Thematische analyse toepassen op transcripties van kwalitatieve interviews

Dat raamwerk, oorspronkelijk beschreven door Braun en Clarke in 2006, is sindsdien uitgegroeid tot een van de meest geciteerde methodologische artikelen in de sociale wetenschappen, met meer dan 300.000 citaties in Google Scholar.

Maar het raamwerk werkt alleen als de onderliggende transcripties goed gecodeerd zijn. Elke fase hangt af van hoe consistent u uw gegevens hebt getagd, van die eerste doorlezing tot aan de uiteindelijke uitwerking.

In deze gids loop ik samen met u door elke fase, met praktische codeerbeslissingen erbij, behandel ik de tools en workflows die het proces ondersteunen en wijs ik op de fouten die onderzoekers tijdens de analyse de meeste tijd kosten.

Waarom uw transcripties een systematische codeerworkflow nodig hebben

Stelt u zich voor: u hebt zojuist 12 interviews afgerond. Er staan meer dan 200 pagina's transcriptie op uw scherm en uw gedachten dwalen af naar de citaten die u het meest zijn opgevallen. Dat instinct heeft niet altijd gelijk.

Zonder een gestructureerde codeerworkflow valt de analyse terug op datgene wat u zich het best herinnert, wat meestal de meest recente interviews betekent en de antwoorden die bevestigen wat u verwachtte te vinden.

En dit is ook geen marginaal risico. McMullin (2021) wijst erop dat 40 tot 80 % van de studies in de sociale wetenschappen en de derde sector leunen op kwalitatieve methoden zoals interviews, focusgroepen en etnografische observatie.

Dat is een enorme hoeveelheid gegevens die afhangt van de codeerdiscipline van de onderzoeker om geloofwaardige bevindingen op te leveren.

En als u niet oplet voor vertekeningen, bouwt u uiteindelijk thema's op onvolledig bewijs.

Dat gezegd hebbende: een systematische aanpak van het coderen van kwalitatieve interviewgegevens schakelt de interpretatie niet uit.

Wat het wel doet, is u dwingen om rekening te houden met de volledige dataset in plaats van met de delen die op dat moment het meest relevant aanvoelen.

Als u nog afweegt of u überhaupt kwalitatieve onderzoeksinterviews wilt transcriberen, is dat een aparte beslissing. Deze gids gaat ervan uit dat u al transcripties hebt en een betrouwbare manier nodig hebt om van ruwe tekst naar verdedigbare thema's te komen.

Codes, categorieën en thema's: wat elke term betekent in kwalitatieve analyse

Voordat u thema's in kwalitatieve gegevens gaat coderen, helpt het om duidelijk te hebben waar elke term eigenlijk naar verwijst. Deze drie begrippen dienen verschillende doelen, en ze door elkaar halen is een van de meest voorkomende fouten in de thematische analyse van interviewtranscripties.

• Een code is een beschrijvend label dat u toekent aan een klein segment gegevens. Het vat in één woord of een korte zinsnede samen waar dat segment over gaat
• Een categorie groepeert verwante codes samen, wat u een manier geeft om uw codes te ordenen zonder meteen naar de interpretatie te springen
• Een thema is breder. Thema's zijn betekenispatronen die dwars door categorieën heen lopen en terugkoppelen naar uw onderzoeksvraag. U vindt thema's niet zomaar in de gegevens. U construeert ze via het proces van lezen, coderen en herlezen

Eén ding is het waard om te onthouden: als u software voor transcriptie of kwalitatieve gegevensanalyse hebt gebruikt, hebt u de termen "tags", "codes" en "labels" waarschijnlijk door elkaar zien gebruiken. Ze verwijzen naar dezelfde handeling. Tags in een transcriptietool zoals HappyScribe zijn functioneel gelijkwaardig aan codes in de kwalitatieve methodologie.

Ik wijs hierop omdat het onderscheid klein is, maar onderzoekers die tussen tools wisselen in de war kan brengen. Een tag die u in uw transcriptiesoftware voor onderzoek toekent, heeft hetzelfde gewicht als een code die u in NVivo of ATLAS.ti zou toewijzen, dus behandel hem vanaf het begin met dezelfde nauwkeurigheid.

De zes fasen van thematische analyse voor interviewtranscripties

Het zesfasenraamwerk van Braun en Clarke (2006) is de meest gebruikte benadering van thematische analyse, en met goede reden.

