Можно ли использовать тематический анализ в количественном исследовании?

Можно ли использовать тематический анализ в количественном исследовании?

The short answer is yes, with important caveats. Тематический анализ 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.

Когда исследователи говорят об использовании тематического анализа в количественном исследовании, они обычно имеют в виду одно из трех. Во-первых, они могут считать частоты тем после качественного кодирования для создания числовых данных. Во-вторых, они могут использовать тематический анализ как качественный компонент смешанного методологического исследования. В-третьих, они могут применять технологии структурированного анализа контента, которые перекрываются с тематическим анализом, но создают поддающиеся количественной оценке результаты с самого начала. Каждый из этих подходов имеет разные сильные стороны, и каждый требует другого уровня методологического обоснования.

Понимание тематического анализа в исследованиях

Тематический анализ, как определили Вирджиния Браун и Виктория Кларк в своей влиятельной статье 2006 года, — это метод для выявления, анализа и описания закономерностей (тем) в данных. Он гибкий, доступный и не привязан к какой-либо одной теоретической базе. Эта гибкость — одна из причин, по которой он стал одним из наиболее широко используемых качественных методов в психологии, образовании, науках о здоровье, бизнес-исследованиях и общественных науках в целом.

Браун и Кларк описали шестиэтапный процесс: ознакомление с данными, создание первоначальных кодов, поиск тем, проверка тем, определение и именование тем и подготовка отчета. Этот процесс является итеративным, а не линейным. Исследователи движутся взад и вперед между этапами по мере углубления их понимания. Метод подчеркивает активную роль исследователя в конструировании тем из данных, а не просто их обнаружении, как если бы они были заранее существующими объектами, ожидающими своего открытия.

Качественная основа тематического анализа

Тематический анализ по своей сути является качественным благодаря его фокусу на значение. Тема раскрывает что-то важное о данных в отношении исследовательского вопроса. Она представляет паттерн разделяемого значения, организованный вокруг центральной концепции. Браун и Кларк явно сказали, что темы определяются не только частотой. Тема, которая появляется только в небольшом количестве элементов данных, может быть аналитически значимой, если она отражает что-то важное о изучаемом явлении.

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.

Сами Браун и Кларк выступили против того, что они называют “маленьким q” подходами к качественному исследованию, где качественные методы рассматриваются как предварительный этап для создания категорий для количественного анализа. Они утверждают, что это неправильно понимает эпистемологическую основу тематического анализа и сводит богатый интерпретирующий метод к простому упражнению сортировки. Исследователи, которые хотят использовать тематический анализ в количественных контекстах, должны осознавать эту критику и учитывать её в своем методологическом обосновании.

Как исследователи применяют тематический анализ к количественным данным

Несмотря на качественные корни тематического анализа, существуют законные и хорошо зарекомендовавшие себя способы использования тематических результатов в количественных исследовательских проектах. Исследователи делают это десятилетиями, и подходы совершенствовались с течением времени. Главное — быть прозрачным в отношении того, что вы делаете и почему, чтобы рецензенты и читатели могли оценить ваши методологические выборы.

Подсчет частоты тем

Наиболее прямолинейный подход — сначала провести стандартный качественный тематический анализ, а затем подсчитать, как часто каждая тема появляется в элементах данных. Это дает частотные данные, которые можно представить в таблицах, столбчатых диаграммах или описательной статистике. Например, если вы берёте интервью у 40 участников об их опыте использования программы здравоохранения и выявляете шесть тем, вы можете сообщить, что Тема A появилась в 32 из 40 интервью (80%), Тема B в 24 (60%) и так далее.

Этот подход распространён в исследованиях здравоохранения, образования и организационных исследованиях, где заинтересованные стороны хотят понять не только существующие темы, но и их распространённость. Это хорошо работает, когда у вас есть умеренно большая качественная выборка (обычно 30 или более участников) и вы хотите дать читателям представление об относительной значимости различных тем в наборе данных.

Ограничение заключается в том, что частота упоминаний не равна важности. Тема, которая появляется в каждом интервью, может быть относительно поверхностной, тогда как тема, которая появляется только в нескольких интервью, может представлять критически важное понимание. Хорошие исследователи сообщают частоту наряду с качественными описаниями, которые сохраняют глубину и контекст каждой темы.

