Jak stosować analizę tematyczną do transkrypcji wywiadów jakościowych

Te ramy, pierwotnie nakreślone przez Braun i Clarke w 2006 roku, stały się od tego czasu jednym z najczęściej cytowanych artykułów metodologicznych w naukach społecznych, z ponad 300 000 cytowań w Google Scholar.

Ale te ramy działają tylko wtedy, gdy leżące u ich podstaw transkrypcje są dobrze zakodowane. Każda faza zależy od tego, jak konsekwentnie otagowano dane, od pierwszego przeczytania aż po końcowe opracowanie.

W tym przewodniku przeprowadzam Państwa przez każdą fazę, dołączając praktyczne decyzje dotyczące kodowania, omawiając narzędzia i przepływy pracy wspierające ten proces oraz wskazując błędy, które kosztują badaczy najwięcej czasu podczas analizy.

Dlaczego transkrypcje wymagają systematycznego przepływu pracy przy kodowaniu

Wyobraźmy to sobie: właśnie zakończono 12 wywiadów. Na ekranie znajduje się ponad 200 stron transkrypcji, a myśli kierują się ku cytatom, które najbardziej zapadły w pamięć. Ta intuicja nie zawsze musi być trafna.

Bez ustrukturyzowanego przepływu pracy przy kodowaniu analiza opiera się na tym, co zapamiętano najlepiej, co zazwyczaj oznacza najnowsze wywiady oraz odpowiedzi potwierdzające to, czego się spodziewano.

I nie jest to wcale marginalne ryzyko. McMullin (2021) podkreśla, że 40-80% badań w naukach społecznych i sektorze trzecim opiera się na metodach jakościowych, takich jak wywiady, grupy fokusowe i obserwacja etnograficzna.

To ogromna ilość danych, która w wytwarzaniu wiarygodnych wniosków zależy od dyscypliny badacza w kodowaniu.

A jeśli nie zachowa się ostrożności wobec uprzedzeń, motywy buduje się ostatecznie na niepełnym materiale dowodowym.

Mimo to systematyczne podejście do kodowania jakościowych danych z wywiadów nie eliminuje interpretacji.

Zmusza ono natomiast do uwzględnienia całego zbioru danych, a nie tylko tych fragmentów, które w danej chwili wydają się najbardziej istotne.

Jeśli wciąż rozważają Państwo, czy w ogóle transkrybować jakościowe wywiady badawcze, to odrębna decyzja. Ten przewodnik zakłada, że dysponują Państwo już transkrypcjami i potrzebują niezawodnego sposobu, by przejść od surowego tekstu do możliwych do obrony motywów.

Kody, kategorie i motywy: co oznacza każdy z tych terminów w analizie jakościowej

Zanim zaczną Państwo kodować motywy w danych jakościowych, warto jasno określić, do czego faktycznie odnosi się każdy z tych terminów. Te trzy pojęcia służą odrębnym celom, a ich mylenie jest jednym z najczęstszych błędów w analizie tematycznej transkrypcji wywiadów.

• Kod to opisowa etykieta nadawana niewielkiemu fragmentowi danych. Ujmuje ona w jednym słowie lub krótkim wyrażeniu, czego dotyczy dany fragment
• Kategoria grupuje powiązane kody, co daje sposób na uporządkowanie kodów bez przechodzenia od razu do interpretacji
• Motyw jest szerszy. Motywy to wzorce znaczeń, które przecinają kategorie i łączą się z pytaniem badawczym. Motywów nie znajduje się po prostu w danych. Konstruuje się je w procesie czytania, kodowania i ponownego czytania

Jedna rzecz warta zapamiętania: jeśli korzystali Państwo z oprogramowania do transkrypcji lub analizy danych jakościowych, prawdopodobnie spotkali się z terminami "tagi", "kody" i "etykiety" używanymi zamiennie. Odnoszą się one do tego samego działania. Tagi w narzędziu do transkrypcji takim jak HappyScribe są funkcjonalnie równoważne kodom w metodologii jakościowej.

