Wie man eine thematische Analyse mit KI durchführt: Schritt für Schritt

Die thematische Analyse ist eine Methode, um Bedeutungsmuster in qualitativen Daten wie Interviewtranskripten oder offenen Umfrageantworten zu finden. Um sie mit KI durchzuführen, laden Sie Ihre Transkripte und Ihre Forschungsfrage hoch, lassen Sie die KI erste Codes vorschlagen und entwickeln und überprüfen Sie die Themen dann selbst. KI beschleunigt das Lesen und Sortieren. Die Interpretation bleibt bei Ihnen.

Dieser Leitfaden erklärt, was eine thematische Analyse ist, führt durch die sechs Phasen und zeigt, wo KI hilft und wo sie nicht entscheiden sollte. Er enthält ein praktisches Beispiel, ein Format für eine Ergebnistabelle und einen Vergleich mit der Inhaltsanalyse.

Was eine thematische Analyse ist

Virginia Braun und Victoria Clarke, die die am häufigsten zitierte Version der Methode entwickelt haben, definieren sie auf ihrer Website so: „Die thematische Analyse (TA) bezieht sich auf eine Reihe qualitativer Forschungsmethoden, die zur Untersuchung und Interpretation von Bedeutungsmustern in Datensätzen verwendet werden.“

Zwei Wörter in dieser Definition sind entscheidend. „Reihe“ bedeutet, dass die thematische Analyse eine Familie von Ansätzen ist und kein einzelnes, starres Verfahren. „Interpretation“ bedeutet, dass das Ergebnis eine Argumentation darüber ist, was die Daten bedeuten, und nicht eine bloße Zählung dessen, was darin steht.

Braun und Clarke unterteilen diese Familie in drei Cluster: Ansätze zur Codierungszuverlässigkeit, Codebuch-Ansätze und ihren eigenen reflexiven Ansatz. Dieser Unterschied beeinflusst, wie Sie KI einsetzen.

• Codierungszuverlässigkeit legt frühzeitig ein Codebuch fest und prüft, ob verschiedene Codierer es auf dieselbe Weise anwenden.
• Codebuch-Ansätze verwenden ebenfalls einen strukturierten Rahmen, lassen jedoch eine gewisse Weiterentwicklung zu.
• Die reflexive thematische Analyse hält die Codierung offen und lässt Veränderungen zu, während sich Ihr Verständnis vertieft. In ihren FAQs heißt es klipp und klar: „Die reflexive TA verzichtet auf Codebücher.“

Bei der reflexiven thematische Analyse ist ein Thema mehr als nur ein Aspekt. Braun und Clarke beschreiben Themen als „Muster geteilter Bedeutung, die von einem zentralen Konzept oder einer Idee getragen werden“. Ein Thema wie „Preisgestaltung“ ist kein Thema im Sinne der Analyse. „Kunden verstehen den Preis als Signal des Vertrauens“ hingegen schon.

Die sechs Phasen

Braun und Clarke skizzieren sechs Phasen. Sie betonen, dass „diese Phasen keinen starren Prozess vorschreiben, dem Sie folgen müssen“. In der Praxis bewegen Sie sich zwischen ihnen hin und her.

1. Sich mit dem Datensatz vertraut machen. Lesen und wiederholtes Lesen der Daten sowie Notieren erster Beobachtungen.
2. Codieren. Zuweisen kurzer Labels zu aussagekräftigen Segmenten im gesamten Datensatz in zwei oder mehr Durchgängen.
3. Erste Themen generieren. Gruppieren der Codes zu potenziellen Bedeutungsmustern.
4. Themen entwickeln und überprüfen. Abgleichen jedes Kandidaten mit den codierten Daten und dem gesamten Datensatz. Themen nach Bedarf aufteilen, zusammenführen oder verwerfen.
5. Themen verfeinern, definieren und benennen. Den Umfang und die Aussage jedes Themas herausarbeiten und ihm einen aussagekräftigen Namen geben.
6. Den Bericht verfassen. Verweben des analytischen Berichts mit Datenauszügen und Verknüpfen mit der bestehenden Literatur.

Ihre Website beschreibt den Prozess ehrlich: „Die Analyse ist typischerweise ein rekursiver Prozess.“ Stellen Sie sich darauf ein, zur Codierung zurückzukehren, nachdem Sie mit dem Erstellen von Themen begonnen haben.

Wo KI hilft und wo sie nicht entscheiden sollte

KI ist in den Phasen, in denen es um große Mengen geht, wirklich nützlich. Sie kann vierzig Transkripte schnell lesen, potenzielle Codes vorschlagen, jeden zu einem Code passenden Auszug heraussuchen und zählen, wie oft ein Muster auftritt.

