my partner calls it the Sunday dread."

Verdedigbare in vivo-codes: "Sundays are basically school days", "carrying it around in your head", "the Sunday dread". Een descriptieve code zou Werkdruk in het weekend zijn; een proceescode Piekeren over werk. Let op dat "the Sunday dread" de zinsnede van de partner is, door de deelnemer doorverteld. Houd die, maar noteer in de memo dat het overgenomen spraak is: van wie de taal is, hoort bij de data.

In vivo vs descriptief vs procescodering

Deze drie worden het vaakst verward. Het verschil zit in waar de code uit bestaat. In vivo-codes zijn de woorden van de deelnemer; descriptieve codes zijn het zelfstandig naamwoord van de analist voor het onderwerp; procescodes zijn de gerund van de analist voor een handeling. Alle drie zijn legitiem, en veel studies combineren ze.

Criterium	In vivo coding	Descriptieve coding	Procescodering
Code bestaat uit	Exacte woorden van de deelnemer, tussen aanhalingstekens	Woord of korte zelfstandignaamwoordgroep van de analist	Gerund van de analist (woord op "-ing")
Beantwoordt de vraag	Hoe brengen deelnemers het onder woorden?	Waar gaat deze passage over?	Wat doen mensen?
Voorbeeld (lerarenninterview)	"the Sunday dread"	Werkdruk in het weekend	Piekeren over werk
Vergelijkbaarheid tussen gevallen	Laag tot gegroepeerd in cyclus twee	Hoog	Hoog voor reeksen en routines
Het beste voor	Exploratief onderzoek, grounded theory, taalgevoelig onderzoek of onderzoek naar gemarginaliseerde stemmen	Inventarisaties, documentanalyse, grote of gemengde datasets	Routines, verandering over tijd, interactie en strategie
Belangrijkste risico	Een wild gegroeide codelijst; parafrasering sluipt erin	Betekenis platslaan tot onderwerpen	Actie opleggen waar die er niet is
Geschiktheid voor AI-ondersteuning	Alleen extractie van exacte passages, met herkomst	Goed voor eerste concepten; dekking controleren	Matig; controleer of de actor klopt

Een veelvoorkomende hybride is in vivo plus procescodering in de eerste cyclus, en daarna gefocuste of axiale codering om beide in categorieën te groeperen. Over hoe codes categorieën en thema's worden, zie codes vs categorieën vs thema's, en voor de grounded-theory-volgorde, zie open, axiale en selectieve codering.

Wanneer in vivo coding de moeite waard is

In vivo coding is per transcript trager dan descriptieve coding en levert een grotere, rommeligere initiële codelijst op. Die afweging loont in vier situaties.

• Vroege, exploratieve studies waarin het te vroeg opleggen van je categorieën de bevinding zou uitsluiten. Als je de categorieën al kent, doe je deductieve codering; zie inductieve vs deductieve codering.
• Jargonrijke of subculturele domeinen. Wanneer een deelnemer zegt "shadow IT", "the dirty list" of "vibe check", is de term zelf data. Die platslaan tot Informeel proces vernietigt het signaal.
• Studies over taal. Naamgevingsonderzoek, positionering, boodschaptests en alles wat als tekst wordt opgeleverd, moeten in de woorden van de respondent worden gecodeerd, omdat het eindproduct woorden is.
• Onderzoek met machtsasymmetrie of gevoelige onderwerpen. Wanneer deelnemers door instellingen worden beschreven die hen historisch slecht hebben benoemd, is het behouden van hun termen zowel een ethisch als een methodologisch standpunt. Het past goed bij reflexiviteit in de praktijk.

Voor wie dit is

PhD-studenten en academische kwalitatieve onderzoekers die eerste-cycluscodering doen voor een proefschrift of artikel; onderzoeksgroepen die twee coders nodig hebben om vergelijkbare codeboeken te maken; kwalitatieve en marktonderzoeksbureaus die werken in categorieën met een sterk eigen vocabulaire (clinici, ontwikkelaars, handelaren, leraren); en UX- of insights-teams die discovery-interviews doen.