Матрицы кодовых вхождений

Матрица кодов (иногда называемая матрицей код-документ или кросс-табуляционной матрицей) это структурированная таблица, которая отображает, какие коды и темы появляются в каких элементах данных. Строки представляют источники данных (отдельные интервью, документы или случаи), а столбцы представляют коды или темы. Ячейки содержат двоичные значения (присутствует/отсутствует) или подсчёты частоты.

Этот матричный формат позволяет исследователям применять количественные методы к выводам качественного кодирования. Вы можете рассчитать статистику надежности между оценивающими (такие как каппа Коэна) для оценки согласованности кодирования между несколькими кодировщиками. Вы можете выявить закономерности совместного появления, где определённые темы склонны появляться вместе в одних и тех же элементах данных. Вы можете сравнить распределение тем по подгруппам участников, используя статистические тесты.

Матрицы вхождения кода особенно полезны в командных исследовательских проектах, где несколько аналитиков кодируют данные и нуждаются в систематическом способе сравнения и согласования своей работы. Они также поддерживают прозрачность, предоставляя четкий учет того, как темы отображаются в исходные данные.

Тесты хи-квадрат и статистические сравнения по кодированным категориям

После преобразования качественных кодов в категориальные переменные исследователи могут применять стандартные статистические тесты. Тесты хи-квадрат обычно используются для определения того, значительно ли распределение тем отличается между группами. Например, вы можете сравнить, упоминают ли мужчины и женщины определённую тему с существенно разными частотами, или поднимают ли участники из разных организационных уровней разные проблемы.

Другие статистические подходы включают логистическую регрессию (прогнозирование наличия или отсутствия темы на основе характеристик участников), кластерный анализ (группировка участников на основе их профилей тем) и анализ соответствия (визуализация отношений между темами и категориями участников в двумерном пространстве). Эти методы рассматривают выходные данные качественного кодирования как категориальные данные и применяют количественные инструменты для выявления закономерностей, которые могут быть невидимы при качественной интерпретации в одиночку.

Анализ пересечений контента

Тематический анализ и количественный контент-анализ имеют значительное методологическое перекрытие, что является одной из причин, по которой граница между “качественным тематическим анализом” и “количественным контент-анализом” может казаться нечеткой. Количественный контент-анализ, разработанный исследователями вроде Klaus Krippendorff и Kimberly Neuendorf, специально предназначен для создания численных данных из текстовых источников. Он подчеркивает надежность кодирования, систематическую выборку и статистический анализ частот кодов.

Некоторые исследователи используют тематический анализ для разработки своей схемы кодирования (определение категорий и тем, которые имеют значение), а затем переходят на подход анализа содержания для систематического кодирования и квантификации. Этот гибридный подход сочетает интерпретативную глубину тематического анализа с строгостью и воспроизводимостью анализа содержания. Это особенно распространено в медиаисследованиях, исследованиях коммуникации и анализе политики.

Комбинированные методы тематического анализа

Смешанные методы исследования явно объединяют сбор и анализ качественных и количественных данных в рамках одного исследования или программы исследований. Тематический анализ часто служит качественным компонентом в дизайне смешанных методов, и эти дизайны предоставляют наиболее методологически надежную основу для приведения качественных тем в контакт с количественными данными.

Последовательные объяснительные дизайны

В последовательном объяснительном плане исследователи сначала собирают и анализируют количественные данные, а затем используют качественные данные (проанализированные через тематический анализ) для объяснения или уточнения количественных результатов. Например, опрос может показать, что удовлетворенность сотрудников значительно различается между отделами. Последующие интервью, проанализированные через тематический анализ, могут показать почему: возможно, в одном отделе царит токсичный стиль управления, а в другом процветает сильное наставничество между коллегами. Темы объясняют цифры.

Последовательные исследовательские дизайны

В последовательном исследовательском дизайне качественные данные приходят в первую очередь. Исследователи проводят интервью, анализируют их тематически и используют полученные темы для разработки инструментов опроса, шкал или кодировочных систем для последующей количественной фазы. Это один из наиболее распространённых способов, которым тематический анализ питает количественное исследование. Темы, созданные в качественной фазе, становятся переменными, измеряемыми в количественной фазе.