Sie sollte jedoch keine interpretativen Entscheidungen treffen. Braun und Clarke schreiben, dass „qualitative Analyse ein qualifizierter, situierter, subjektiver Prozess ist“. Ein Modell teilt nicht Ihr Interesse an der Forschungsfrage und kennt nur den Kontext, den Sie ihm vorgeben.

Ihre FAQs enthalten einen ähnlichen Punkt zu Analysesoftware. Worauf es ankommt, so schreiben sie, ist, „ein bewusster Forscher zu sein“. Das bedeutet, jedes Werkzeug so einzusetzen, dass es zu den Werten des von Ihnen gewählten Ansatzes passt.

Eine praktikable Aufteilung sieht so aus:

Phase	Was die KI tun kann	Was Sie entscheiden
Vertraut machen	Jedes Transkript zusammenfassen, überraschende Passagen markieren	Welche Passagen für Ihre Frage wichtig sind
Codieren	Erste Codes vorschlagen und diese konsistent anwenden	Welche Codes beibehalten, zusammengeführt oder umbenannt werden sollen
Themen generieren	Codes gruppieren und unterstützende Auszüge heraussuchen	Ob eine Gruppe ein echtes Bedeutungsmuster darstellt
Themen überprüfen	Den Datensatz nach Gegenbeispielen durchsuchen	Ob ein Thema Bestand hat
Themen benennen	Namen und einzeilige Definitionen vorschlagen	Der endgültige Name und die Geschichte, die er erzählt
Bericht verfassen	Abschnitte entwerfen und Zitate zusammenstellen	Die Argumentation und ihre Aussagen

Wenn Sie einen Codebuch-Ansatz verwenden, können die KI-Ergebnisse als Entwurf für ein Codebuch dienen. Wenn Sie die reflexive thematische Analyse nutzen, betrachten Sie die KI-Codes als Denkanstöße und nicht als die Analyse selbst.

Unabhängig davon, welchen Ansatz Sie wählen, sollten Sie dokumentieren, wie die KI einbezogen wurde. Notieren Sie das Tool, die Phasen, bei denen es geholfen hat, und was Sie danach geändert haben. Ein kurzer Methodenabschnitt beantwortet diese Frage, noch bevor ein Gutachter, Prüfer oder Stakeholder sie stellt.

Was Sie vor dem Start benötigen

Bereiten Sie vier Dinge vor, bevor ein KI-Tool die Daten berührt.

Eine klare Forschungsfrage. Jeder Code und jedes Thema wird daran gemessen. „Was erleben Kunden während des Onboardings?“ führt zu einer anderen Analyse als „Warum kündigen Kunden im ersten Monat?“.

Bereinigte, anonymisierte Transkripte. Entfernen Sie Namen, Firmennamen, E-Mails und alle Details, die einen Teilnehmer identifizieren könnten. Tun Sie dies vor dem Upload, nicht danach. Überprüfen Sie Ihre Ethikfreigabe oder Einverständniserklärungen auf Einschränkungen bezüglich Drittanbieter-Tools.

Ein Notizdokument für Ihre eigenen Reflexionen. Die reflexive thematische Analyse stellt die Perspektive des Forschers in den Vordergrund. Führen Sie ein fortlaufendes Protokoll Ihrer Annahmen und Reaktionen beim Lesen, unabhängig von den Ergebnissen der KI.

Ein einheitliches Dateiformat. Eine Datei pro Interview mit Sprecher-Labels erleichtert es, jeden Auszug bis zu seiner Quelle zurückzuverfolgen. Führen Sie einen einfachen Index, der die Teilnehmer-Codes den Interviewdaten zuordnet.

Wie man eine thematische Analyse mit KI durchführt

Die folgenden Schritte orientieren sich an den sechs Phasen, unterteilt in drei Arbeitssitzungen.

Schritt 1: Transkripte laden und Forschungsfrage festlegen

Laden Sie die anonymisierten Transkripte in einen KI-Arbeitsbereich wie Powerdrill Bloom hoch. Die Tarife unterstützen Uploads von Excel, CSV, PDF und Dokumenten, sodass Transkripte in Word oder PDF direkt verwendet werden können. Auch in eine Tabelle exportierte offene Umfrageantworten funktionieren.

Formulieren Sie zuerst die Forschungsfrage, noch vor jeder anderen Anfrage. Bitten Sie dann um eine kurze Zusammenfassung jedes Transkripts und eine Liste der Passagen, die sich auf die Frage beziehen.

Lesen Sie diese Zusammenfassungen und lesen Sie dann die Transkripte selbst. KI-Zusammenfassungen beschleunigen das Vertrautmachen, ersetzen es aber nicht. Notieren Sie Ihre eigenen ersten Eindrücke in einem separaten Dokument, bevor Sie sich die von der KI generierten Codes ansehen.

