Kann thematische Analyse in der quantitativen Forschung verwendet werden?

Kann thematische Analyse in der quantitativen Forschung verwendet werden?

The short answer is yes, with important caveats. Thematische Analyse is primarily a qualitative method. It was developed to identify, organize, and interpret patterns of meaning within qualitative data such as interview transcripts, open-ended survey responses, and field notes. But researchers across disciplines have found productive ways to bring thematic analysis into quantitative and mixed-methods frameworks. The key is understanding what changes when you move themes from the qualitative world into a quantitative one, and what gets lost in the translation.

Wenn Forscher von der Verwendung von Themenanalyse in quantitativer Forschung sprechen, meinen sie normalerweise eines von drei Dingen. Erstens können sie Themenhäufigkeiten nach qualitativer Kodierung zählen, um numerische Daten zu generieren. Zweitens können sie Themenanalyse als die qualitative Komponente einer Mixed-Methods-Studie verwenden. Drittens können sie strukturierte Inhaltsanalytik-Techniken anwenden, die sich mit Themenanalyse überschneiden, aber von Anfang an quantifizierbare Ergebnisse erzeugen. Jeder dieser Ansätze hat unterschiedliche Stärken und jeder erfordert eine andere Ebene methodologischer Rechtfertigung.

Verständnis der thematischen Analyse in der Forschung

Thematische Analyse, wie von Virginia Braun und Victoria Clarke in ihrem einflussreichen Papier von 2006 definiert, ist eine Methode zur Identifizierung, Analyse und Berichterstattung von Mustern (Themen) in Daten. Sie ist flexibel, zugänglich und nicht an ein einzelnes theoretisches Rahmenwerk gebunden. Diese Flexibilität ist einer der Gründe, warum sie eine der am häufigsten verwendeten qualitativen Methoden in Psychologie, Bildung, Gesundheitswissenschaften, Geschäftsforschung und den Sozialwissenschaften geworden ist.

Braun und Clarke skizzierten einen sechsphasigen Prozess: Vertrautheit mit den Daten, Generierung anfänglicher Codes, Suche nach Themen, Überprüfung von Themen, Definition und Benennung von Themen und Erstellung des Berichts. Dieser Prozess ist iterativ statt linear. Forscher bewegen sich hin und her zwischen Phasen, während ihr Verständnis vertieft wird. Die Methode betont die aktive Rolle des Forschers bei der Konstruktion von Themen aus den Daten, nicht einfach die Entdeckung als wäre sie vorhandene Objekte, die gefunden werden könnten.

Die qualitative Grundlage der Themenanalyse

Was thematische Analyse inhärent qualitativ macht, ist ihr Fokus auf Bedeutung. Ein Thema erfasst etwas Wichtiges über die Daten in Bezug auf die Forschungsfrage. Es stellt ein Muster gemeinsamer Bedeutung dar, organisiert um ein zentrales Konzept. Braun und Clarke haben explizit gemacht, dass Themen nicht allein durch Häufigkeit bestimmt werden. Ein Thema, das in nur einer kleinen Anzahl von Datenelementen vorkommt, kann immer noch analytisch signifikant sein, wenn es etwas Wichtiges über das untersuchte Phänomen erfasst.

This matters because the most common way researchers try to “quantify” thematic analysis is by counting how often themes occur. While frequency counting can be informative, it does not capture the richness, context, or interpretive depth that makes thematic analysis valuable in the first place. A theme mentioned once by a participant who provides deep, detailed insight may be more analytically important than a theme mentioned briefly by twenty participants. Qualitative thematic analysis preserves that distinction. Purely quantitative approaches risk flattening it.