Wanneer deze aanpak niet past

Sla de methode over, of beperk haar tot een steekproefcontrole, wanneer je op schaal codeert tegen een gevestigd kader; wanneer je transcripten machinevertalingen zijn (de "verbatim" formulering is dan al van de vertaler, zie of je interviews vóór AI-analyse moet vertalen); wanneer de onderzoeksvraag over frequentie gaat en niet over betekenis; of wanneer de transcriptkwaliteit zo slecht is dat woordelijke zinsneden artefacten van spraakherkenning zijn en niet van de spreker.

Een eerste-cycluscoderingsmethode kiezen

Als je doel is…	Gebruik	Waarom
Horen hoe deelnemers het probleem zelf formuleren	In vivo	Codes kunnen de data niet overtreffen
In kaart brengen wat er gebeurde, in volgorde	Descriptieve / procescodering	Vergelijkbaar over gevallen heen
Een bestaand kader toetsen	Deductief / a-priori codeboek	Dekking en betrouwbaarheid; zie de codeboeksjabloon
Theorie van de grond af opbouwen	In vivo, daarna gefocuste / axiale codering	Grounded-theory-volgorde; zie thematische analyse vs grounded theory
Thema's tellen over honderden antwoorden	Inhoudsanalyse of LLM-ondersteunde codering	In vivo aggregeert niet; zie LLM's vs ML voor codering van open vragen

In vivo coding ontmoet AI: het parafraseringsprobleem

Grote taalmodellen zijn getraind om vloeiende, genormaliseerde en geabstraheerde taal te produceren. In vivo coding vraagt het tegenovergestelde: ongepolijste, door de deelnemer gevormde taal. Vraag een algemeen model om "codeer dit transcript" en het geeft meestal analistenstem-conceptcodes terug, zoals Onboardingfrictie of Vertrouwensdrempel, omdat zo codering eruitziet in zijn trainingsdata. Het model werkt niet fout; het beantwoordt een andere vraag dan een in vivo-ronde stelt.

Het bewijs ondersteunt dat je precies bent over wat je delegeert. In een CHI 2026-studie over ChatQDA, een open-source LLM-coderingstool die op het apparaat zelf draait, rapporteerden onderzoekers voorwaardelijk vertrouwen: ze waardeerden het systeem voor expliciete inhoudsextractie, maar twijfelden aan diepere interpretatie, omdat de open-sourcemodellen geneigd waren oppervlakkige uitspraken te identificeren die dicht bij elkaar in het gesprek liggen. Dat is een kleine studie (vier deelnemers, elk één transcript van 5 pagina's), dus lees het als een signaal over faalwijzen, niet als een effectgrootte.

Gelezen tegen in vivo coding is die beperking handig. De zinsnede vinden die een deelnemer werkelijk gebruikte, verankerd aan de regel, is een taak van het retrieval-type. Beslissen dat drie verschillende zinsneden één construct zijn, is een interpretatieve taak, en die moet je zelf houden. Een studie uit 2025 in Sociological Methods & Research over kwalitatieve codering met generatieve LLM's vond dat modellen dicht bij de prestaties van gesuperviseerde ML komen bij het overeenbrengen van met de hand gecodeerde output. Het werk rond QualAnalyzer betoogt dat de praktische eis procesauditeerbaarheid is: elke code moet terug te voeren zijn op de passage die haar voortbracht. Voor in vivo coding is traceerbaarheid op spanniveau de definitie van correctheid.

Een promptpatroon dat echte in vivo-codes oplevert

Als je een model gebruikt voor een eerste in vivo-ronde, beperk het dan tegen zijn standaardgedrag:

Geef voor elk betekenisvol segment: (1) de code als een exacte woordelijke passage, letterlijk overgenomen uit het transcript, 2–8 woorden, geen parafrase, geen synoniemen, geen herschikking; (2) de regel of het tijdstempel waaruit die komt; (3) de spreker. Maak geen categorieën, thema's of analytische labels. Als geen enkele passage in het segment de betekenis op eigen kracht draagt, geef dan NO_VERBATIM_SPAN terug in plaats van een label te verzinnen. Behoud de grammatica, het slang, de aarzelingen en het gevloek van de deelnemer precies zoals uitgesproken.

