L’analisi tematica può essere utilizzata nella ricerca quantitativa?

L’analisi tematica può essere utilizzata nella ricerca quantitativa?

The short answer is yes, with important caveats. Analisi tematica 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.

Quando i ricercatori parlano di usare thematic analysis nella ricerca quantitativa, di solito intendono una di tre cose. Primo, potrebbero contare le frequenze dei tema dopo il coding qualitativo per generare dati numerici. Secondo, potrebbero usare thematic analysis come componente qualitativa di uno studio mixed-methods. Terzo, potrebbero applicare tecniche di structured content analysis che si sovrappongono con thematic analysis ma producono output quantificabili da subito. Ognuno di questi approcci ha punti di forza diversi, e ciascuno richiede un livello diverso di giustificazione metodologica.

Comprendere l’analisi tematica nella ricerca

L’analisi tematica, come definita da Virginia Braun e Victoria Clarke nel loro influente articolo del 2006, è un metodo per identificare, analizzare e segnalare pattern (temi) all’interno dei dati. È flessibile, accessibile e non legata a nessun quadro teorico unico. Questa flessibilità è una delle ragioni per cui è diventato uno dei metodi qualitativi più utilizzati in psicologia, educazione, scienze della salute, ricerca aziendale e scienze sociali in generale.

Braun e Clarke hanno delineato un processo in sei fasi: familiarizzare con i dati, generare codici iniziali, cercare temi, rivedere i temi, definire e nominare i temi e produrre il rapporto. Questo processo è iterativo piuttosto che lineare. I ricercatori si muovono avanti e indietro tra le fasi man mano che la loro comprensione si approfondisce. Il metodo sottolinea il ruolo attivo del ricercatore nel costruire temi dai dati, non semplicemente scoprirli come se fossero oggetti preesistenti in attesa di essere trovati.

Le basi qualitative dell'analisi tematica

Ciò che rende l’analisi tematica intrinsecamente qualitativa è il suo focus sul significato. Un tema cattura qualcosa di importante sui dati in relazione alla domanda di ricerca. Rappresenta un pattern di significato condiviso, organizzato intorno a un concetto centrale. Braun e Clarke sono stati espliciti nel dire che i temi non sono determinati dalla frequenza da sola. Un tema che appare solo in un piccolo numero di elementi di dati può comunque essere analiticamente significativo se cattura qualcosa di importante sul fenomeno in studio.

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 e Clarke stessi hanno respinto quello che chiamano approcci “piccolo q” alla ricerca qualitativa, dove i metodi qualitativi sono trattati come un passaggio preliminare per generare categorie per l’analisi quantitativa. Sostengono che ciò fraintende la base epistemologica dell’analisi tematica e riduce un ricco metodo interpretativo a un semplice esercizio di ordinamento. I ricercatori che vogliono utilizzare l’analisi tematica in contesti quantitativi dovrebbero essere consapevoli di questa critica e tenerne conto nella loro giustificazione metodologica.

Come i ricercatori applicano l’analisi tematica ai dati quantitativi

Nonostante le radici qualitative dell’analisi tematica, esistono modi legittimi e consolidati per utilizzare gli output tematici all’interno di design di ricerca quantitativi. I ricercatori lo fanno da decenni e gli approcci si sono raffinati nel tempo. La chiave è essere trasparenti su cosa stai facendo e perché, in modo che i revisori e i lettori possano valutare le tue scelte metodologiche.

Conteggio della frequenza dei temi

L'approccio più diretto è condurre prima un'analisi tematica qualitativa standard, poi contare quanto spesso ogni tema appare negli elementi dati. Questo produce dati di frequenza che possono essere riportati in tabelle, grafici a barre o statistiche descrittive. Ad esempio, se intervisti 40 partecipanti sulla loro esperienza con un programma sanitario e identifichi sei temi, potresti riportare che il Tema A è apparso in 32 su 40 interviste (80%), il Tema B in 24 (60%), e così via.

Questo approccio è comune nella ricerca sui servizi sanitari, nell’istruzione e negli studi organizzativi dove gli stakeholder vogliono capire non solo quali temi esistono ma quanto sono prevalenti. Funziona bene quando hai un campione qualitativo moderatamente ampio (tipicamente 30 o più partecipanti) e vuoi dare ai lettori un senso dell’importanza relativa dei diversi temi nel dataset.

Il limite è che la prevalenza non equivale all’importanza. Un tema che appare in ogni intervista potrebbe essere relativamente superficiale, mentre un tema che appare in solo pochi interviste potrebbe rappresentare un’intuizione critica. I buoni ricercatori riportano le frequenze insieme alle descrizioni qualitative che preservano la profondità e il contesto di ogni tema.

