Thematische Analyse von qualitativen Interview-Transkripten

Dieses Framework, ursprünglich 2006 von Braun und Clarke beschrieben, ist seither zu einem der meistzitierten Methodenpapiere in den Sozialwissenschaften geworden, mit über 300.000 Zitationen bei Google Scholar.

Doch das Framework funktioniert nur, wenn die zugrunde liegenden Transkripte gut kodiert sind. Jede Phase hängt davon ab, wie konsistent Sie Ihre Daten getaggt haben, von der ersten Durchsicht bis zur abschließenden Niederschrift.

In diesem Leitfaden führe ich Sie durch jede Phase, mit konkreten Kodierentscheidungen, beleuchte die Tools und Arbeitsabläufe, die den Prozess unterstützen, und weise auf die Fehler hin, die Forschende während der Analyse am meisten Zeit kosten.

Warum Ihre Transkripte einen systematischen Kodier-Arbeitsablauf brauchen

Stellen Sie sich vor: Sie haben gerade 12 Interviews abgeschlossen. Auf Ihrem Bildschirm liegen über 200 Seiten Transkripte, und Ihre Gedanken wandern zu den Zitaten, die Ihnen besonders aufgefallen sind. Dieser Instinkt muss nicht immer richtig sein.

Ohne einen strukturierten Kodier-Arbeitsablauf stützt sich die Analyse auf das, woran Sie sich am besten erinnern, was meist die jüngsten Interviews und die Antworten bedeutet, die das bestätigen, was Sie zu finden erwartet haben.

Und das ist auch kein Randrisiko. McMullin (2021) weist darauf hin, dass 40 bis 80 % der Studien in den Sozialwissenschaften und im dritten Sektor auf qualitative Methoden wie Interviews, Fokusgruppen und ethnografische Beobachtung zurückgreifen.

Das ist eine enorme Datenmenge, die von der Kodierdisziplin der Forschenden abhängt, um glaubwürdige Ergebnisse zu liefern.

Und wenn Sie nicht auf Verzerrungen achten, bauen Sie am Ende Themen auf unvollständiger Evidenz auf.

Dennoch beseitigt ein systematischer Ansatz zur Kodierung qualitativer Interviewdaten die Interpretation nicht.

Er zwingt Sie vielmehr dazu, den gesamten Datensatz zu berücksichtigen und nicht nur die Teile, die sich im Moment am relevantesten anfühlen.

Falls Sie noch abwägen, ob Sie überhaupt qualitative Forschungsinterviews transkribieren sollen, ist das eine eigene Entscheidung. Dieser Leitfaden geht davon aus, dass Sie bereits Transkripte haben und einen verlässlichen Weg brauchen, um vom Rohtext zu belastbaren Themen zu gelangen.

Codes, Kategorien und Themen: Was jeder Begriff in der qualitativen Analyse bedeutet

Bevor Sie damit beginnen, Themen in qualitativen Daten zu kodieren, hilft es, sich darüber im Klaren zu sein, worauf sich jeder Begriff tatsächlich bezieht. Diese drei Konzepte erfüllen unterschiedliche Zwecke, und sie zu verwechseln ist einer der häufigsten Fehler bei der thematischen Analyse von Interview-Transkripten.

• Ein Code ist eine beschreibende Bezeichnung, die Sie auf ein kleines Datensegment anwenden. Sie erfasst in einem Wort oder einer kurzen Phrase, worum es in diesem Segment geht
• Eine Kategorie fasst verwandte Codes zusammen und bietet Ihnen so eine Möglichkeit, Ihre Codes zu organisieren, ohne direkt zur Interpretation zu springen
• Ein Thema ist umfassender. Themen sind Bedeutungsmuster, die quer durch die Kategorien verlaufen und an Ihre Forschungsfrage anknüpfen. Sie finden Themen nicht einfach in den Daten. Sie konstruieren sie durch den Prozess des Lesens, Kodierens und Wiederlesens

Eine Sache, die man im Hinterkopf behalten sollte: Wenn Sie schon einmal Software zur Transkription oder zur qualitativen Datenanalyse genutzt haben, sind Ihnen wahrscheinlich die Begriffe "Tags", "Codes" und "Labels" als Synonyme begegnet. Sie bezeichnen dieselbe Handlung. Tags in einem Transkriptionstool wie HappyScribe sind funktional gleichwertig mit Codes in der qualitativen Methodik.

