L’analyse thématique peut-elle être utilisée dans la recherche quantitative’?

L’analyse thématique peut-elle être utilisée dans la recherche quantitative’?

The short answer is yes, with important caveats. Analyse thématique 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.

Lorsque les chercheurs parlent d’utiliser l’analyse thématique dans la recherche quantitative, ils signifient généralement l’une de trois choses. Premièrement, ils peuvent compter les fréquences de thèmes après le codage qualitatif pour générer des données numériques. Deuxièmement, ils peuvent utiliser l’analyse thématique comme composante qualitative d’une étude à méthodes mixtes. Troisièmement, ils peuvent appliquer des techniques d’analyse de contenu structuré qui chevauchent l’analyse thématique mais produisent des résultats quantifiables dès le départ. Chacune de ces approches a des forces différentes, et chacune nécessite un niveau différent de justification méthodologique.

Comprendre l'analyse thématique dans la recherche

L'analyse thématique, telle que définie par Virginia Braun et Victoria Clarke dans leur article influent de 2006, est une méthode pour identifier, analyser et signaler les modèles (thèmes) au sein des données. Elle est flexible, accessible et non liée à un seul cadre théorique. Cette flexibilité est l'une des raisons pour lesquelles elle est devenue l'une des méthodes qualitatives les plus largement utilisées en psychologie, en éducation, en sciences de la santé, en recherche commerciale et dans les sciences sociales en général.

Braun et Clarke ont décrit un processus en six phases : vous familiariser avec les données, générer des codes initiaux, rechercher des thèmes, examiner les thèmes, définir et nommer les thèmes, et produire le rapport. Ce processus est itératif plutôt que linéaire. Les chercheurs se déplacent d'avant en arrière entre les phases à mesure que leur compréhension s'approfondit. La méthode souligne le rôle actif du chercheur dans la construction de thèmes à partir des données, non simplement les découvrir comme s'ils étaient des objets préexistants attendant d'être trouvés.

Les fondements qualitatifs de l’analyse thématique

Ce qui rend l’analyse thématique intrinsèquement qualitative est son foyer sur la signification. Un thème capture quelque chose d’important dans les données par rapport à la question de recherche. Il représente un modèle de signification partagée, organisée autour d’un concept central. Braun et Clarke ont été explicites que les thèmes ne sont pas déterminés par la fréquence seule. Un thème qui apparaît dans seulement un petit nombre d’éléments de données peut toujours être analytiquement significatif s’il capture quelque chose d’important sur le phénomène étudié.

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 et Clarke eux-mêmes se sont opposés à ce qu’ils appellent les approches “small q” de la recherche qualitative, où les méthodes qualitatives sont traitées comme une étape préliminaire pour générer des catégories pour l’analyse quantitative. Ils soutiennent que cela méconnaît la base épistémologique de l’analyse thématique et réduit une méthode interprétative riche à un simple exercice de tri. Les chercheurs qui souhaitent utiliser l’analyse thématique dans des contextes quantitatifs doivent être conscients de cette critique et la prendre en compte dans leur justification méthodologique.

Comment les chercheurs appliquent l’analyse thématique aux données quantitatives

Malgré les racines qualitatives de l'analyse thématique, il existe des moyens légitimes et bien établis d'utiliser les résultats thématiques dans les plans de recherche quantitatifs. Les chercheurs le font depuis des décennies, et les approches se sont affinées au fil du temps. La clé est d'être transparent sur ce que vous faites et pourquoi, afin que les examinateurs et les lecteurs puissent évaluer vos choix méthodologiques.

Comptage de fréquence des thèmes

L’approche la plus directe est de conduire d’abord une analyse thématique qualitative standard, puis de compter la fréquence d’apparition de chaque thème dans les éléments de données. Cela produit des données de fréquence qui peuvent être rapportées dans des tableaux, des graphiques en barres ou des statistiques descriptives. Par exemple, si vous interviewez 40 participants sur leur expérience avec un programme de santé et identifiez six thèmes, vous pourriez rapporter que le Thème A est apparu dans 32 sur 40 entretiens (80%), le Thème B dans 24 (60%), et ainsi de suite.