Braun und Clarke selbst haben gegen das, was sie “small q” Ansätze der qualitativen Forschung nennen, argumentiert, wobei qualitative Methoden als vorbereitender Schritt zur Generierung von Kategorien für quantitative Analyse behandelt werden. Sie argumentieren, dass dies die epistemologische Grundlage der Thematischen Analyse missverstanden hat und eine reiche interpretative Methode auf eine einfache Sortierübung reduziert. Forscher, die Thematische Analyse in quantitativen Kontexten verwenden möchten, sollten sich dieser Kritik bewusst sein und diese in ihrer methodologischen Begründung berücksichtigen.

Wie Forscher thematische Analyse auf quantitative Daten anwenden

Trotz der qualitativen Wurzeln der Themenanalyse gibt es legitime und gut etablierte Wege, thematische Ausgaben innerhalb quantitativer Forschungsdesigns zu nutzen. Forscher tun dies seit Jahrzehnten, und die Ansätze haben sich im Laufe der Zeit verfeinert. Wichtig ist, transparent über das zu sein, was Sie tun und warum, damit Reviewer und Leser Ihre methodologischen Entscheidungen bewerten können.

Häufigkeitszählung von Themen

Der direkteste Ansatz besteht darin, zunächst eine Standard-Qualitative-Themenanalyse durchzuführen und dann zu zählen, wie oft jedes Thema in den Datenelementen erscheint. Dies erzeugt Häufigkeitsdaten, die in Tabellen, Balkendiagrammen oder beschreibenden Statistiken dargestellt werden können. Wenn Sie beispielsweise 40 Teilnehmer über ihre Erfahrung mit einem Gesundheitsprogramm befragen und sechs Themen identifizieren, können Sie berichten, dass Thema A in 32 von 40 Interviews (80%) erschien, Thema B in 24 (60%) und so weiter.

Dieser Ansatz ist verbreitet in der Gesundheitsforschung, Bildung und Organisationsstudien, wo Stakeholder nicht nur verstehen möchten, welche Themen existieren, sondern auch wie verbreitet sie sind. Er funktioniert gut, wenn Sie eine moderat große qualitative Stichprobe haben (typischerweise 30 oder mehr Teilnehmer) und den Lesern einen Eindruck von der relativen Bedeutung verschiedener Themen im gesamten Datensatz geben möchten.

Die Einschränkung besteht darin, dass Häufigkeit nicht gleich Wichtigkeit ist. Ein Thema, das in jedem Interview auftaucht, kann relativ oberflächlich sein, während ein Thema, das nur in wenigen Interviews auftaucht, einen kritischen Einblick darstellen kann. Gute Forscher melden Häufigkeiten zusammen mit qualitativen Beschreibungen, die die Tiefe und den Kontext jedes Themas bewahren.

Code-Vorkommen-Matrizen

Eine Code-Vorkommen-Matrix (manchmal auch Code-nach-Dokument-Matrix oder Cross-Tabulation-Matrix genannt) ist eine strukturierte Tabelle, die abbildet, welche Codes und Themen in welchen Datenelementen erscheinen. Zeilen repräsentieren Datenquellen (einzelne Interviews, Dokumente oder Fälle), und Spalten repräsentieren Codes oder Themen. Zellen enthalten binäre Werte (vorhanden/abwesend) oder Häufigkeitswerte.

Dieses Matrix-Format ermöglicht es Forschern, quantitative Techniken auf qualitative Kodierungsergebnisse anzuwenden. Sie können Statistiken zur Übereinstimmung zwischen Ratern (wie Cohen’s kappa) berechnen, um die Kodierungskonsistenz zwischen mehreren Kodern zu bewerten. Sie können Muster des gemeinsamen Auftretens identifizieren, bei denen bestimmte Themen in denselben Datenelementen zusammen auftreten. Sie können Themenverteilungen über Teilnehmer-Untergruppen hinweg mit statistischen Tests vergleichen.

Code-Vorkommen-Matrizen sind besonders nützlich in teamgestützten Forschungsprojekten, bei denen mehrere Analysten Daten kodieren und einen systematischen Weg benötigen, um ihre Arbeit zu vergleichen und abzustimmen. Sie unterstützen auch Transparenz durch eine klare Nachverfolgung, wie Themen auf Rohdaten abgebildet werden.