Ich weise darauf hin, weil der Unterschied klein ist, aber Forschende verwirren könnte, die zwischen verschiedenen Tools wechseln. Ein Tag, das Sie in Ihrer Transkriptionssoftware für die Forschung vergeben, hat dasselbe Gewicht wie ein Code, den Sie in NVivo oder ATLAS.ti zuweisen würden, also behandeln Sie es von Anfang an mit derselben Sorgfalt.

Die sechs Phasen der thematischen Analyse für Interview-Transkripte

Das sechsphasige Framework von Braun und Clarke (2006) ist der am weitesten verbreitete Ansatz zur thematischen Analyse, und das aus gutem Grund.

Die Phasen sind sequenziell, aber nicht strikt linear. Sie werden zwischen ihnen hin- und herwechseln, während sich Ihr Verständnis der Daten vertieft, was zu erwarten ist und Teil des Prozesses ist.

Was folgt, ist eine angepasste Anleitung für Forschende, die speziell mit Interview-Transkripten arbeiten.

Phase 1: Vertrautmachen

Lesen Sie Ihre Transkripte von Anfang bis Ende. Lesen Sie sie dann erneut. Wenn Sie noch Zugang zum Original-Audio haben, hören Sie es ab, während Sie dem Text folgen, denn Tonfall, Pausen und Betonung tragen oft eine Bedeutung, die auf dem Papier nicht erkennbar ist. Eine Transkriptionsplattform, die genaue Transkripte und synchronisierte Medienwiedergabe bietet, beschleunigt Ihre Arbeit.

Das Ziel ist hier nicht, mit dem Kodieren zu beginnen. Es geht darum, ein breites Gespür dafür zu entwickeln, was in den Daten steckt, bevor Sie analytische Entscheidungen treffen.

Wo diese Phase schiefgeht, ist, wenn Sie sie überstürzen. 12 Interviews können sich nach einer einzigen Durchsicht vertraut anfühlen, aber Vertrautheit ist nicht dasselbe wie Verständnis. Die Muster, die Ihnen in einer zweiten oder dritten Runde auffallen, könnten genau jene sein, die am Ende Ihre Themen prägen.

Für einen tieferen Blick darauf, wie sich das Vertrautmachen in die breitere Forschung einfügt, werfen Sie einen Blick in unseren Leitfaden zur Methodik der qualitativen Forschung.

Phase 2: Erste Codes generieren

Hier gehen Sie vom Lesen zum Bezeichnen über. Arbeiten Sie jedes Transkript Zeile für Zeile oder Segment für Segment durch und weisen Sie jeder bedeutungstragenden Dateneinheit einen Code zu.

• Induktives (oder offenes) Kodieren lässt die Codes aus den Daten selbst entstehen, ohne ein vordefiniertes Framework
• Deduktives Kodieren funktioniert in die andere Richtung: Sie leiten die Codes aus Ihren Forschungsfragen, Ihrem theoretischen Rahmen oder vorhandener Literatur ab
• In-vivo-Kodieren verwendet die eigenen Worte der teilnehmenden Person als Code-Bezeichnung, was nützlich sein kann, wenn die genaue Formulierung von Bedeutung ist

Die meisten Forschenden kombinieren die Ansätze. Sie könnten mit einem deduktiven Satz von Codes aus Ihren Forschungsfragen beginnen und dann induktive Codes auftauchen lassen, während Sie sich durch Transkripte arbeiten, die unerwartete Wendungen nehmen.

So sieht das in der Praxis aus, anhand einer kurzen Passage aus einem fiktiven Interview über Remote-Arbeit:

Zwei dieser Codes, "begrenzter Kontakt zur Führungskraft" und "Verlust der informellen Kommunikation", könnten später unter einer Kategorie wie Erfahrungen mit Unterstützung am Arbeitsplatz zusammengefasst werden, die an das Thema der strukturellen Isolation in hybriden Teams aus der vorherigen Tabelle anknüpft. Das ist der Verlauf: vom Code zur Kategorie zum Thema.

Der häufige Fehler in dieser Phase ist, zu breit oder zu eng zu kodieren. Darauf gehe ich später noch genauer ein.