Zwracam na to uwagę, ponieważ rozróżnienie jest niewielkie, ale może wprowadzać w błąd badaczy przechodzących między narzędziami. Tag nadany w oprogramowaniu do transkrypcji badawczej ma taką samą wagę jak kod przypisany w NVivo czy ATLAS.ti, dlatego należy traktować go z taką samą rzetelnością od samego początku.

Sześć faz analizy tematycznej transkrypcji wywiadów

Braun i Clarke (2006) opracowali sześciofazowe ramy, które stanowią najczęściej stosowane podejście do analizy tematycznej, i to nie bez powodu.

Fazy następują po sobie, ale nie są ściśle liniowe. Będą Państwo przechodzić między nimi tam i z powrotem, w miarę jak pogłębia się rozumienie danych, co jest oczekiwane i stanowi część procesu.

Poniżej znajduje się adaptowane omówienie krok po kroku dla badaczy pracujących konkretnie z transkrypcjami wywiadów.

Faza 1: Zapoznanie się z danymi

Przeczytaj transkrypcje od początku do końca. Następnie przeczytaj je ponownie. Jeśli wciąż masz dostęp do oryginalnego nagrania, odsłuchaj je, śledząc jednocześnie tekst, ponieważ ton, pauzy i akcenty często niosą znaczenie, które nie odzwierciedla się na papierze. Platforma do transkrypcji, która oferuje dokładne transkrypcje i zsynchronizowane odtwarzanie multimediów, przyspieszy Państwa pracę.

Celem na tym etapie nie jest rozpoczęcie kodowania. Chodzi o zbudowanie szerokiego obrazu tego, co znajduje się w danych, zanim podejmą Państwo jakiekolwiek decyzje analityczne.

Ta faza idzie nie tak, gdy się ją przyspiesza. 12 wywiadów może wydawać się znajomych po jednym przeczytaniu, ale znajomość to nie to samo co zrozumienie. Wzorce zauważone podczas drugiej lub trzeciej rundy mogą okazać się właśnie tymi, które ostatecznie ukształtują motywy.

Aby głębiej przyjrzeć się temu, jak zapoznanie się z danymi wpisuje się w szersze badania, zapoznaj się z naszym przewodnikiem na temat metodologii badań jakościowych.

Faza 2: Generowanie kodów początkowych

To moment, w którym przechodzi się od czytania do etykietowania. Przepracuj każdą transkrypcję linijka po linijce lub fragment po fragmencie i przypisz kod każdej znaczącej jednostce danych.

• Kodowanie indukcyjne (lub otwarte) pozwala, by kody wyłaniały się z samych danych, bez wcześniej zdefiniowanych ram
• Kodowanie dedukcyjne działa w przeciwnym kierunku, gdzie kody wyprowadza się z pytań badawczych, ram teoretycznych lub istniejącej literatury
• Kodowanie in vivo wykorzystuje własne słowa uczestnika jako etykietę kodu, co bywa przydatne, gdy dokładne sformułowanie ma znaczenie

Większość badaczy łączy te podejścia. Można zacząć od dedukcyjnego zestawu kodów wyprowadzonych z pytań badawczych, a następnie pozwolić kodom indukcyjnym ujawnić się w trakcie pracy nad transkrypcjami, które przybierają nieoczekiwany obrót.

Oto jak wygląda to w praktyce, na podstawie krótkiego fragmentu fikcyjnego wywiadu na temat pracy zdalnej:

Dwa z tych kodów, "ograniczony kontakt z przełożonym" oraz "utrata nieformalnej komunikacji", można później zgrupować w kategorii takiej jak doświadczenia wsparcia w miejscu pracy, która łączy się z motywem strukturalnej izolacji w zespołach hybrydowych z wcześniejszej tabeli. Taka jest trajektoria: od kodu do kategorii do motywu.

Częstym błędem na tym etapie jest kodowanie zbyt szerokie lub zbyt wąskie. Omówię to bardziej szczegółowo w dalszej części.