Cette approche est courante dans la recherche en services de santé, l'éducation et les études organisationnelles où les parties prenantes veulent comprendre non seulement quels thèmes existent mais aussi leur prévalence. Il fonctionne bien quand vous avez un échantillon qualitatif modérément grand (généralement 30 participants ou plus) et vous voulez donner aux lecteurs un sens de l'importance relative des différents thèmes dans l'ensemble de données.

La limitation est que la prévalence n'égale pas l'importance. Un thème qui apparaît dans chaque entretien peut être relativement superficiel, tandis qu'un thème qui apparaît dans seulement quelques entretiens peut représenter une perspective critique. Les bons chercheurs rapportent les fréquences aux côtés des descriptions qualitatives qui préservent la profondeur et le contexte de chaque thème.

Matrices d’occurrence de code

Une matrice d’occurrence de codes (parfois appelée matrice code-par-document ou matrice de table de contingence) est un tableau structuré qui mappe quels codes et thèmes apparaissent dans quels éléments de données. Les lignes représentent les sources de données (entretiens individuels, documents ou cas), et les colonnes représentent les codes ou thèmes. Les cellules contiennent des valeurs binaires (présent/absent) ou des comptages de fréquence.

Ce format matriciel permet aux chercheurs d’appliquer des techniques quantitatives aux résultats du codage qualitatif. Vous pouvez calculer des statistiques de fiabilité inter-évaluateurs (comme le kappa de Cohen) pour évaluer la cohérence du codage entre plusieurs codeurs. Vous pouvez identifier les modèles de co-occurrence, où certains thèmes ont tendance à apparaître ensemble dans les mêmes éléments de données. Vous pouvez comparer les distributions de thèmes entre les sous-groupes de participants à l’aide de tests statistiques.

Les matrices d'occurrence de codes sont particulièrement utiles dans les projets de recherche basés sur l'équipe où plusieurs analystes codent les données et ont besoin d'un moyen systématique de comparer et réconcilier leur travail. Elles soutiennent également la transparence en fournissant une piste d'audit claire de la manière dont les thèmes correspondent aux données brutes.

Tests du chi-carré et comparaisons statistiques sur les catégories codifiées

Une fois que les codes qualitatifs ont été convertis en variables catégoriques, les chercheurs peuvent appliquer des tests statistiques standard. Les tests du chi-carré sont couramment utilisés pour déterminer si les distributions de thèmes diffèrent significativement entre les groupes. Par exemple, vous pourriez comparer si les participants masculins et féminins mentionnent un thème particulier à des taux significativement différents, ou si les participants provenant de niveaux organisationnels différents soulèvent des préoccupations différentes.

D'autres approches statistiques incluent la régression logistique (prédire la présence ou l'absence d'un thème en fonction des caractéristiques des participants), l'analyse de cluster (regrouper les participants en fonction de leurs profils thématiques) et l'analyse des correspondances (visualiser les relations entre les thèmes et les catégories de participants dans un espace bidimensionnel). Ces méthodes traitent les résultats du codage qualitatif comme des données catégoriques et appliquent des outils quantitatifs pour identifier des modèles qui pourraient ne pas être visibles par l'interprétation qualitative seule.

Chevauchement d’analyse de contenu

L'analyse thématique et l'analyse de contenu quantitative partagent un chevauchement méthodologique important, ce qui est l'une des raisons pour lesquelles la limite entre « analyse thématique qualitative » et « analyse de contenu quantitative » peut sembler floue. L'analyse de contenu quantitative, développée par des chercheurs comme Klaus Krippendorff et Kimberly Neuendorf, est explicitement conçue pour produire des données numériques à partir de sources textuelles. Elle met l'accent sur la fiabilité du codage, l'échantillonnage systématique et l'analyse statistique des fréquences de code.