Например, исследователь, изучающий барьеры внедрения телемедицины, может провести 20 интервью, выявить темы вроде “технологический страх”, “опасения по поводу приватности” и “качество отношений с врачом”, а затем разработать опрос с вопросами, измеряющими каждую тему. Опрос затем проводится на большой выборке и анализируется количественно. Тематический анализ обеспечил концептуальную основу для количественного инструмента.

Параллельные дизайны

При одновременных или сходящихся дизайнах качественные и количественные данные собираются одновременно и анализируются отдельно, затем результаты сравниваются и интегрируются. Исследователь может провести структурированный опрос и полуструктурированные интервью с одними и теми же участниками. Данные опроса анализируются статистически, а данные интервью анализируются тематически. Интеграция происходит на этапе интерпретации, где исследователь определяет, совпадают ли количественные закономерности и качественные темы, расходятся или дополняют друг друга.

Этот подход распространен в оценочных исследованиях, общественном здравоохранении и образовании. Он позволяет исследователям триангулировать результаты методами, усиливая общую базу доказательств. Когда количественные результаты и качественные темы указывают в одном направлении, доверие к результатам возрастает. Когда они расходятся, сама расхождение становится продуктивным результатом, требующим дальнейшего расследования.

Когда количественный тематический анализ работает хорошо

Не каждый исследовательский контекст выигрывает от количественного определения тем. Но есть ситуации, когда это добавляет подлинную ценность и методологически обоснованно.

Большие качественные выборки

Когда у вас есть качественные данные от 50, 100 или более участников, чисто качественное представление тем становится сложным. Читатели не могут удерживать в уме столько отдельных перспектив. Данные о частоте помогают, предоставляя высокоуровневую карту тематического ландшафта. Они показывают читателям, какие темы распространены, а какие сосредоточены в конкретных подгруппах. В сочетании с репрезентативными цитатами и подробным описанием данные о частоте улучшают, а не подрывают качественный анализ.

Существующие кодовые книги и фреймворки

Когда исследователи используют дедуктивный или шаблонный анализ, начиная с предопределённых кодов, выведенных из теории или предыдущих исследований, квантификация более естественна. Коды уже структурированы как категории, и подсчёт их появлений в элементах данных — это прямое расширение. Это распространено в прикладных областях исследования, таких как наука об внедрении, где исследователи используют установленные основы (такие как Консолидированная основа для исследования внедрения) в качестве шаблонов кодирования, а затем докладывают, как часто каждая конструкция появляется на различных участках исследования.

Сравнительные исследования между группами

Когда исследовательский вопрос явно предполагает сравнение групп (разные организации, демографические категории, условия вмешательства или временные периоды), количественное определение тем позволяет осуществить систематическое сравнение. Вы можете показать, что определенные темы более распространены в одной группе, чем в другой, и вы можете проверить, являются ли эти различия статистически значимыми. Это поддерживает утверждения о паттернах группового уровня, которые было бы трудно сделать только на основе качественного повествования.

Аудитория заинтересованных сторон, ожидающая цифровых данных

В контексте прикладного исследования, таком как оценка программ, анализ политики и маркетинговые исследования, аудитория часто ожидает количественных доказательств. Финансирующие агентства, политики и лидеры организаций могут найти частоты тем более практичными, чем чисто описательные отчёты. Количественная оценка тем может сделать качественные находки более доступными и убедительными для этих аудиторий без ущерба основной интерпретативной работе.

Ограничения количественной оценки тем

Исследователи должны быть честны в отношении того, что теряется, когда темы становятся числами. Ограничения реальны, и притворство иного ослабляет методологическую основу любого исследования.

Потеря контекста и нюансов

Когда тему сводят к числу, богатство данных за ней исчезает. Таблица частотности, показывающая, что “баланс работы и личной жизни” появилась в 75% интервью, ничего не говорит вам о конкретных трудностях, которые описывали участники, об эмоциональном весе их рассказов или о противоречиях в их опыте. Ярлык темы становится контейнером, который скрывает сложность, которую она была изначально предназначена охватить.

Хорошие исследователи смешанных методов смягчают это, представляя данные о частотах наряду с качественными описаниями, развернутыми цитатами и примерами конкретных случаев. Числа дают обзор; качественный материал обеспечивает глубину. Представление только чисел является методологической ошибкой.