Faza 3: Poszukiwanie motywów

Gdy transkrypcje są już zakodowane, zrób krok w tył i spójrz na kody jako na zbiór. Pogrupuj powiązane kody w kandydujące motywy i wykorzystaj narzędzia wizualne, takie jak mapy tematyczne lub drzewa kodów, aby zobaczyć, jak skupiska odnoszą się do siebie nawzajem.

To faza eksploracyjna. Testuje się grupowania, zauważając, które kody naturalnie do siebie pasują, a które nie należą do żadnej kategorii. Nie przesądzaj jeszcze o ostatecznych motywach.

Faza 4: Przegląd motywów

Na tym etapie zabiera się kandydujące motywy z powrotem do danych. Czy zakodowane fragmenty rzeczywiście potwierdzają motyw, który wokół nich zbudowano? Czy motyw nadal się sprawdza po ponownym przeczytaniu pełnych transkrypcji?

W miarę jak obserwuje się zgodność, motywy zaczynają być dzielone, łączone lub całkowicie odrzucane. Końcowym efektem jest dopracowany zestaw motywów o wyraźniejszych granicach i silniejszym oparciu w danych.

Faza 5: Definiowanie i nazywanie motywów

Każdy zachowany motyw otrzymuje teraz pisemny opis wyjaśniający, co dany motyw obejmuje, czego nie obejmuje i jak odnosi się do sąsiednich motywów. Nadaj mu zwięzłą, opisową nazwę, abyś mógł łatwo go odnaleźć.

Dobre nazwy motywów niosą duży ciężar analityczny. "Strukturalna izolacja w zespołach hybrydowych" mówi czytelnikowi coś konkretnego, natomiast "Problemy z pracą zdalną" nie. Gdy etykiety będą dobrze dobrane, zbiór danych zacznie przypominać ramy tematyczne: nazwane motywy z pisemnymi definicjami i określonym zakresem.

Faza 6: Opracowanie wyników

Ostatnia faza przekształca Państwa ramy tematyczne w narrację, która odpowiada na pytanie badawcze. Każdy motyw staje się sekcją lub argumentem, popartym reprezentatywnymi cytatami z transkrypcji.

Dobieraj cytaty starannie. Najmocniejsze fragmenty to te, w których słowa uczestnika bezpośrednio ilustrują motyw i mogą istnieć samodzielnie przy minimalnym wyjaśnieniu kontekstu.

Aby uzyskać bardziej szczegółowe omówienie przejścia od zakodowanych transkrypcji do pisemnej analizy, ten przewodnik na temat analizowania transkrypcji jakościowych wywiadów badawczych dogłębnie opisuje ten proces.

Jak kodować transkrypcje wywiadów w praktyce

Sześć faz daje Państwu ramy koncepcyjne. Ale teraz czas omówić decyzje, które będą Państwo podejmować, gdy usiądą, by faktycznie kodować.

Kodowanie ręczne a wspomagane oprogramowaniem

Ręczne kodowanie przetrwało próbę czasu i wielu badaczy nadal korzysta z programu Word lub Google Docs z wątkami komentarzy i wyróżnianiem kolorystycznym.

Sprawdza się ono w mniejszych projektach z mniejszą liczbą transkrypcji, ale ograniczenia ujawniają się, gdy próbuje się skalować.

Gdy zaczyna się pracować na 15 czy 20 wywiadach, konsekwentne śledzenie kodów za pomocą komentarzy i wyróżnień staje się trudne do opanowania.

Narzędzia CAQDAS, takie jak NVivo, ATLAS.ti i MAXQDA, są do tego stworzone. Oferują hierarchie kodów, zapytania obejmujące wiele transkrypcji oraz mapowanie wizualne. Warto zauważyć, że NVivo i ATLAS.ti należą obecnie do firmy Lumivero, podczas gdy MAXQDA pozostaje niezależne i często uchodzi za bardziej przystępne w pracy metodami mieszanymi.