Certains chercheurs utilisent l’analyse thématique pour développer leur cadre de codage (identifier les catégories et les thèmes qui importent) puis basculer vers une approche d’analyse de contenu pour le codage systématique et la quantification. Cette approche hybride combine la profondeur interprétative de l’analyse thématique avec la rigueur et la reproductibilité de l’analyse de contenu. Elle est particulièrement courante dans les études médiatiques, la recherche en communication et l’analyse politique.

Approches méthodologiques mixtes pour l’analyse thématique

La recherche mixte combine explicitement la collecte et l'analyse de données qualitatives et quantitatives dans une même étude ou programme de recherche. L'analyse thématique sert fréquemment de composante qualitative dans les conceptions mixtes, et ces conceptions fournissent le cadre méthodologiquement le plus robuste pour mettre les thèmes qualitatifs en contact avec les données quantitatives.

Conceptions explicatives séquentielles

Dans une conception explicative séquentielle, les chercheurs collectent et analysent d'abord les données quantitatives, puis utilisent les données qualitatives (analysées par analyse thématique) pour expliquer ou approfondir les résultats quantitatifs. Par exemple, une enquête pourrait révéler que la satisfaction des employés varie considérablement selon les départements. Les entretiens de suivi analysés par analyse thématique pourraient révéler pourquoi : peut-être qu'un département a un style de gestion toxique tandis qu'un autre bénéficie d'un mentorat entre pairs solide. Les thèmes expliquent les chiffres.

Conceptions exploratoires séquentielles

Dans un plan exploratoire séquentiel, les données qualitatives viennent en premier. Les chercheurs mènent des entrevues, les analysent thématiquement, et utilisent les thèmes résultants pour développer des instruments d’enquête, des échelles ou des cadres de codage pour une phase quantitative ultérieure. C’est l’une des façons les plus courantes dont l’analyse thématique alimente la recherche quantitative. Les thèmes générés dans la phase qualitative deviennent les variables mesurées dans la phase quantitative.

Par exemple, un chercheur étudiant les obstacles à l'adoption de la télémédecine pourrait mener 20 entretiens, identifier des thèmes comme « anxiété technologique », « préoccupations concernant la vie privée » et « qualité de la relation avec le fournisseur », puis développer un sondage avec des éléments mesurant chaque thème. Le sondage est ensuite administré à un large échantillon et analysé quantitativement. L'analyse thématique a fourni la base conceptuelle de l'instrument quantitatif.

Conceptions concurrentes

Dans les conceptions concurrentes ou convergentes, les données qualitatives et quantitatives sont collectées simultanément et analysées séparément, puis les résultats sont comparés et intégrés. Un chercheur pourrait administrer une enquête structurée et mener des entretiens semi-structurés avec les mêmes participants. Les données d’enquête sont analysées statistiquement tandis que les données d’entretien sont analysées thématiquement. L’intégration se fait au stade de l’interprétation, où le chercheur examine si les modèles quantitatifs et les thèmes qualitatifs convergent, divergent ou se complètent.

Cette approche est courante dans la recherche évaluative, la santé publique et l’éducation. Elle permet aux chercheurs de trianguler les résultats entre les méthodes, renforçant ainsi la base de preuves globale. Lorsque les résultats quantitatifs et les thèmes qualitatifs pointent dans la même direction, la confiance dans les résultats augmente. Quand ils divergent, la divergence elle-même devient un résultat productif qui nécessite une enquête approfondie.

Quand l'analyse thématique quantitative fonctionne bien

Tous les contextes de recherche ne bénéficient pas de la quantification des thèmes. Mais il existe des situations où cela ajoute une véritable valeur et est méthodologiquement justifiable.