Matrici di occorrenza del codice

Una matrice di occorrenza del codice (a volte chiamata matrice codice-per-documento o matrice di tabulazione incrociata) è una tabella strutturata che mappa quali codici e temi appaiono in quali elementi di dati. Le righe rappresentano fonti di dati (interviste individuali, documenti o casi) e le colonne rappresentano codici o temi. Le celle contengono valori binari (presente/assente) o conteggi di frequenza.

Questo formato matrice consente ai ricercatori di applicare tecniche quantitative agli output di codifica qualitativa. Puoi calcolare statistiche di affidabilità tra valutatori (come il kappa di Cohen) per valutare la coerenza della codifica tra più codificatori. Puoi identificare modelli di co-occorrenza, dove certi temi tendono a comparire insieme negli stessi elementi dati. Puoi confrontare le distribuzioni dei temi tra sottogruppi di partecipanti usando test statistici.

Le matrici di co-occurrence del codice sono particolarmente utili nei progetti di ricerca basati su team dove più analisti codificano i dati e hanno bisogno di un modo sistematico per confrontare e riconciliare il loro lavoro. Inoltre supportano la trasparenza fornendo una chiara traccia di audit di come i temi si mappano ai dati grezzi.

Test chi-quadrato e confronti statistici su categorie codificate

Una volta che i codici qualitativi sono stati convertiti in variabili categoriche, i ricercatori possono applicare test statistici standard. I test chi-quadrato sono comunemente usati per determinare se le distribuzioni tematiche differiscono significativamente tra i gruppi. Ad esempio, puoi confrontare se i partecipanti maschi e femmine menzionano un particolare tema a tassi significativamente diversi, o se i partecipanti da diversi livelli organizzativi sollevino preoccupazioni diverse.

Altri approcci statistici includono la regressione logistica (prevedere la presenza o l'assenza di un tema in base alle caratteristiche dei partecipanti), l'analisi cluster (raggruppare i partecipanti in base ai loro profili tematici) e l'analisi delle corrispondenze (visualizzare le relazioni tra i temi e le categorie di partecipanti in uno spazio bidimensionale). Questi metodi trattano gli output della codifica qualitativa come dati categoriali e applicano strumenti quantitativi per identificare pattern che potrebbero non essere visibili solo attraverso l'interpretazione qualitativa.

Sovrapposizione dell’analisi dei contenuti

L’analisi tematica e l’analisi quantitativa dei contenuti condividono una sovrapposizione metodologica significativa, il che è uno dei motivi per cui il confine tra “analisi tematica qualitativa” e “analisi quantitativa dei contenuti” può sembrare sfocato. L’analisi quantitativa dei contenuti, sviluppata da ricercatori come Klaus Krippendorff e Kimberly Neuendorf, è esplicitamente progettata per produrre dati numerici da fonti testuali. Sottolinea l’affidabilità della codifica, il campionamento sistematico e l’analisi statistica delle frequenze di codice.

Alcuni ricercatori utilizzano l'analisi tematica per sviluppare il loro quadro di codifica (identificando le categorie e i temi che contano) e poi passano a un approccio di analisi del contenuto per la codifica sistematica e la quantificazione. Questo approccio ibrido combina la profondità interpretativa dell'analisi tematica con il rigore e la replicabilità dell'analisi del contenuto. È particolarmente comune negli studi mediatici, nella ricerca sulla comunicazione e nell'analisi politica.

Approcci a metodi misti all’analisi tematica

La ricerca a metodi misti combina esplicitamente la raccolta e l’analisi dei dati qualitativi e quantitativi all’interno di un singolo studio o programma di ricerca. L’analisi tematica frequentemente serve come componente qualitativa nei disegni a metodi misti, e questi disegni forniscono il quadro metodologicamente più robusto per mettere i temi qualitativi in contatto con i dati quantitativi.

Progetti esplicativi sequenziali

In un disegno sequenziale esplicativo, i ricercatori raccolgono e analizzano prima dati quantitativi, quindi utilizzano dati qualitativi (analizzati tramite analisi tematica) per spiegare o approfondire i risultati quantitativi. Ad esempio, un sondaggio potrebbe rivelare che la soddisfazione dei dipendenti differisce significativamente tra i reparti. I colloqui di follow-up analizzati tramite analisi tematica potrebbero rivelare il motivo: forse un reparto ha uno stile di gestione tossico mentre un altro beneficia di forti mentoring tra pari. I temi spiegano i numeri.

Progetti esplorativi sequenziali

In un design esplorativo sequenziale, i dati qualitativi arrivano per primi. I ricercatori conducono interviste, le analizzano tematicamente e usano i temi risultanti per sviluppare strumenti di sondaggio, scale o framework di codifica per una fase quantitativa successiva. Questo è uno dei modi più comuni in cui l’analisi tematica si alimenta nella ricerca quantitativa. I temi generati nella fase qualitativa diventano le variabili misurate nella fase quantitativa.