De fasen zijn opeenvolgend, maar niet strikt lineair. U zult heen en weer bewegen tussen de fasen naarmate uw begrip van de gegevens verdiept, wat te verwachten is en deel uitmaakt van het proces.

Wat volgt is een aangepaste doorloop voor onderzoekers die specifiek met interviewtranscripties werken.

Fase 1: Vertrouwd raken

Lees uw transcripties van begin tot eind. Lees ze daarna nog eens. Als u nog toegang hebt tot de oorspronkelijke audio, luister die dan terug terwijl u de tekst volgt, want toon, pauzes en nadruk dragen vaak een betekenis die niet op papier terugkomt. Een transcriptieplatform dat nauwkeurige transcripties en gesynchroniseerde mediaweergave biedt, versnelt uw werk.

Het doel is hier niet om met coderen te beginnen. Het gaat erom een breed gevoel te krijgen van wat er in de gegevens zit voordat u analytische beslissingen neemt.

Waar deze fase misgaat, is wanneer u haar overhaast. 12 interviews kunnen na één doorlezing vertrouwd aanvoelen, maar vertrouwdheid is niet hetzelfde als begrip. De patronen die u bij een tweede of derde ronde opmerkt, zijn misschien juist de patronen die uiteindelijk uw thema's vormgeven.

Voor een diepere blik op hoe vertrouwd raken past binnen het bredere onderzoek, bekijk onze gids over methodologie van kwalitatief onderzoek.

Fase 2: Eerste codes genereren

Hier stapt u over van lezen naar labelen. Werk elke transcriptie regel voor regel of segment voor segment door en ken aan elke betekenisvolle eenheid van gegevens een code toe.

• Inductief (of open) coderen laat de codes ontstaan uit de gegevens zelf, zonder een vooraf bepaald raamwerk
• Deductief coderen werkt in de andere richting: u leidt de codes af uit uw onderzoeksvragen, uw theoretisch kader of bestaande literatuur
• In-vivocoderen gebruikt de eigen woorden van de deelnemer als codelabel, wat nuttig kan zijn wanneer de exacte formulering van belang is

De meeste onderzoekers combineren benaderingen. U zou kunnen beginnen met een deductieve set codes die voortkomt uit uw onderzoeksvragen en vervolgens inductieve codes laten opduiken terwijl u transcripties doorwerkt die onverwachte wendingen nemen.

Zo ziet dat er in de praktijk uit, aan de hand van een korte passage uit een fictief interview over thuiswerken:

Twee van die codes, "beperkt contact met leidinggevende" en "verlies van informele communicatie", zouden later kunnen worden ondergebracht in een categorie zoals ervaringen met ondersteuning op het werk, die aansluit bij het thema structureel isolement in hybride teams uit de eerdere tabel. Dat is het traject: van code naar categorie naar thema.

De veelgemaakte fout in deze fase is te breed of te smal coderen. Daar ga ik later dieper op in.

Fase 3: Thema's zoeken

Zodra uw transcripties gecodeerd zijn, neem dan een stap terug en bekijk de codes als geheel. Groepeer verwante codes tot kandidaat-thema's en gebruik visuele hulpmiddelen zoals thematische kaarten of codebomen om te zien hoe de clusters zich tot elkaar verhouden.

Dit is een verkennende fase. U test groeperingen en merkt op welke codes van nature goed samengaan en welke in geen enkele categorie thuishoren. Leg u nog niet vast op definitieve thema's.

Fase 4: Thema's herzien

In deze fase neemt u uw kandidaat-thema's terug naar de gegevens. Ondersteunen de gecodeerde segmenten werkelijk het thema dat u eromheen hebt opgebouwd? Werkt het thema nog wanneer u de volledige transcripties herleest?

Naarmate u de samenhang bekijkt, beginnen de thema's te worden opgesplitst, samengevoegd of helemaal geschrapt. Het eindresultaat is een verfijnde set thema's met duidelijkere grenzen en een sterkere onderbouwing in de gegevens.

Fase 5: Thema's definiëren en benoemen

Elk overgebleven thema krijgt nu een geschreven beschrijving die uitlegt wat het thema omvat, wat niet en hoe het zich verhoudt tot aangrenzende thema's. Geef het een beknopte, beschrijvende naam zodat u het gemakkelijk terugvindt.