Phase 3: Nach Themen suchen

Sobald Ihre Transkripte kodiert sind, treten Sie einen Schritt zurück und betrachten Sie die Codes als Gesamtheit. Gruppieren Sie verwandte Codes zu möglichen Themen und nutzen Sie visuelle Hilfsmittel wie thematische Karten oder Code-Bäume, um zu sehen, wie die Cluster zueinander in Beziehung stehen.

Dies ist eine explorative Phase. Sie testen Gruppierungen und bemerken, welche Codes von Natur aus gut zusammenpassen und welche in keine Kategorie gehören. Legen Sie sich noch nicht auf endgültige Themen fest.

Phase 4: Themen überprüfen

In dieser Phase tragen Sie Ihre möglichen Themen zurück zu den Daten. Stützen die kodierten Segmente tatsächlich das Thema, das Sie darum herum aufgebaut haben? Funktioniert das Thema noch, wenn Sie die vollständigen Transkripte erneut lesen?

Während Sie die Übereinstimmung prüfen, beginnen die Themen, aufgeteilt, zusammengeführt oder ganz verworfen zu werden. Das Endergebnis ist ein verfeinerter Satz von Themen mit klareren Grenzen und stärkerer Datengrundlage.

Phase 5: Themen definieren und benennen

Jedes verbleibende Thema erhält nun eine schriftliche Beschreibung, die erklärt, was das Thema erfasst, was nicht und wie es zu benachbarten Themen steht. Geben Sie ihm einen prägnanten, beschreibenden Namen, damit Sie es leicht wiederfinden.

Gute Themennamen tragen viel analytisches Gewicht. "Strukturelle Isolation in hybriden Teams" sagt der lesenden Person etwas Konkretes, während "Probleme mit Remote-Arbeit" das nicht tut. Sobald Sie die Bezeichnungen richtig setzen, ähnelt Ihr Datensatz einem thematischen Framework: benannte Themen mit schriftlichen Definitionen und Geltungsgrenzen.

Phase 6: Niederschrift

Die letzte Phase verwandelt Ihr thematisches Framework in eine Erzählung, die die Forschungsfrage beantwortet. Jedes Thema wird zu einem Abschnitt oder Argument, gestützt durch repräsentative Zitate aus den Transkripten.

Wählen Sie die Zitate sorgfältig aus. Die stärksten Passagen sind jene, in denen die Worte der teilnehmenden Person das Thema direkt veranschaulichen und mit minimaler Kontexterläuterung für sich stehen können.

Für eine ausführlichere Anleitung zum Übergang von kodierten Transkripten zu einer schriftlichen Analyse behandelt dieser Leitfaden zum Analysieren von Transkriptionen qualitativer Forschungsinterviews den Prozess ausführlich.

So kodieren Sie Interview-Transkripte in der Praxis

Die sechs Phasen geben Ihnen den konzeptionellen Rahmen. Doch jetzt ist es an der Zeit, die Entscheidungen zu behandeln, die Sie treffen, wenn Sie sich tatsächlich ans Kodieren setzen.

Manuelles vs. softwaregestütztes Kodieren

Manuelles Kodieren hat sich über die Zeit bewährt, und viele Forschende nutzen weiterhin Word oder Google Docs mit Kommentar-Threads und farblicher Hervorhebung.

Es funktioniert für kleinere Projekte mit weniger Transkripten, aber die Grenzen zeigen sich, sobald Sie versuchen, zu skalieren.

Sobald Sie über 15 oder 20 Interviews hinweg arbeiten, wird es schwer zu handhaben, Codes über Kommentare und Hervorhebungen hinweg konsistent zu verfolgen.

CAQDAS-Tools wie NVivo, ATLAS.ti und MAXQDA sind genau dafür gemacht. Sie bieten Code-Hierarchien, transkriptübergreifende Abfragen und visuelle Darstellung. Erwähnenswert ist, dass NVivo und ATLAS.ti inzwischen beide zu Lumivero gehören, während MAXQDA unabhängig bleibt und oft als zugänglicher für die Arbeit mit Mixed-Methods gilt.

Außerhalb der klassischen CAQDAS bedient Dovetail UX- und Produktteams, Delve ist bei Forschenden beliebt, die an Dissertationen arbeiten, und Taguette ist eine kostenlose Open-Source-Option für Projekte ohne Förderung.