Grands échantillons qualitatifs

Lorsque vous avez des données qualitatives de 50, 100 ou plus de participants, la rapportage purement qualitatif des thèmes devient difficile. Les lecteurs ne peuvent pas tenir autant de perspectives individuelles à l’esprit. Les données de fréquence aident en fournissant une carte de haut niveau du paysage thématique. Elle indique aux lecteurs quels thèmes sont généralisés et lesquels sont concentrés dans des sous-groupes particuliers. Combinées avec des citations représentatives et une description épaisse, les données de fréquence améliorent plutôt que ne soutiennent l’analyse qualitative.

Codebooks et cadres préexistants

Lorsque les chercheurs utilisent une approche d’analyse déductive ou par modèle, en commençant par des codes prédéfinis dérivés de la théorie ou de recherches antérieures, la quantification est plus naturelle. Les codes sont déjà structurés en tant que catégories, et compter leurs occurrences dans les éléments de données est une extension directe. C’est courant dans les domaines de recherche appliquée comme la science de la mise en œuvre, où les chercheurs utilisent des cadres établis (comme le Consolidated Framework for Implementation Research) comme modèles de codage et rapportent ensuite la fréquence d’apparition de chaque construct dans les sites d’étude.

Études comparatives entre les groupes

Lorsque la question de recherche implique explicitement de comparer les groupes (différentes organisations, catégories démographiques, conditions d’intervention ou périodes), la quantification des thèmes permet une comparaison systématique. Vous pouvez montrer que certains thèmes sont plus prévalents dans un groupe que dans un autre, et vous pouvez tester si ces différences sont statistiquement significatives. Cela soutient les affirmations sur les modèles au niveau du groupe qui seraient difficiles à formuler en se basant uniquement sur le récit qualitatif.

Audiences de parties prenantes qui attendent des chiffres

Dans les contextes de recherche appliquée comme l’évaluation de programmes, l’analyse politique et la recherche de marché, les audiences s’attendent souvent à des preuves quantitatives. Les agences de financement, les décideurs politiques et les leaders organisationnels peuvent trouver les fréquences thématiques plus actionnables que les rapports purement narratifs. Quantifier les thèmes peut rendre les conclusions qualitatives plus accessibles et persuasives pour ces audiences sans sacrifier le travail interprétatif sous-jacent.

Limites de la quantification des thèmes

Les chercheurs doivent être honnêtes sur ce qui est perdu lorsque les thèmes deviennent des nombres. Les limitations sont réelles, et prétendre le contraire affaiblit la fondation méthodologique de toute étude.

Perte de contexte et de nuances

Lorsqu’un thème est réduit à un nombre, la richesse des données derrière lui disparaît. Un tableau de fréquence montrant que “l’équilibre travail-vie” est apparu dans 75 % des entrevues ne vous dit rien sur les luttes spécifiques que les participants ont décrites, le poids émotionnel de leurs comptes rendus, ou les contradictions dans leurs expériences. L’étiquette de thème devient un conteneur qui obscurcit la complexité qu’il a été conçu à l’origine pour capturer.

Les bons chercheurs en méthodes mixtes atténuent cela en présentant les données de fréquence aux côtés des descriptions qualitatives, des citations prolongées et des exemples de cas. Les chiffres fournissent un aperçu ; le matériel qualitatif fournit la profondeur. Présenter uniquement les chiffres est une erreur méthodologique.

Défis d’interprétation pour les chercheurs

L'analyse thématique implique une interprétation à chaque étape. Deux chercheurs analysant le même ensemble de données peuvent identifier des thèmes différents, selon leur orientation théorique, leur question de recherche et leur perspective analytique. Ce n'est pas une faiblesse de la recherche qualitative. C'est une caractéristique. Mais c'est un problème quand vous traitez les thèmes comme des catégories objectives et les comptez comme s'il s'agissait d'entités fixes.

Quantifier les thèmes peut créer une fausse impression de précision. Un nombre comme “Le Thème X est apparu dans 63% des entretiens” implique que le Thème X est une catégorie stable et non ambiguë que différents codeurs identifieraient régulièrement. En pratique, les limites des thèmes sont souvent floues, et des analystes raisonnables pourraient coder le même passage différemment. Rapporter les statistiques de fiabilité inter-codeurs aide, mais cela ne résout pas entièrement la nature interprétative du codage qualitatif.