Goede themanamen dragen veel analytisch gewicht. "Structureel isolement in hybride teams" vertelt de lezer iets specifieks, terwijl "Problemen met thuiswerken" dat niet doet. Zodra u de labels goed hebt, gaat uw dataset lijken op een thematisch raamwerk: benoemde thema's met geschreven definities en afbakeningen van de reikwijdte.

Fase 6: De uitwerking

De laatste fase zet uw thematisch raamwerk om in een verhaal dat de onderzoeksvraag beantwoordt. Elk thema wordt een hoofdstuk of argument, ondersteund door representatieve citaten uit de transcripties.

Kies de citaten zorgvuldig. De sterkste passages zijn die waarin de woorden van de deelnemer het thema rechtstreeks illustreren en met een minimale uitleg van de context op zichzelf kunnen staan.

Voor een uitgebreidere doorloop van de overgang van gecodeerde transcripties naar een geschreven analyse behandelt deze gids over het analyseren van transcripties van kwalitatieve onderzoeksinterviews het proces in detail.

Hoe u interviewtranscripties in de praktijk codeert

De zes fasen geven u het conceptuele kader. Maar nu is het tijd om de beslissingen te behandelen die u neemt wanneer u daadwerkelijk gaat zitten coderen.

Handmatig vs. softwaregestuurd coderen

Handmatig coderen heeft de tand des tijds doorstaan, en veel onderzoekers gebruiken nog steeds Word of Google Docs met opmerkingenthreads en kleurgecodeerde markeringen.

Het werkt voor kleinere projecten met minder transcripties, maar de beperkingen komen aan het licht zodra u probeert op te schalen.

Zodra u over 15 of 20 interviews gaat werken, wordt het lastig te beheren om codes consistent bij te houden via opmerkingen en markeringen.

CAQDAS-tools zoals NVivo, ATLAS.ti en MAXQDA zijn daarvoor gemaakt. Ze bieden codehiërarchieën, query's over transcripties heen en visuele weergave. Het is het vermelden waard dat NVivo en ATLAS.ti nu beide eigendom zijn van Lumivero, terwijl MAXQDA onafhankelijk blijft en vaak als toegankelijker wordt beschouwd voor mixed-methodswerk.

Buiten de traditionele CAQDAS bedient Dovetail UX- en productteams, is Delve populair bij onderzoekers die aan een proefschrift werken, en is Taguette een gratis open-sourceoptie voor projecten zonder financiering.

Ongeacht de tool blijft de codeerlogica hetzelfde.

Uw codeboek opbouwen

Een codeboek is het referentiedocument dat uw codering consistent houdt over meerdere herzieningen of teamleden heen.

Als u in uw eentje aan een kleine studie werkt, kunt u wegkomen met een minder formele versie, maar de discipline betaalt zich op de lange termijn toch uit.

• Begin met een kleine set codes uit uw eerste paar transcripties of uw onderzoeksvragen
• Schrijf een korte definitie voor elke code, met een voorbeeldpassage die laat zien wanneer hij van toepassing is
• Noteer afbakeningsregels voor wanneer een code niet van toepassing is, vooral voor codes die elkaar overlappen
• Verfijn iteratief terwijl u meer transcripties doorwerkt, en splits, voeg samen of schrap codes die niet werken
• Houd elke wijziging en de redenering erachter bij, want dat logboek wordt uw audittrail. Hier ga ik later dieper op in

Coderen met een team

Wanneer meer dan één onderzoeker dezelfde gegevens codeert, wordt de intercodeurbetrouwbaarheid (ICR) een factor. De standaardpraktijk is om ten minste twee codeurs onafhankelijk van elkaar een deelverzameling van de transcripties te laten coderen en vervolgens de overeenstemming te vergelijken met een maat zoals Cohens kappa.

Een lage overeenstemming betekent niet noodzakelijk dat iemand slecht heeft gecodeerd; het kan erop wijzen dat de codes duidelijkere definities in het codeboek nodig hebben. Behandel meningsverschillen als een signaal om te herzien, niet om te overrulen.

AI-ondersteund coderen

AI-tools kunnen nu automatisch codes voorstellen, patronen blootleggen over grote sets transcripties heen en een codeboek sneller toepassen dan handmatig coderen. Voor onderzoekers die met meer dan 20 uur interviewaudio werken, zijn dat bespaarde uren op het repetitieve werk.