Unabhängig vom Tool bleibt die Kodierlogik dieselbe.

Ihr Codebook erstellen

Ein Codebook ist das Referenzdokument, das Ihre Kodierung über mehrere Durchgänge oder Teammitglieder hinweg konsistent hält.

Wenn Sie allein an einer kleinen Studie arbeiten, kommen Sie mit einer weniger formellen Variante aus, aber die Disziplin zahlt sich langfristig trotzdem aus.

• Beginnen Sie mit einem kleinen Satz von Codes aus Ihren ersten Transkripten oder Ihren Forschungsfragen
• Schreiben Sie eine kurze Definition für jeden Code, mit einer Beispielpassage, die zeigt, wann er zutrifft
• Notieren Sie Abgrenzungsregeln dafür, wann ein Code nicht zutrifft, insbesondere bei Codes, die sich überschneiden
• Verfeinern Sie iterativ, während Sie weitere Transkripte durcharbeiten, und teilen, führen oder verwerfen Sie Codes, die nicht funktionieren
• Halten Sie jede Änderung und die Begründung dahinter fest, denn dieses Protokoll wird zu Ihrer Nachvollziehbarkeit. Darauf gehe ich später noch näher ein

Im Team kodieren

Wenn mehr als eine forschende Person dieselben Daten kodiert, wird die Intercoder-Reliabilität (ICR) zu einem Faktor. Üblich ist es, mindestens zwei Kodierende eine Teilmenge der Transkripte unabhängig voneinander kodieren zu lassen und dann die Übereinstimmung mit einer Kennzahl wie Cohens Kappa zu vergleichen.

Eine geringe Übereinstimmung bedeutet nicht zwangsläufig, dass jemand schlecht kodiert hat; sie kann darauf hindeuten, dass die Codes klarere Definitionen im Codebook brauchen. Behandeln Sie Uneinigkeiten als Signal zur Überarbeitung statt zum Übergehen.

KI-gestütztes Kodieren

KI-Tools können inzwischen automatisch Codes vorschlagen, Muster über große Transkriptmengen hinweg sichtbar machen und ein Codebook schneller anwenden als manuelles Kodieren. Für Forschende, die mit über 20 Stunden Interview-Audio arbeiten, sind das eingesparte Stunden bei der repetitiven Arbeit.

Doch die Tools bringen gewisse Grenzen mit sich. Eine Studie aus dem Jahr 2025 von Jowsey et al. hat Microsoft Copilot bei der thematischen Analyse getestet und nur eine minimale Überschneidung zwischen den von Menschen und den von der KI generierten Themen festgestellt. Copilots Ausgaben enthielten in 58 % der Fälle erfundene Zitate, und die KI leitete die Themen nur aus den ersten paar Seiten der Daten ab statt aus dem gesamten Datensatz. Die Studie legte die Grenzen der KI von Microsoft Copilot offen, doch das zugrunde liegende Problem gilt auch für andere Tools.

Die Schlussfolgerung ist nicht, KI-gestütztes Kodieren ganz zu vermeiden. KI kann den ersten Durchgang und das Erkennen von Mustern übernehmen, aber das Deuten von Nuancen, das Auflösen von Mehrdeutigkeiten und das Aufstellen theoretischer Behauptungen bleiben Aufgabe der Forschenden.

Ihre Transkripte für die thematische Analyse vorbereiten

Es gibt einen Schritt zwischen "Ich habe ein Transkript" und "Ich beginne mit dem Kodieren", der oft übersprungen wird und sich direkt auf die Qualität von allem Folgenden auswirkt. So sollten Sie dabei vorgehen:

• Wählen Sie den richtigen Transkriptionstyp. Wortgetreue Transkription erfasst jedes Füllwort und jeden Fehlstart, was sich für die Diskursanalyse eignet. Für die thematische Analyse ist intelligente wortgetreue Transkription in der Regel die bessere Wahl, weil sie die Bedeutung ohne das Rauschen bewahrt
• Kennzeichnen Sie Ihre Sprechenden klar. Wenn Ihre Interview-Transkription nicht erkennen lässt, wer was gesagt hat, verlieren Sie die Möglichkeit, nachzuverfolgen, wie sich Themen über die Teilnehmenden verteilen, oder Erfahrungen zwischen Gruppen zu vergleichen
• Richten Sie Ihre Zeitstempel aus. Wenn sich ein kodiertes Segment auf dem Papier mehrdeutig anfühlt, brauchen Sie eine Möglichkeit, zum Original-Audio zurückzukehren. Eine konsistente Ausrichtung der Zeitstempel macht das möglich, ohne sich durch Stunden von Aufnahmen scrollen zu müssen
• Bereinigen Sie, bevor Sie kodieren. KI-generierte Transkripte enthalten Fehler, besonders bei Fachvokabular und sich überlagernden Dialogen. Fehler zu korrigieren und die Formatierung zu vereinheitlichen, bevor Sie kodieren, verhindert, dass schlechte Daten in Ihr Codebook einfließen

Hier kann Ihnen die Wahl der Transkriptionsplattform Zeit sparen. HappyScribe übernimmt den Schritt der Transkriptvorbereitung, sodass Forschende weniger Zeit mit dem Bereinigen und mehr Zeit mit dem Kodieren verbringen.

Einige Funktionen von HappyScribe, die Ihnen als forschende Person das Leben direkt erleichtern:

KI- und professionelle Transkription

Die automatische Transkription von HappyScribe liefert Ihnen in wenigen Minuten einen ersten Entwurf. Wenn Genauigkeit der entscheidende Faktor ist, können Sie professionelle Transkription anfordern, die 99 % Genauigkeit liefert.

Fachsprachenexpertinnen und -experten sind für Studien einen Gedanken wert, bei denen die genaue Formulierung ein wichtiger Teil des Prozesses ist.

Sprechererkennung

Mit automatischer Sprechererkennung kommen die Transkripte fertig für die Kodierung auf Teilnehmerebene an.

Das spart Ihnen nicht nur Zeit, sondern wirkt sich auch direkt auf Ihre Analyse aus. Wenn die Sprechenden von Anfang an korrekt erkannt werden, können Sie Codes nach Teilnehmenden filtern und vergleichen, wie dasselbe Thema in den verschiedenen Interviews unterschiedlich zutage tritt.

Wenn Sie mit Fokusgruppen arbeiten, in denen sich die Sprechenden überlagern, erleichtert eine genaue Erkennung die Zuordnung.

Interaktiver Transkript-Editor

Das Bearbeiten, Durchsuchen und Überprüfen von Transkripten wird mit synchronisierter Audiowiedergabe deutlich einfacher.

Während der Phase des Vertrautmachens können Sie gleichzeitig lesen und zuhören, was genau das ist, was Braun und Clarke in Phase 1 empfehlen.

Beim Kodieren können Sie auf jedes Segment klicken und hören, wie die teilnehmende Person es vorgetragen hat, und so Sarkasmus, Zögern oder Betonung erfassen, die sich auf dem Papier anders lesen.

Mehrsprachige Unterstützung

Für Forschungsprojekte, die sich über mehrere Sprachen erstrecken, unterstützt HappyScribe über 150 Sprachen und Dialekte auf einer einzigen Plattform, sodass mehrsprachige Transkription und Vorbereitung keine separaten Tools erfordern.

Ob Isländisch, Schweizerdeutsch, Suaheli oder Koreanisch, Sie können globale Forschung betreiben, ohne sich um Fehldeutungen sorgen zu müssen.

Wenn Sie abwägen, ob automatische Transkription eine gute Praxis für die qualitative Forschung ist, hängt diese Entscheidung von der Genauigkeit ab, die Ihre Methodik erfordert. Für die meisten Projekte der thematischen Analyse ist es ein praktischer Mittelweg, mit KI-Transkription zu beginnen und sie gegen das Audio zu überprüfen.

Häufige Fehler bei der qualitativen Kodierung und wie Sie sie vermeiden

1. Interviewfragen als Themen verwenden

Wenn sich Ihre Themen direkt mit Ihrem Gesprächsleitfaden decken, haben Sie mit hoher Wahrscheinlichkeit die Daten organisiert statt analysiert.

Themen sollten aus Mustern über die Antworten hinweg entstehen und nicht die Fragen widerspiegeln, die Sie gestellt haben.