Chi-Quadrat-Tests und statistische Vergleiche von codierten Kategorien

Sobald qualitative Codes in kategoriale Variablen umgewandelt wurden, können Forscher standardmäßige statistische Tests anwenden. Chi-Quadrat-Tests werden häufig verwendet, um zu bestimmen, ob sich Themenverteilungen über Gruppen hinweg signifikant unterscheiden. Sie könnten beispielsweise vergleichen, ob männliche und weibliche Teilnehmer ein bestimmtes Thema mit signifikant unterschiedlichen Raten erwähnen, oder ob Teilnehmer von verschiedenen Organisationsebenen unterschiedliche Bedenken aufwerfen.

Andere statistische Verfahren umfassen logistische Regression (Vorhersage des Vorhandenseins oder Fehlens eines Themas auf Grundlage von Teilnehmereigenschaften), Clusteranalyse (Gruppierung von Teilnehmern auf Grundlage ihrer Themenmuster) und Korrespondenzanalyse (Visualisierung von Beziehungen zwischen Themen und Teilnehmerkategorien in einem zweidimensionalen Raum). Diese Methoden behandeln die Ausgaben der qualitativen Kodierung als kategorische Daten und wenden quantitative Werkzeuge an, um Muster zu identifizieren, die durch qualitative Interpretation allein möglicherweise nicht sichtbar sind.

Inhaltsanalytische Überlappung

Themenanalyse und quantitative Inhaltsanalyse teilen erhebliche methodologische Überschneidungen, weshalb die Grenze zwischen “qualitativer Themenanalyse” und “quantitativer Inhaltsanalyse” verschwommen wirken kann. Quantitative Inhaltsanalyse, entwickelt von Forschern wie Klaus Krippendorff und Kimberly Neuendorf, ist explizit darauf ausgelegt, numerische Daten aus Textquellen zu produzieren. Sie betont Kodierungszuverlässigkeit, systematische Stichprobenziehung und statistische Analyse von Kodehäufigkeiten.

Einige Forscher verwenden thematische Analyse, um ihr Codierungsframework zu entwickeln (Identifikation der wichtigen Kategorien und Themen) und wechseln dann zu einem Content-Analyse-Ansatz für systematische Codierung und Quantifizierung. Dieser Hybrid-Ansatz kombiniert die interpretative Tiefe der thematischen Analyse mit der Strenge und Reproduzierbarkeit der Content-Analyse. Er ist besonders häufig in Medienstudien, Kommunikationsforschung und Politikanalyse vertreten.

Mixed-Methods-Ansätze zur thematischen Analyse

Mixed-Methods-Forschung kombiniert explizit qualitative und quantitative Datenerfassung und Analyse in einer einzigen Studie oder einem Forschungsprogramm. Thematische Analyse dient häufig als qualitative Komponente in Mixed-Methods-Designs, und diese Designs bieten den methodisch robustesten Rahmen für die Verbindung qualitativer Themen mit quantitativen Daten.

Sequenzielle erklärende Designs

Bei einem sequenziellen erklärenden Design sammeln und analysieren Forscher zunächst quantitative Daten und nutzen dann qualitative Daten (analysiert durch Themenanalyse), um die quantitativen Befunde zu erklären oder zu präzisieren. Beispielsweise könnte eine Umfrage zeigen, dass die Mitarbeiterzufriedenheit über Abteilungen hinweg erheblich unterschiedlich ist. Nachfolgende Interviews, die durch Themenanalyse analysiert werden, könnten offenbaren, warum: Vielleicht hat eine Abteilung einen toxischen Führungsstil, während eine andere von starkem Peer-Mentoring profitiert. Die Themen erklären die Zahlen.