Maar de tools brengen bepaalde beperkingen met zich mee. Een studie uit 2025 van Jowsey et al. testte Microsoft Copilot op thematische analyse en vond minimale overlap tussen de door mensen en de door AI gegenereerde thema's. De output van Copilot bevatte in 58 % van de gevallen verzonnen citaten, en de AI haalde de thema's alleen uit de eerste paar pagina's van de gegevens in plaats van uit de volledige dataset. De studie legde de beperkingen van de AI van Microsoft Copilot bloot, maar de onderliggende zorg geldt voor andere tools.

De conclusie is niet om AI-ondersteund coderen helemaal te vermijden. AI kan de eerste ronde en het signaleren van patronen voor zijn rekening nemen, maar het interpreteren van nuances, het oplossen van dubbelzinnigheid en het doen van theoretische uitspraken blijven de taak van de onderzoeker.

Uw transcripties voorbereiden op thematische analyse

Er is een stap tussen "ik heb een transcriptie" en "ik begin met coderen" die vaak wordt overgeslagen en die rechtstreeks de kwaliteit van al het daaropvolgende beïnvloedt. Zo pakt u dat aan:

• Kies het juiste transcriptietype. Een woordelijke transcriptie legt elk stopwoord en elke valse start vast, wat geschikt is voor discoursanalyse. Voor thematische analyse is intelligente woordelijke transcriptie meestal de betere keuze, omdat ze de betekenis behoudt zonder de ruis
• Label uw sprekers duidelijk. Als uw interviewtranscriptie niet aangeeft wie wat zei, verliest u het vermogen om bij te houden hoe thema's zich over de deelnemers verdelen of om ervaringen tussen groepen te vergelijken
• Lijn uw tijdcodes uit. Wanneer een gecodeerd segment op papier dubbelzinnig aanvoelt, hebt u een manier nodig om terug te keren naar de oorspronkelijke audio. Een consistente uitlijning van de tijdcodes maakt dat mogelijk zonder door uren opnamen te hoeven scrollen
• Ruim op voordat u codeert. Door AI gegenereerde transcripties bevatten fouten, vooral bij technisch jargon en overlappende dialoog. Fouten corrigeren en de opmaak standaardiseren voordat u codeert, voorkomt dat slechte gegevens in uw codeboek worden ingebakken

Hier kan uw keuze van transcriptieplatform u tijd besparen. HappyScribe neemt de stap van de transcriptievoorbereiding voor zijn rekening, zodat onderzoekers minder tijd kwijt zijn aan opschonen en meer tijd aan coderen.

Een paar functies van HappyScribe die uw leven als onderzoeker rechtstreeks vergemakkelijken:

AI- en professionele transcriptie

De automatische transcriptie van HappyScribe geeft u in enkele minuten een eerste concept. Wanneer precisie de doorslaggevende factor is, kunt u professionele transcriptie aanvragen die 99 % nauwkeurigheid levert.

Deskundige taalkundigen zijn het overwegen waard voor studies waarin de exacte formulering een belangrijk onderdeel van het proces is.

Sprekerherkenning

Met automatische sprekerherkenning komen de transcripties klaar binnen voor codering op deelnemersniveau.

Dit bespaart u niet alleen tijd, maar heeft ook rechtstreeks invloed op uw analyse. Wanneer sprekers vanaf het begin correct worden herkend, kunt u codes per deelnemer filteren en vergelijken hoe hetzelfde thema in de verschillende interviews anders naar voren komt.

Als u met focusgroepen werkt waarin de sprekers elkaar overlappen, maakt nauwkeurige herkenning de toewijzing eenvoudiger.

Interactieve transcriptie-editor

Het bewerken, doorzoeken en herzien van transcripties wordt een stuk eenvoudiger met gesynchroniseerde audioweergave.

Tijdens de fase van vertrouwd raken kunt u tegelijkertijd lezen en luisteren, wat precies is wat Braun en Clarke in Fase 1 aanbevelen.

Tijdens het coderen kunt u op elk segment klikken en horen hoe de deelnemer het uitsprak, waardoor u sarcasme, aarzeling of nadruk opvangt die op papier anders overkomen.

Meertalige ondersteuning

Voor onderzoeksprojecten die meerdere talen omvatten, ondersteunt HappyScribe meer dan 150 talen en dialecten op één platform, zodat meertalige transcriptie en voorbereiding geen aparte tools vereisen.

Of het nu IJslands, Zwitserduits, Swahili of Koreaans is, u kunt wereldwijd onderzoek doen zonder u zorgen te maken over verkeerde interpretaties.