Wenn Ihnen das auffällt, gehen Sie zurück zu Ihren Codes und suchen Sie nach Verbindungen, die quer durch mehrere Fragen verlaufen.

2. Zu breit oder zu eng kodieren

Ein Code wie "Herausforderungen am Arbeitsplatz" erfasst alles und unterscheidet nichts. Ein Code wie "fühlte sich am Dienstag um 14 Uhr frustriert" kommt nur einmal vor und lässt sich mit nichts vergleichen.

Prüfen Sie Ihre Codes, indem Sie sich fragen, ob jeder oft genug vorkommt, um ein Muster aufzuzeigen, aber spezifisch genug bleibt, um Ihnen etwas Nützliches über die Daten zu sagen.

3. Die Überprüfungsphase überspringen

Themen aus dem ersten Durchgang sind Entwürfe, keine Ergebnisse. Sie zu berichten, ohne sie gegen den gesamten Datensatz zu prüfen, ist der Weg, auf dem sich Widersprüche einschleichen und schwache Themen überleben.

Planen Sie mindestens einen vollständigen Überprüfungsdurchgang ein, bei dem Sie die Original-Transkripte erneut lesen, während Sie Ihre möglichen Themen vor sich haben.

4. Widersprüchliche Daten ignorieren

Widerlegende Fälle sind unbequem, aber sie machen Ihre Analyse stärker, wenn Sie sie direkt angehen.

Ein Thema, das nur funktioniert, indem es widersprüchliche Daten umgeht, hält einer genauen Prüfung nicht stand.

Markieren Sie Widersprüche während des Kodierens und entscheiden Sie dann, ob sie das Thema verfeinern oder auf etwas hindeuten, das Sie übersehen haben.

5. Ihre Kodierentscheidungen nicht dokumentieren

Wenn Sie nicht erklären können, warum ein Code existiert, warum er sich geändert hat oder warum ein Thema verworfen wurde, verliert Ihre Analyse an Glaubwürdigkeit.

Wie ich im Abschnitt zum Codebook erwähnt habe, genügt es, ein laufendes Protokoll darüber zu führen, was sich geändert hat und warum. Gutachterinnen, Gutachter und Prüfende werden danach suchen.

Die thematische Analyse in Ihrem Methodenteil berichten

Gutachtende und Betreuende erwarten eine klare Darstellung davon, wie Sie von den Rohtranskripten zu den endgültigen Themen gelangt sind. Diese Checkliste deckt ab, was Sie beim Verfassen Ihrer Methodik einbeziehen sollten:

• Die Transkriptionsmethode, die Sie verwendet haben (KI, professionell oder hybrid), und warum Sie sich dafür entschieden haben
• Die Software oder Tools, die zum Kodieren verwendet wurden
• Ob Ihr Kodieransatz induktiv, deduktiv oder eine Kombination war
• Die Anzahl der Kodierdurchgänge, die Sie abgeschlossen haben
• Wie die Themen überprüft und verfeinert wurden, einschließlich aller Themen, die aufgeteilt, zusammengeführt oder verworfen wurden
• Wie die Intercoder-Reliabilität bewertet wurde und ob mehr als eine forschende Person die Daten kodiert hat
• Ob Member-Checking oder die Validierung durch die Befragten Teil Ihres Prozesses war

Die eigene Transkriptionsmethode zu dokumentieren wird auch in publizierter Forschung zunehmend erwartet.

Wenn Sie KI-Transkription verwendet haben, möchten Gutachtende wissen, wie Sie die Genauigkeit überprüft haben. Sie sollten einen kurzen Abschnitt zu Ihrem Qualitätsprüfungsprozess einbauen, um alle Aspekte abzudecken.

Beginnen Sie mit Transkripten, denen Sie vertrauen können

Die thematische Analyse ist nur so stark wie die Transkripte, die ihr zugrunde liegen. Wenn der Text ungenau ist, die Sprecherkennzeichnungen falsch sind oder die Formatierung inkonsistent ist, erbt jede darauffolgende Kodierentscheidung diese Probleme.

HappyScribe liefert Ihnen forschungsfertige Transkripte mit genauer Sprecherkennzeichnung, synchronisierter Audiowiedergabe und Unterstützung für über 150 Sprachen, sodass Sie mit Zuversicht direkt ins Kodieren übergehen können.