Ad esempio, un ricercatore che studia le barriere all’adozione della telemedicina potrebbe condurre 20 interviste, identificare temi come “ansia tecnologica,” “preoccupazioni sulla privacy,” e “qualità della relazione con il fornitore,” e quindi sviluppare un sondaggio con elementi che misurano ogni tema. Il sondaggio viene quindi somministrato a un ampio campione e analizzato quantitativamente. L’analisi tematica ha fornito la base concettuale per lo strumento quantitativo.

Design concorrenti

Nei progetti concorrenti o convergenti, i dati qualitativi e quantitativi vengono raccolti simultaneamente e analizzati separatamente, quindi i risultati vengono confrontati e integrati. Un ricercatore potrebbe somministrare un sondaggio strutturato e condurre interviste semi-strutturate con gli stessi partecipanti. I dati del sondaggio vengono analizzati statisticamente mentre i dati dell'intervista vengono analizzati tematicamente. L'integrazione avviene nella fase di interpretazione, dove il ricercatore esamina se i pattern quantitativi e i temi qualitativi convergono, divergono o si completano a vicenda.

Questo approccio è comune nella ricerca valutativa, nella sanità pubblica e nell’istruzione. Consente ai ricercatori di triangolare i risultati tra i metodi, rafforzando la base di prove complessiva. Quando i risultati quantitativi e i temi qualitativi puntano nella stessa direzione, la fiducia nei risultati aumenta. Quando divergono, la divergenza stessa diventa un risultato produttivo che richiede ulteriori indagini.

Quando l’analisi tematica quantitativa funziona bene

Non ogni contesto di ricerca beneficia della quantificazione dei temi. Ma esistono situazioni in cui aggiunge valore genuino ed è metodologicamente difendibile.

Campioni qualitativi di grandi dimensioni

Quando hai dati qualitativi da 50, 100 o più partecipanti, la segnalazione puramente qualitativa di temi diventa impegnativa. I lettori non possono tenere a mente tante prospettive individuali. I dati di frequenza aiutano fornendo una mappa di alto livello del paesaggio tematico. Dicono ai lettori quali temi sono diffusi e quali sono concentrati in particolari sottogruppi. Combinati con citazioni rappresentative e descrizione densa, i dati di frequenza migliorano piuttosto che minano l’analisi qualitativa.

Codebook e framework preesistenti

Quando i ricercatori utilizzano un approccio deduttivo o di analisi per modello, iniziando con codici predefiniti derivati da teoria o ricerca precedente, la quantificazione è più naturale. I codici sono già strutturati come categorie, e contare le loro occorrenze tra gli elementi di dati è un’estensione diretta. Questo è comune nei campi di ricerca applicata come la scienza dell’implementazione, dove i ricercatori utilizzano quadri stabiliti (come il Consolidated Framework for Implementation Research) come modelli di codifica e poi riferiscono la frequenza con cui ogni costrutto appare nei siti di studio.

Studi comparativi tra gruppi

Quando la domanda di ricerca coinvolge esplicitamente il confronto tra gruppi (diverse organizzazioni, categorie demografiche, condizioni di intervento o periodi), quantificare i temi consente il confronto sistematico. Puoi mostrare che certi temi sono più prevalenti in un gruppo che in un altro, e puoi testare se quelle differenze sono statisticamente significative. Questo supporta affermazioni su modelli a livello di gruppo che sarebbero difficili da fare basandosi solo sulla narrazione qualitativa.

Audience di stakeholder che si aspettano numeri

Nei contesti di ricerca applicata come la valutazione dei programmi, l'analisi politica e la ricerca di mercato, il pubblico spesso si aspetta prove quantitative. Agenzie di finanziamento, responsabili politici e leader organizzativi potrebbero trovare le frequenze tematiche più praticabili di rapporti puramente narrativi. Quantificare i temi può rendere i risultati qualitativi più accessibili e persuasivi a questi pubblici senza sacrificare il lavoro interpretativo sottostante.

Limitazioni della quantificazione dei temi

I ricercatori dovrebbero essere onesti su ciò che viene perso quando i temi diventano numeri. Le limitazioni sono reali, e fingere il contrario indebolisce la fondazione metodologica di qualsiasi studio.

Perdita di contesto e sfumature

When a theme is reduced to a count, the richness of the data behind it disappears. A frequency table showing that “work-life balance” appeared in 75% of interviews tells you nothing about the specific struggles participants described, the emotional weight of their accounts, or the contradictions within their experiences. The theme label becomes a container that obscures the complexity it was originally designed to capture.

I buoni ricercatori con metodi misti mitigano questo presentando dati di frequenza insieme a descrizioni qualitative, citazioni estese ed esempi di casi. I numeri forniscono una panoramica; il materiale qualitativo fornisce la profondità. Presentare solo i numeri è un errore metodologico.