Als u afweegt of automatische transcriptie een goede praktijk is voor kwalitatief onderzoek, hangt die beslissing af van de precisie die uw methodologie vereist. Voor de meeste projecten van thematische analyse is beginnen met AI-transcriptie en die toetsen aan de audio een praktische tussenweg.

Veelgemaakte fouten bij kwalitatief coderen en hoe u ze vermijdt

1. Interviewvragen als thema's gebruiken

Als uw thema's rechtstreeks samenvallen met uw gespreksleidraad, is de kans groot dat u de gegevens hebt geordend in plaats van geanalyseerd.

Thema's moeten voortkomen uit patronen over de antwoorden heen, en niet de vragen weerspiegelen die u hebt gesteld.

Wanneer u merkt dat dit gebeurt, ga dan terug naar uw codes en zoek naar verbanden die dwars door meerdere vragen heen lopen.

2. Te breed of te smal coderen

Een code als "uitdagingen op het werk" vangt alles en onderscheidt niets. Een code als "voelde zich gefrustreerd om 14 uur op dinsdag" komt één keer voor en kan met niets worden vergeleken.

Test uw codes door u af te vragen of elke code vaak genoeg voorkomt om een patroon te onthullen, maar specifiek genoeg blijft om u iets nuttigs over de gegevens te vertellen.

3. De herzieningsfase overslaan

Thema's uit de eerste ronde zijn concepten, geen bevindingen. Ze rapporteren zonder ze te toetsen aan de volledige dataset is hoe tegenstrijdigheden erdoorheen glippen en zwakke thema's overleven.

Bouw ten minste één volledige herzieningsronde in waarin u de oorspronkelijke transcripties opnieuw leest met uw kandidaat-thema's voor u.

4. Tegenstrijdige gegevens negeren

Ontkrachtende gevallen zijn ongemakkelijk, maar ze maken uw analyse sterker wanneer u ze rechtstreeks aanpakt.

Een thema dat alleen werkt door tegenstrijdige gegevens te omzeilen, houdt geen kritische toetsing stand.

Markeer tegenstrijdigheden tijdens het coderen en beslis vervolgens of ze het thema verfijnen of wijzen op iets dat u hebt gemist.

5. Uw codeerbeslissingen niet documenteren

Als u niet kunt uitleggen waarom een code bestaat, waarom hij is veranderd of waarom een thema is geschrapt, verliest uw analyse aan geloofwaardigheid.

Zoals ik in het gedeelte over het codeboek noemde, volstaat het om een lopend logboek bij te houden van wat er is veranderd en waarom. Beoordelaars en examinatoren zullen ernaar zoeken.

Thematische analyse rapporteren in uw methodologiehoofdstuk

Beoordelaars en begeleiders verwachten een duidelijk verslag van hoe u van ruwe transcripties naar de uiteindelijke thema's bent gegaan. Deze checklist behandelt wat u moet opnemen bij het uitwerken van uw methodologie:

• De transcriptiemethode die u hebt gebruikt (AI, professioneel of hybride) en waarom u die hebt gekozen
• De software of tools die voor het coderen zijn gebruikt
• Of uw codeerbenadering inductief, deductief of een combinatie was
• Het aantal codeerrondes dat u hebt voltooid
• Hoe de thema's zijn herzien en verfijnd, inclusief eventuele thema's die zijn opgesplitst, samengevoegd of geschrapt
• Hoe de intercodeurbetrouwbaarheid is beoordeeld en of meer dan één onderzoeker de gegevens heeft gecodeerd
• Of member-checking of validatie door de respondenten deel uitmaakte van uw proces

Het documenteren van uw transcriptiemethode wordt ook in gepubliceerd onderzoek steeds vaker verwacht.

Als u AI-transcriptie hebt gebruikt, willen de beoordelaars weten hoe u de nauwkeurigheid hebt geverifieerd. U doet er goed aan een kort gedeelte over uw kwaliteitscontroleproces op te nemen om alles af te dekken.

Begin met transcripties die u kunt vertrouwen

Thematische analyse is slechts zo sterk als de transcripties die erachter zitten. Als de tekst onnauwkeurig is, de sprekerlabels verkeerd zijn of de opmaak inconsistent is, erft elke daaropvolgende codeerbeslissing die problemen.

HappyScribe geeft u onderzoeksklare transcripties met nauwkeurige sprekerlabeling, gesynchroniseerde audioweergave en ondersteuning voor meer dan 150 talen, zodat u met vertrouwen rechtstreeks aan het coderen kunt gaan.