Challenges in Researcher Interpretation

Тематический анализ включает интерпретацию на каждом этапе. Два исследователя, анализирующих один и тот же набор данных, могут выявить разные темы в зависимости от их теоретической ориентации, исследовательского вопроса и аналитической линзы. Это не слабость качественного исследования. Это особенность. Но это становится проблемой, когда вы рассматриваете темы как объективные категории и считаете их, как если бы они были фиксированными сущностями.

Квантификация тем может создать ложное впечатление точности. Цифра вроде “Тема X появилась в 63% интервью” предполагает, что Тема X — это стабильная, однозначная категория, которую разные кодировщики выявили бы последовательно. На практике границы тем часто размыты, и разумные аналитики могут кодировать один и тот же отрывок по-разному. Представление статистики межэкспертной надёжности помогает, но полностью не разрешает интерпретативную природу качественного кодирования.

Методологическая критика

Некоторые качественные исследователи утверждают, что количественная оценка тем принципиально неправильно представляет то, что делает тематический анализ. Браун и Кларк предупреждали от рассмотрения тематического анализа как подхода «надежности кодирования», где цель состоит в том, чтобы получить последовательные, подсчитываемые коды, а не интерпретирующие темы. Они различают между «Big Q» качественным исследованием (которое принимает субъективность и интерпретацию) и подходами «small q» (которые пытаются применить количественную логику к качественным данным).

Исследователи, которые количественно определяют темы, должны быть готовы защищать свои методологические выборы. Это означает быть явным в отношении вашей эпистемологической позиции, объяснять, почему количественная оценка служит вашему исследовательскому вопросу, и признавать ограничения трактовки интерпретативных тем как категориальных переменных. Сильный раздел методов напрямую решает эти проблемы, а не игнорирует их.

Инструменты для тематического анализа в 2026

Практическая сложность тематического анализа, качественного или количественного, часто сводится просто к объёму работы. Ручное кодирование транскриптов требует много времени. Построение матриц кодов вручную утомительно. Сравнение распределения тем между подгруппами требует тщательного управления данными. Именно здесь программные инструменты становятся важными, и именно здесь AI-assisted анализ изменил то, что возможно.

Традиционное программное обеспечение для анализа качественных данных, такое как NVivo и ATLAS.ti, предоставляет надежные функции кодирования и поиска, но требует значительных ручных усилий. Исследователи по-прежнему должны прочитать каждый транскрипт, присвоить каждый код и пересмотреть каждую тему. Для небольших исследований с 10 или 15 интервью это управляемо. Для больших наборов данных с 50 или более элементами данных ручная работа может стать узким местом, которое продлевает сроки на недели или месяцы.

Инструменты на основе AI открыли новые возможности для исследователей, проводящих тематический анализ в большом масштабе. Говорите Speak AI — это единая платформа, которая объединяет транскрибирование, качественное кодирование и аналитику на основе AI в одной среде. Для исследователей, работающих с записями интервью или аудиозаписями фокус-групп, Speak обрабатывает транскрибирование с метками спикера, а затем поддерживает тематическое кодирование прямо в платформе. AI Chat позволяет исследователям запрашивать свои закодированные данные по нескольким стенограммам, задавая вопросы типа “Что говорили участники старше 40 лет о внедрении технологий?” или “Сравните темы между группами вмешательства и контроля.”

Для исследователей, которым нужны как качественная глубина, так и количественные результаты, AI-assisted кодирование может ускорить процесс построения матриц кодов, расчета частоты тем и выявления закономерностей в больших наборах данных. Исследователь по-прежнему руководит интерпретативной работой, решая, что считается темой и что это означает. Но механические этапы кодирования, подсчета и организации становятся значительно быстрее.

Инструменты, такие как Speak, также поддерживают Рабочие процессы качественного кодирования где несколько членов команды могут кодировать одни и те же данные, сравнивать их кодирование и рассчитывать согласованность между оценивающими. Это необходимо для исследований, которые стремятся количественно оценить темы, поскольку достоверность данных частоты зависит от согласованности кодирования. Агенты искусственного интеллекта может дополнительно автоматизировать повторяющиеся задачи анализа, позволяя исследователям сосредоточиться на интерпретационных решениях, требующих человеческого суждения.