Critiques méthodologiques

Certains chercheurs qualitatifs soutiennent que quantifier les thèmes dénature fondamentalement ce que l'analyse thématique fait. Braun et Clarke ont mis en garde contre le traitement de l'analyse thématique comme une approche de “fiabilité du codage”, où l'objectif est de produire des codes cohérents et comptabilisables plutôt que des thèmes interprétatifs. Ils font la distinction entre la recherche qualitative “Big Q” (qui accepte la subjectivité et l'interprétation) et les approches “small q” (qui tentent d'appliquer la logique quantitative aux données qualitatives).

Les chercheurs qui quantifient les thèmes doivent être préparés à défendre leurs choix méthodologiques. Cela signifie être explicite sur votre position épistémologique, expliquer pourquoi la quantification sert votre question de recherche et reconnaître les limites du traitement des thèmes interprétatifs comme des variables catégoriques. Une section méthodes solide aborde directement ces préoccupations plutôt que de les ignorer.

Outils d’analyse thématique en 2026

Le défi pratique de l’analyse thématique, qu’elle soit qualitative ou quantitative, se résume souvent au simple volume de travail impliqué. Coder manuellement les transcriptions prend du temps. Construire des matrices d’occurrence de codes à la main est fastidieux. Comparer les distributions de thèmes entre les sous-groupes nécessite une gestion minutieuse des données. C’est là que les outils logiciels deviennent essentiels, et c’est là que l’analyse assistée par l’IA a changé ce qui est possible.

Les logiciels d'analyse de données qualitatives traditionnels comme NVivo et ATLAS.ti offrent des fonctionnalités robustes de codage et de récupération, mais nécessitent un effort manuel important. Les chercheurs doivent toujours lire chaque transcription, assigner chaque code et examiner chaque thème. Pour les petites études avec 10 ou 15 entretiens, c'est gérable. Pour les ensembles de données plus volumineux avec 50 éléments de données ou plus, la charge de travail manuelle peut devenir un goulot d'étranglement qui prolonge les délais de plusieurs semaines ou mois.

Les outils alimentés par l’IA ont introduit de nouvelles possibilités pour les chercheurs effectuant une analyse thématique à grande échelle. Parler Speak AI est une plateforme unique qui combine la transcription, le codage qualitatif et l’analyse assistée par l’IA dans un seul environnement. Pour les chercheurs travaillant avec des enregistrements d’entretiens ou de groupes de discussion, Speak gère la transcription avec des étiquettes de locuteur, puis supporte le codage thématique directement dans la plateforme. AI Chat permet aux chercheurs d’interroger leurs données codées dans plusieurs transcriptions, en posant des questions comme “Qu’ont dit les participants âgés de plus de 40 ans à propos de l’adoption de la technologie ?” ou “Comparez les thèmes entre les groupes d’intervention et de contrôle.”

Pour les chercheurs qui ont besoin à la fois de profondeur qualitative et de résultats quantitatifs, le codage assisté par l’IA peut accélérer le processus de construction de matrices d’occurrence de codes, de calcul des fréquences des thèmes et d’identification des modèles dans de grands ensembles de données. Le chercheur oriente toujours le travail interprétatif, en décidant de ce qui compte comme un thème et ce que cela signifie. Mais les étapes mécaniques du codage, du comptage et de l’organisation deviennent considérablement plus rapides.

Des outils comme Speak prennent également en charge Flux de travail de codage qualitatif où plusieurs membres de l’équipe peuvent coder les mêmes données, comparer leur codage et calculer la fiabilité inter-évaluateurs. C’est essentiel pour les études qui visent à quantifier les thèmes, car la crédibilité des données de fréquence dépend de la cohérence du codage. Agents IA peut automatiser davantage les tâches d’analyse répétitives, permettant aux chercheurs de se concentrer sur les décisions interprétatives qui nécessitent un jugement humain.