Sfide nell’interpretazione del ricercatore

L’analisi tematica comporta interpretazione in ogni fase. Due ricercatori che analizzano lo stesso dataset possono identificare temi diversi, a seconda del loro orientamento teorico, della domanda di ricerca e della loro lente analitica. Questo non è un punto debole della ricerca qualitativa. È una caratteristica. Ma diventa un problema quando tratti i temi come categorie oggettive e le conti come se fossero entità fisse.

Quantificare i temi può creare un falso senso di precisione. Un numero come “Il Tema X è apparso nel 63% delle interviste” implica che il Tema X sia una categoria stabile e inequivocabile che diversi codificatori identificherebbero in modo coerente. In pratica, i confini dei temi sono spesso sfumati, e analisti ragionevoli potrebbero codificare lo stesso passaggio diversamente. Segnalare statistiche di affidabilità tra valutatori aiuta, ma non risolve completamente la natura interpretativa della codifica qualitativa.

Critiche metodologiche

Alcuni ricercatori qualitativi sostengono che quantificare i temi fraintende fondamentalmente ciò che fa l'analisi tematica. Braun e Clarke hanno avvertito contro il trattamento dell'analisi tematica come un approccio di “affidabilità della codifica”, dove l'obiettivo è produrre codici coerenti e contabili piuttosto che temi interpretativi. Distinguono tra la ricerca qualitativa “Big Q” (che abbraccia la soggettività e l'interpretazione) e gli approcci “small q” (che cercano di applicare la logica quantitativa ai dati qualitativi).

I ricercatori che quantificano i temi devono essere preparati a difendere le loro scelte metodologiche. Ciò significa essere espliciti sulla tua posizione epistemologica, spiegare perché la quantificazione serve la tua domanda di ricerca e riconoscere i limiti del trattamento dei temi interpretativi come variabili categoriche. Una sezione dei metodi forte affronta direttamente queste preoccupazioni piuttosto che ignorarle.

Strumenti per l’analisi tematica nel 2026

La sfida pratica dell'analisi tematica, sia qualitativa che quantitativa, spesso si riduce al puro volume di lavoro coinvolto. La codifica manuale dei trascritti richiede molto tempo. La costruzione manuale di matrici di occorrenza del codice è noiosa. Il confronto delle distribuzioni dei temi tra i sottogruppi richiede una gestione attenta dei dati. È qui che gli strumenti software diventano essenziali, e dove l'analisi assistita dall'IA ha cambiato ciò che è possibile.

Il software tradizionale di analisi dei dati qualitativi come NVivo e ATLAS.ti fornisce robuste funzionalità di codifica e recupero ma richiede uno sforzo manuale significativo. I ricercatori devono ancora leggere ogni trascrizione, assegnare ogni codice e rivedere ogni tema. Per studi piccoli con 10 o 15 interviste, questo è gestibile. Per dataset più grandi con 50 o più elementi di dati, il carico di lavoro manuale può diventare un collo di bottiglia che estende le timeline di settimane o mesi.

Gli strumenti basati su AI hanno introdotto nuove possibilità per i ricercatori che conducono analisi tematiche su larga scala. Parlare è una piattaforma unica che combina trascrizione, codifica qualitativa e analisi assistita da AI in un unico ambiente. Per i ricercatori che lavorano con registrazioni di interviste o audio di focus group, Speak gestisce la trascrizione con etichette dei relatori e quindi supporta la codifica tematica direttamente sulla piattaforma. AI Chat consente ai ricercatori di interrogare i loro dati codificati su più trascrizioni, ponendo domande come “Cosa hanno detto i partecipanti con più di 40 anni sull’adozione della tecnologia?” o “Confronta i temi tra i gruppi di intervento e controllo.”

Per i ricercatori che hanno bisogno di profondità qualitativa e output quantitativi, la codifica assistita dall'IA può accelerare il processo di creazione di matrici di occorrenza del codice, calcolo delle frequenze dei temi e identificazione dei modelli nei grandi set di dati. Il ricercatore guida ancora il lavoro interpretativo, decidendo cosa conta come tema e cosa significa. Ma i passaggi meccanici della codifica, del conteggio e dell'organizzazione diventano significativamente più veloci.

Strumenti come Speak supportano anche workflow di codifica qualitativa dove più membri del team possono codificare gli stessi dati, confrontare la loro codifica e calcolare l'affidabilità inter-valutatore. Questo è essenziale per gli studi che mirano a quantificare i temi, poiché la credibilità dei dati di frequenza dipende dalla coerenza della codifica. Agenti di intelligenza artificiale può ulteriormente automatizzare compiti di analisi ripetitivi, permettendo ai ricercatori di concentrarsi sulle decisioni interpretative che richiedono il giudizio umano.