Sequenzielle explorative Designs

Bei einem sequenziellen explorativen Design kommen qualitative Daten zuerst. Forscher führen Interviews durch, analysieren sie thematisch und verwenden die resultierenden Themen, um Umfrageinstrumente, Skalen oder Kodierungsrahmen für eine nachfolgende quantitative Phase zu entwickeln. Dies ist eine der häufigsten Arten, wie thematische Analyse in quantitative Forschung mündet. Die in der qualitativen Phase generierten Themen werden zu den Variablen, die in der quantitativen Phase gemessen werden.

Zum Beispiel könnte ein Forscher, der Barrieren für die Telemedizin-Akzeptanz untersucht, 20 Interviews durchführen, Themen wie “Technologie-Angst”, “Datenschutzbedenken” und “Qualität der Anbieter-Beziehung” identifizieren und dann eine Umfrage mit Items entwickeln, die jedes Thema messen. Die Umfrage wird dann an einer großen Stichprobe durchgeführt und quantitativ analysiert. Die thematische Analyse lieferte die konzeptionelle Grundlage für das quantitative Instrument.

Gleichzeitige Designs

Bei gleichzeitigen oder konvergenten Designs werden qualitative und quantitative Daten gleichzeitig erhoben und separat analysiert, dann werden die Ergebnisse verglichen und integriert. Ein Forscher könnte eine strukturierte Umfrage durchführen und semi-strukturierte Interviews mit denselben Teilnehmern führen. Die Umfragedaten werden statistisch analysiert, während die Interviewdaten thematisch analysiert werden. Die Integration erfolgt in der Interpretationsphase, in der der Forscher untersucht, ob die quantitativen Muster und qualitativen Themen konvergieren, divergieren oder sich ergänzen.

Dieser Ansatz ist in der Evaluierungsforschung, dem öffentlichen Gesundheitswesen und der Bildung verbreitet. Er ermöglicht es Forschern, Erkenntnisse über Methoden hinweg zu triangulieren und damit die Gesamtevidenzgrundlage zu stärken. Wenn quantitative Ergebnisse und qualitative Themen in die gleiche Richtung zeigen, nimmt das Vertrauen in die Erkenntnisse zu. Wenn sie divergieren, wird die Divergenz selbst zu einer produktiven Erkenntnis, die weitere Untersuchungen erfordert.

Wann funktioniert quantitative Themenanalyse gut

Nicht jeder Forschungskontext profitiert davon, Themen zu quantifizieren. Aber es gibt Situationen, in denen dies echten Mehrwert bietet und methodisch vertretbar ist.

Große qualitative Stichproben

Wenn du qualitative Daten von 50, 100 oder mehr Teilnehmern hast, wird rein qualitative Berichterstattung von Themen schwierig. Leser können nicht so viele einzelne Perspektiven im Kopf behalten. Häufigkeitsdaten helfen, indem sie eine hochrangige Karte der Themenlandschaft bieten. Sie sagen Lesern, welche Themen weit verbreitet sind und welche in bestimmten Untergruppen konzentriert sind. In Kombination mit repräsentativen Zitaten und dichter Beschreibung verstärken Häufigkeitsdaten eher als unterminieren die qualitative Analyse.

Vorhandene Codebücher und Frameworks

Wenn Forscher einen deduktiven oder Template-Analyse-Ansatz verwenden, beginnend mit vordefinierten Codes, die aus Theorie oder früherer Forschung abgeleitet sind, ist Quantifizierung natürlicher. Die Codes sind bereits als Kategorien strukturiert, und das Zählen ihrer Vorkommen über Datenelemente ist eine unkomplizierte Erweiterung. Dies ist üblich in angewandten Forschungsfeldern wie Implementierungswissenschaft, in denen Forscher etablierte Rahmen (wie das Consolidated Framework for Implementation Research) als Kodierungsvorlagen verwenden und dann berichten, wie oft jede Konstruktion über Studienstandorte erscheint.