Poza tradycyjnymi narzędziami CAQDAS Dovetail obsługuje zespoły UX i produktowe, Delve cieszy się popularnością wśród doktorantów, a Taguette to darmowa opcja open-source dla projektów bez finansowania.

Niezależnie od narzędzia logika kodowania pozostaje taka sama.

Tworzenie księgi kodów

Księga kodów to dokument referencyjny, który utrzymuje spójność kodowania w trakcie wielu przeglądów lub między członkami zespołu.

Jeśli pracują Państwo samodzielnie nad niewielkim badaniem, mogą sobie pozwolić na mniej formalną wersję, ale ta dyscyplina i tak opłaca się na dłuższą metę.

• Zacznij od niewielkiego zestawu kodów wyprowadzonych z kilku pierwszych transkrypcji lub z pytań badawczych
• Napisz krótką definicję każdego kodu wraz z przykładowym fragmentem pokazującym, kiedy ma on zastosowanie
• Zanotuj reguły graniczne określające, kiedy kod nie ma zastosowania, zwłaszcza dla kodów, które się nakładają
• Doskonal je iteracyjnie w miarę pracy nad kolejnymi transkrypcjami, dzieląc, łącząc lub odrzucając kody, które się nie sprawdzają
• Śledź każdą zmianę i stojące za nią uzasadnienie, ponieważ ten dziennik staje się Państwa ścieżką audytu. Rozwinę to później

Kodowanie w zespole

Gdy te same dane koduje więcej niż jeden badacz, w grę wchodzi rzetelność międzykoderska (ICR). Standardową praktyką jest to, by przynajmniej dwoje koderów niezależnie zakodowało podzbiór transkrypcji, a następnie porównało zgodność za pomocą wskaźnika takiego jak kappa Cohena.

Niska zgodność niekoniecznie oznacza, że ktoś zakodował źle; może wskazywać, że kody wymagają jaśniejszych definicji w księdze kodów. Traktuj rozbieżności jako sygnał do rewizji, a nie do narzucania swojego zdania.

Kodowanie wspomagane przez AI

Narzędzia AI potrafią teraz automatycznie sugerować kody, wydobywać wzorce z dużych zbiorów transkrypcji i stosować księgę kodów szybciej niż kodowanie ręczne. Dla badaczy pracujących z ponad 20 godzinami nagrań z wywiadów to godziny zaoszczędzone na powtarzalnej pracy.

Ale te narzędzia mają pewne ograniczenia. Badanie z 2025 roku przeprowadzone przez Jowsey i wsp. przetestowało Microsoft Copilot w analizie tematycznej i wykazało minimalne pokrycie między motywami wygenerowanymi przez człowieka a tymi wygenerowanymi przez AI. Wyniki Copilota zawierały sfabrykowane cytaty w 58% przypadków, a motywy czerpał jedynie z kilku pierwszych stron danych, a nie z całego zbioru. Badanie obnażyło ograniczenia Microsoft Copilot AI, ale leżące u podstaw obawy dotyczą także innych narzędzi.

Wniosek nie jest taki, by całkowicie unikać kodowania wspomaganego przez AI. AI może zająć się wstępnym przejściem i wskazywaniem wzorców, ale interpretowanie niuansów, rozwiązywanie niejednoznaczności i formułowanie twierdzeń teoretycznych pozostaje zadaniem badacza.

Przygotowanie transkrypcji do analizy tematycznej

Istnieje krok między "mam transkrypcję" a "zaczynam kodować", który często jest pomijany, a bezpośrednio wpływa na jakość wszystkiego, co następuje później. Oto jak należy do tego podejść:

• Wybierz odpowiedni rodzaj transkrypcji. Transkrypcja dosłowna oddaje każde słowo wypełniające i każdy falstart, co odpowiada analizie dyskursu. W przypadku analizy tematycznej zwykle lepiej sprawdza się inteligentna transkrypcja dosłowna, ponieważ zachowuje znaczenie bez zbędnego szumu
• Wyraźnie oznaczaj mówców. Jeśli Państwa transkrypcja wywiadu nie wskazuje, kto co powiedział, traci się możliwość śledzenia, jak motywy rozkładają się między uczestnikami, lub porównywania doświadczeń między grupami
• Dopasuj znaczniki czasu. Gdy zakodowany fragment wydaje się niejednoznaczny na papierze, potrzebny jest sposób, by wrócić do oryginalnego nagrania. Konsekwentne dopasowanie znaczników czasu umożliwia to bez przewijania godzin nagrań
• Uporządkuj dane przed kodowaniem. Transkrypcje wygenerowane przez AI będą zawierać błędy, zwłaszcza przy słownictwie technicznym i nakładających się wypowiedziach. Poprawienie błędów i ujednolicenie formatowania przed kodowaniem zapobiega utrwaleniu złych danych w księdze kodów

To właśnie tutaj wybór platformy do transkrypcji może zaoszczędzić Państwu czas. HappyScribe zajmuje się etapem przygotowania transkrypcji, dzięki czemu badacze spędzają mniej czasu na porządkowaniu, a więcej na kodowaniu.

Kilka funkcji HappyScribe, które bezpośrednio ułatwiają życie badaczowi:

Transkrypcja AI i transkrypcja profesjonalna

Automatyczna transkrypcja HappyScribe daje pierwszą wersję roboczą w kilka minut. Gdy najważniejsza jest precyzja, można zamówić transkrypcję profesjonalną, która zapewnia 99% dokładności.

Eksperci językowi są warci rozważenia w badaniach, w których dokładne sformułowanie stanowi ważną część procesu.

Rozpoznawanie mówców

Dzięki automatycznej identyfikacji mówców transkrypcje przychodzą gotowe do kodowania na poziomie uczestników.

To nie tylko oszczędza czas, ale także bezpośrednio wpływa na analizę. Gdy mówcy są poprawnie zidentyfikowani od samego początku, można filtrować kody według uczestnika i porównywać, jak ten sam motyw ujawnia się inaczej w różnych wywiadach.

Jeśli pracują Państwo z grupami fokusowymi, w których mówcy mówią jednocześnie, dokładne rozpoznawanie ułatwia przypisanie wypowiedzi.

Interaktywny edytor transkrypcji

Edytowanie, przeszukiwanie i przeglądanie transkrypcji staje się o wiele prostsze dzięki zsynchronizowanemu odtwarzaniu audio.

Na etapie zapoznawania się z danymi można jednocześnie czytać i słuchać, co jest dokładnie tym, co Braun i Clarke zalecają w Fazie 1.

Podczas kodowania można kliknąć dowolny fragment i usłyszeć, jak uczestnik go wypowiedział, wychwytując sarkazm, wahanie lub akcent, które na papierze odczytuje się inaczej.

Obsługa wielojęzyczna

W przypadku projektów badawczych obejmujących wiele języków HappyScribe obsługuje ponad 150 języków i dialektów na jednej platformie, dzięki czemu wielojęzyczna transkrypcja i przygotowanie danych nie wymagają osobnych narzędzi.

Czy to islandzki, szwajcarski niemiecki, suahili czy koreański, mogą Państwo prowadzić globalne badania bez obaw o błędne interpretacje.

Jeśli rozważają Państwo, czy automatyczna transkrypcja jest dobrą praktyką w badaniach jakościowych, ta decyzja zależy od precyzji wymaganej przez Państwa metodologię. W przypadku większości projektów analizy tematycznej rozpoczęcie od transkrypcji AI i sprawdzenie jej względem nagrania to praktyczny złoty środek.

Częste błędy w kodowaniu jakościowym i jak ich unikać

1. Używanie pytań z wywiadu jako motywów

Jeśli Państwa motywy bezpośrednio pokrywają się ze scenariuszem rozmowy, istnieje duża szansa, że dane raczej uporządkowano, niż przeanalizowano.

Motywy powinny wyłaniać się z wzorców w odpowiedziach, a nie odzwierciedlać zadane pytania.