De NO_VERBATIM_SPAN-uitweg is belangrijk. Zonder die vraagt een model om woordelijke codes en levert het bijna-woordelijke codes op: een tekst die eruitziet als een citaat maar het niet is. Dat is de faalklasse die wordt behandeld in ons stuk over verzonnen citaten in kwalitatieve analyse.

De In Vivo Fidelity Checklist

Een origineel Qualitati-hulpmiddel. Pas het toe op elke in vivo-ronde, handmatig of AI-ondersteund, voordat het codeboek naar een tweede cyclus gaat. Ken één punt per item toe; 8 of meer is verdedigbaar, 5–7 vraagt om een herstelronde, minder dan 5 is analistenstem-codering met aanhalingstekens eromheen.

1. Woordelijkheidscontrole. Elke codetekst komt letterlijk voor in het transcript. Controleer 10% met een letterlijke tekstzoekactie, niet op het oog.
2. Herkomstcontrole. Elke code bevat transcript-ID, spreker en regel of tijdstempel.
3. Sprekercontrole. Geen enkele code komt uit de beurt van de interviewer of moderator. Dit is de meest voorkomende stille fout, en ze is erger bij AI-moderatie, waar de formulering van de moderator vloeiend en citeerbaar is.
4. Registercontrole. Codes behouden aarzelingen, slang en disfluentie waar die betekenis dragen. Een corpus van grammaticaal schone codes is een corpus van bewerkte codes.
5. Abstractiecontrole. Geen enkele code is een zelfstandig naamwoord dat geen deelnemer hardop zou zeggen. "it just fights me" slaagt; "usability friction" slaagt niet, zelfs niet tussen aanhalingstekens.
6. Dekkingscontrole. Segmenten zonder codeerbare woordelijke passage worden als zodanig gemarkeerd in plaats van geforceerd ingepast.
7. Verdelingscontrole. Codes zijn niet geconcentreerd in het eerste derde deel van elk transcript, een kenmerk van zowel vermoeide menselijke coders als van afgekapte modelcontext.
8. Duplicatiecontrole. Bijna identieke zinsneden blijven in deze fase apart. Samenvoegen is een beslissing van cyclus twee, expliciet genomen.
9. Vertalingscontrole. Bij data in een andere taal dan de brontaal worden codes opgeslagen in de oorspronkelijke taal met een toelichting, en niet vervangen door de vertaling.
10. Controle door een tweede lezer. Een tweede persoon kan op basis van de gemarkeerde passages minstens 80% van de codes afleiden. Over betrouwbaarheid in het algemeen, zie intercoder-betrouwbaarheid in AI-kwalitatieve codering.

Waar Qualitati past

Qualitati is een Europees, budgetvriendelijk kwalitatief onderzoeksplatform voor universiteiten en onderzoeksbureaus, met gegevensbescherming en de AVG als kernprioriteiten. Twee onderdelen raken in vivo coding direct.

• QDA Workspace ondersteunt AI-ondersteunde inductieve en deductieve codering, codeboekgeneratie en thema-visualisatie. Daar leeft een woordelijke ronde uit de eerste cyclus, en daar breng je die in een tweede cyclus, die jij beheerst, naar codes van hogere orde.
• ThemeLens voert een map-reduce thematische analyse uit over maximaal 100 transcripten tegelijk, koppelt codes aan onderzoeksvragen en synthetiseert thema's met citaten die aan de deelnemer zijn verankerd, zodat thema's terug te voeren zijn op de spreker.

Dataverzameling doet er ook toe. In vivo coding is alleen zo goed als de taal waarmee het werkt. AI-gemodereerde interviews die doorvragen in plaats van het eerste antwoord te accepteren, leveren dus meer codeerbaar woordelijk materiaal op, en de Active Listener-modus houdt een mens als interviewer in de regie met realtime prompts wanneer de formulering het punt is. Onderzoek in 10 talen maakt checklistitem 9 praktisch in plaats van aspirerend.

Qualitati publiceert tarieven per credit en start gratis met 30 maandelijkse credits, zonder creditcard.