Vergleichende Studien über Gruppen hinweg

Wenn die Forschungsfrage explizit den Vergleich von Gruppen beinhaltet (verschiedene Organisationen, demografische Kategorien, Interventionsbedingungen oder Zeiträume), ermöglicht die Quantifizierung von Themen einen systematischen Vergleich. Sie können zeigen, dass bestimmte Themen in einer Gruppe häufiger vorkommen als in einer anderen, und Sie können testen, ob diese Unterschiede statistisch signifikant sind. Dies unterstützt Aussagen über Mustergruppen auf Gruppenebene, die nur schwer auf der Grundlage qualitativ-narrativer Methoden allein gemacht werden könnten.

Stakeholder-Zielgruppen, die Zahlen erwarten

In angewandten Forschungskontexten wie Programmbewertung, Politikanalyse und Marktforschung erwarten Zielgruppen oft quantitative Evidenz. Finanzierungsstellen, Politiker und Organisationsleiter können Themenhäufigkeiten praktikabler finden als rein narrative Berichte. Die Quantifizierung von Themen kann qualitative Erkenntnisse für diese Zielgruppen zugänglicher und überzeugender machen, ohne die zugrunde liegende interpretative Arbeit zu beeinträchtigen.

Grenzen der Quantifizierung von Themen

Forscher sollten ehrlich darüber sein, was verloren geht, wenn Themen zu Zahlen werden. Die Einschränkungen sind real, und so zu tun, als ob nicht, schwächt die methodologische Grundlage jeder Studie.

Verlust von Kontext und Nuancen

Wenn ein Thema auf eine Anzahl reduziert wird, verschwindet die Tiefe der Daten dahinter. Eine Häufigkeitstabelle, die zeigt, dass “Vereinbarkeit von Beruf und Privatleben” in 75% der Interviews auftauchte, sagt nichts über die spezifischen Herausforderungen, die Teilnehmer beschrieben, das emotionale Gewicht ihrer Berichte oder die Widersprüche in ihren Erfahrungen aus. Das Theme-Label wird zu einem Container, der die Komplexität verdeckt, die es ursprünglich zu erfassen gehörte.

Gute Mixed-Methods-Forscher mildern dies, indem sie Häufigkeitsdaten neben qualitativen Beschreibungen, ausführlichen Zitaten und Fallbeispielen präsentieren. Die Zahlen bieten einen Überblick; das qualitative Material bietet die Tiefe. Nur Zahlen zu präsentieren ist ein methodischer Fehler.

Herausforderungen bei der Forscherinterpretation

Themenanalyse beinhaltet Interpretation in jeder Phase. Zwei Forscher, die denselben Datensatz analysieren, können verschiedene Themen identifizieren, je nach ihrer theoretischen Ausrichtung, Forschungsfrage und analytischem Fokus. Dies ist keine Schwäche der qualitativen Forschung. Es ist ein Merkmal. Aber es wird zu einem Problem, wenn Sie Themen als objektive Kategorien behandeln und sie zählen, als wären sie feste Entitäten.

Die Quantifizierung von Themen kann einen falschen Eindruck von Präzision erzeugen. Eine Aussage wie “Thema X erschien in 63% der Interviews” impliziert, dass Thema X eine stabile, eindeutige Kategorie ist, die verschiedene Kodierer konsistent identifizieren würden. In der Praxis sind die Grenzen von Themen oft verschwommen, und angemessene Analysten könnten denselben Textabschnitt unterschiedlich kodieren. Die Berichterstattung von Inter-Rater-Reliabilität-Statistiken hilft, löst aber nicht vollständig die interpretative Natur der qualitativen Kodierung.

Methodologische Kritik

Einige qualitative Forscher argumentieren, dass die Quantifizierung von Themen grundlegend missverstanden wird, was thematische Analyse tut. Braun und Clarke haben vor der Behandlung von thematischer Analyse als “Kodierungszuverlässigkeits”-Ansatz gewarnt, bei dem das Ziel darin besteht, konsistente, zählbare Codes zu erstellen, anstatt interpretive Themen. Sie unterscheiden zwischen “Big Q” qualitativer Forschung (die Subjektivität und Interpretation umfasst) und “small q”-Ansätzen (die versuchen, quantitative Logik auf qualitative Daten anzuwenden).