Gdy zauważysz, że tak się dzieje, wróć do swoich kodów i poszukaj powiązań, które przecinają wiele pytań.

2. Kodowanie zbyt szerokie lub zbyt wąskie

Kod taki jak "wyzwania w miejscu pracy" obejmuje wszystko i niczego nie rozróżnia. Kod taki jak "poczuł frustrację o 14:00 we wtorek" pojawia się raz i nie da się go z niczym porównać.

Sprawdź swoje kody, pytając, czy każdy z nich pojawia się wystarczająco często, by ujawnić wzorzec, ale pozostaje wystarczająco konkretny, by powiedzieć coś użytecznego o danych.

3. Pomijanie fazy przeglądu

Motywy z pierwszego przejścia to wersje robocze, a nie wnioski. Raportowanie ich bez sprawdzenia względem całego zbioru danych to sposób, w jaki przemykają sprzeczności, a słabe motywy przetrwają.

Wbuduj przynajmniej jedno pełne przejście przeglądowe, podczas którego ponownie przeczytasz oryginalne transkrypcje z kandydującymi motywami przed sobą.

4. Ignorowanie sprzecznych danych

Przypadki niepotwierdzające są niewygodne, ale wzmacniają analizę, gdy zmierzy się z nimi bezpośrednio.

Motyw, który działa wyłącznie dzięki omijaniu sprzecznych danych, nie przetrwa wnikliwej oceny.

Oznaczaj sprzeczności podczas kodowania, a następnie zdecyduj, czy doprecyzowują one motyw, czy wskazują na coś, co przeoczono.

5. Brak dokumentowania decyzji dotyczących kodowania

Jeśli nie potrafią Państwo wyjaśnić, dlaczego kod istnieje, dlaczego się zmienił lub dlaczego motyw został odrzucony, analiza traci wiarygodność.

Jak wspomniałem w sekcji o księdze kodów, wystarczy prowadzenie bieżącego dziennika tego, co się zmieniło i dlaczego. Recenzenci i egzaminatorzy będą go szukać.

Opisywanie analizy tematycznej w sekcji metodologii

Recenzenci i promotorzy oczekują jasnego opisu tego, jak przeszli Państwo od surowych transkrypcji do ostatecznych motywów. Ta lista kontrolna obejmuje to, co należy uwzględnić przy opracowywaniu metodologii:

• Zastosowana metoda transkrypcji (AI, profesjonalna lub hybrydowa) oraz dlaczego ją wybrano
• Oprogramowanie lub narzędzia użyte do kodowania
• Czy podejście do kodowania było indukcyjne, dedukcyjne, czy stanowiło połączenie obu
• Liczba ukończonych przejść kodowania
• Jak motywy były przeglądane i doprecyzowywane, w tym wszelkie motywy, które zostały podzielone, połączone lub odrzucone
• Jak oceniono rzetelność międzykoderską oraz czy dane kodował więcej niż jeden badacz
• Czy weryfikacja przez uczestników lub walidacja respondentów była częścią Państwa procesu

Dokumentowanie zastosowanej metody transkrypcji jest także coraz częściej oczekiwane w publikowanych badaniach.

Jeśli korzystali Państwo z transkrypcji AI, recenzenci będą chcieli wiedzieć, jak zweryfikowano dokładność. Warto uwzględnić krótką sekcję na temat procesu kontroli jakości, aby zabezpieczyć wszystkie aspekty.

Zacznij od transkrypcji, którym możesz zaufać

Analiza tematyczna jest tylko tak mocna, jak transkrypcje, które za nią stoją. Jeśli tekst jest niedokładny, oznaczenia mówców są błędne lub formatowanie jest niespójne, każda kolejna decyzja dotycząca kodowania dziedziczy te problemy.

HappyScribe zapewnia transkrypcje gotowe do badań z dokładną identyfikacją mówców, zsynchronizowanym odtwarzaniem audio oraz obsługą ponad 150 języków, dzięki czemu mogą Państwo przejść prosto do kodowania z pełnym przekonaniem.