Beperkingen en afwegingen

In vivo coding schaalt niet, en dat is deels de bedoeling. Honderd transcripten met woordelijke codes is geen analyse; het is een concordantie. De output moet door een mens worden teruggebracht, die bereid is de abstractie zelf te dragen. Teams die in vivo coding adopteren en cyclus twee overslaan, eindigen met rijke, onbruikbare data.

Woordelijk is niet hetzelfde als authentiek. Een zinsnede is alleen die van de deelnemer als het transcript nauwkeurig is, de moderator haar niet eerst heeft aangereikt en een vertaling haar niet heeft gemaakt. Foutenpercentages van spraakherkenning zijn niet gelijk voor alle accenten (zie transcriptie-accentbias), dus de woordelijke getrouwheid kan ongelijk verdeeld zijn over je steekproef.

Het AI-bewijs is dun en recent. De hier aangehaalde studies zijn kleine gebruikersstudies en exploratieve vergelijkingen, geen benchmarks met gevestigde constructvaliditeit. Opmerking voor menselijke beoordeling: als je methodehoofdstuk claimt dat een AI-ondersteunde ronde de stem van de deelnemer heeft behouden, dan vraagt die claim om je eigen gedocumenteerde verificatie op je eigen data.

Veelgestelde vragen

Wat is het verschil tussen in vivo coding en descriptieve coding?

In vivo-codes gebruiken de exacte woorden van de deelnemer tussen aanhalingstekens; descriptieve codes gebruiken het eigen woord of zelfstandig naamwoord van de analist om het onderwerp van een passage samen te vatten. In vivo bewaart stem en kader; descriptieve coding levert vergelijkbare onderwerpslabels over gevallen heen. Veel studies gebruiken beide in de eerste cyclus.

Is in vivo coding inductief?

Ja. Omdat codes uit de data komen en niet uit een bestaand kader, is in vivo coding een inductieve, datagedreven methode. Het kan naast een deductief codeboek lopen als controle op wat het kader geen plek geeft.

Is in vivo coding hetzelfde als citeren?

Nee. Een citaat is bewijs dat je presenteert; een in vivo-code is een label waarmee je analyseert. De code is kort genoeg om in de dataset terug te keren en hangt aan een passage, niet aan een alinea die illustreert.

Hoe lang moet een in vivo-code zijn?

Kort genoeg om een label te zijn, lang genoeg om op eigen kracht betekenis te dragen. Twee tot acht woorden is het werkbare bereik. Een volledige zin is meestal een citaat dat nog niet is gecodeerd.

Kan een LLM betrouwbaar in vivo coding doen?

Het kan de extractiestap nuttig uitvoeren onder strikte randvoorwaarden (exacte passages, regelverwijzingen, een expliciete weigeringsoptie), maar het moet niet beslissen welke afzonderlijke zinsneden hetzelfde betekenen. De ChatQDA-studie van CHI 2026 vond die verdeling: aanvaardbaar bij oppervlakte-extractie, zwakker bij betekenis die over een transcript verspreid ligt.

Wat komt na in vivo coding?

Een tweede cyclus: patroon-, gefocuste of axiale codering die in vivo-codes groepeert in categorieën, en daarna thema-ontwikkeling. In Saldaña's kader is de eerste cyclus bewust voorlopig; die als definitief behandelen is het meest voorkomende misbruik van de methode.

Conclusie

In vivo coding is een kleine, strenge discipline met een onevenredig groot effect: het dwingt de eerste doorgang door je data om in de taal van de deelnemer te blijven, zodat elke latere abstractie een zichtbare beslissing is in plaats van een onzichtbare. Die discipline weegt zwaarder naarmate AI de coderingsworkflow binnenkomt, omdat het de standaard van een vloeiend model is om meteen te abstraheren. Gebruik AI voor extractie van exacte passages met herkomst, en houd het oordeel over wat die passages betekenen bij jezelf.

Start gratis met 30 credits en voer een eerste-cycluscoderingsronde uit in QDA Workspace, of bekijk de transparante prijzen. Tools vergelijken? Bekijk hoe Qualitati zich verhoudt tot NVivo, ATLAS.ti, MAXQDA en AI-native onderzoeksplatforms, of maak een account aan en codeer vandaag nog een transcript.