Forscher, die Themen quantifizieren, sollten bereit sein, ihre methodischen Entscheidungen zu verteidigen. Dies bedeutet, explizit über Ihre epistemologische Position zu sein, zu erklären, warum Quantifizierung Ihre Forschungsfrage erfüllt, und die Grenzen der Behandlung interpretativer Themen als kategorische Variablen zu würdigen. Ein starker Methodenteil spricht diese Bedenken direkt an, anstatt sie zu ignorieren.

Tools für Themenanalyse in 2026

Die praktische Herausforderung der thematischen Analyse, ob qualitativ oder quantitativ, läuft oft auf das bloße Volumen der Arbeit hinaus. Das manuelle Codieren von Transkripten ist zeitaufwändig. Das Erstellen von Code-Vorkommensmatrizen von Hand ist mühsam. Der Vergleich von Themenhäufigkeitsverteilungen über Subgruppen hinweg erfordert sorgfältige Datenverwaltung. Hier werden Software-Tools unverzichtbar, und hier hat KI-gestützte Analyse verändert, was möglich ist.

Traditionelle qualitative Datenanalysesoftware wie NVivo und ATLAS.ti bietet robuste Kodierungs- und Abruffunktionen, erfordert aber erhebliche manuelle Anstrengungen. Forscher müssen immer noch jedes Transkript lesen, jeden Code zuweisen und jedes Thema überprüfen. Für kleine Studien mit 10 oder 15 Interviews ist dies machbar. Für größere Datensätze mit 50 oder mehr Datenelementen kann die manuelle Belastung zu einem Engpass werden, der Zeitpläne um Wochen oder Monate verlängert.

KI-gestützte Tools haben neue Möglichkeiten für Forscher eröffnet, die thematische Analysen im großen Maßstab durchführen. Sprechen Sie ist eine Plattform, die Transkription, qualitative Codierung und KI-unterstützte Analyse in einer Umgebung kombiniert. Für Forscher, die mit Interview-Aufzeichnungen oder Fokusgruppen-Audio arbeiten, verarbeitet Speak die Transkription mit Sprecheretiketten und unterstützt dann die thematische Codierung direkt in der Plattform. AI Chat ermöglicht es Forschern, ihre codierten Daten über mehrere Transkripte hinweg abzufragen und Fragen wie “Was haben Teilnehmer über 40 über Technologieadaption gesagt?” oder “Vergleichen Sie Themen zwischen Interventions- und Kontrollgruppen” zu stellen.

Für Forscher, die sowohl qualitative Tiefe als auch quantitative Ergebnisse benötigen, kann KI-gestützte Codierung den Prozess der Erstellung von Code-Vorkommensmatrizen, der Berechnung von Themenhäufigkeiten und der Identifikation von Mustern in großen Datensätzen beschleunigen. Der Forscher treibt immer noch die interpretative Arbeit voran und entscheidet, was als Thema zählt und was es bedeutet. Aber die mechanischen Schritte der Codierung, des Zählens und der Organisation werden erheblich schneller.

Tools wie Speak unterstützen auch Qualitative Codierungs-Workflows wobei mehrere Teammitglieder die gleichen Daten kodieren, ihre Kodierung vergleichen und die Inter-Rater-Reliabilität berechnen können. Dies ist wichtig für Studien, die Themen quantifizieren möchten, da die Glaubwürdigkeit von Häufigkeitsdaten von der Kodierungskonsistenz abhängt. KI-Agenten kann wiederholte Analyseaufgaben weiter automatisieren und Forschern ermöglichen, sich auf interpretative Entscheidungen zu konzentrieren, die menschliches Urteilsvermögen erfordern.