Schritt 2: Erste Codes generieren, dann selbst noch einmal codieren

Bitten Sie die KI, Codes für jedes Transkript vorzuschlagen. Fordern Sie kurze Labels, eine einzeilige Definition für jedes Label und die genauen Auszüge an, die sie belegen.

Eine nützliche Anfrage ist kurz und spezifisch. Codieren Sie das Transkript nach allem, was für die Forschungsfrage relevant ist, halten Sie die Labels unter fünf Wörtern und zitieren Sie für jedes die genaue Textstelle. Die Anforderung genauer Textstellen macht es leicht, Codes zu erkennen, die sich von dem entfernt haben, was der Teilnehmer tatsächlich gesagt hat.

Führen Sie dann eine zweite Codierungsrunde auf eigene Faust durch. Vergleichen Sie Ihre Codes mit der Liste der KI. Wo sie übereinstimmen, beschreibt der Code wahrscheinlich etwas, das eindeutig vorhanden ist. Wo sie sich unterscheiden, schauen Sie genau hin. Entweder hat die KI etwas bemerkt, das Sie übersehen haben, oder sie hat eher oberflächliche Formulierungen als die eigentliche Bedeutung codiert.

Halten Sie jeden Auszug rückverfolgbar. Jeder Code sollte auf einen Teilnehmer und eine Passage verweisen. Auf der Homepage von Powerdrill Bloom heißt es, dass jede Zahl „mit der Seite, der Zeile und der Zahl dahinter zurückgegeben wird“, und dieselbe Rückverfolgbarkeit ist auch für Zitate wichtig.

Schritt 3: Potenzielle Themen erstellen und mit den Daten abgleichen

Bitten Sie die KI, Ihre endgültigen Codes zu potenziellen Themen zu gruppieren, zusammen mit den jeweils unterstützenden Auszügen. Betrachten Sie diese Cluster als Ausgangspunkt.

Stellen Sie sich bei jedem Kandidaten eine Frage: Gibt es ein zentrales Konzept oder eine Idee dahinter? Wenn die Antwort nur ein gemeinsames Thema ist, handelt es sich noch nicht um ein Thema im Sinne der Analyse. Teilen Sie es auf, führen Sie es zusammen oder verwerfen Sie es.

Testen Sie anschließend jedes Thema. Bitten Sie die KI, Auszüge zu finden, die ihm widersprechen. Ein Thema, das eine gezielte Suche nach Gegenbeispielen übersteht, ist stärker als eines, das nie hinterfragt wurde.

Benennen Sie schließlich jedes Thema und schreiben Sie eine Definition aus zwei Sätzen. Entwerfen Sie den Bericht Abschnitt für Abschnitt und überprüfen Sie jedes Zitat anhand des Originaltranskripts, bevor es in den Bericht einfließt.

Ein praktisches Beispiel

Hier ist eine Kurzversion des Prozesses anhand einer Produktstudie mit zwölf Kundeninterviews. Die Forschungsfrage lautete, warum neue Kunden das Produkt innerhalb von 30 Tagen nicht mehr nutzten.

Zu den ersten KI-Codes gehörten „Einrichtung dauerte zu lange“, „unklare Preisgestaltung“ und „IT-Genehmigung erforderlich“.

Nach einer zweiten Codierungsrunde stellte der Forscher fest, dass alle drei Punkte in Interviews mit Personen auftauchten, die das Produkt nicht selbst ausgewählt hatten.

Das daraus resultierende Thema war „Einführung ohne Eigenverantwortung“. Kunden, die das Produkt übernommen hatten, hatten keinen Grund, anfängliche Hürden zu überwinden.

Der Forscher bat die KI daraufhin um Gegenbeispiele: Kunden, die das Produkt nicht selbst gewählt hatten, aber dennoch blieben. Zwei Interviews passten dazu. Beide beschrieben einen Kollegen, der ihnen in der ersten Woche einen schnellen Erfolg zeigte, was das Thema eher verfeinerte als entkräftete.

Die KI brachte die Codes schnell zum Vorschein. Das Thema entstand dadurch, dass der Forscher bemerkte, wer diese Aussagen machte – was kein Code für sich allein erfasste.

Wie man die Ergebnisse einer thematischen Analyse präsentiert

Ein Ergebnisabschnitt beginnt in der Regel mit einer Tabelle der Themen und diskutiert dann jedes Thema anhand von unterstützenden Auszügen. Die folgende Tabelle zeigt ein gängiges Format.

Thema	Definition	Teilnehmer	Beispielauszug
Einführung ohne Eigenverantwortung	Nutzer, die das Produkt nicht selbst gewählt hatten, hatten kaum Grund, dranzubleiben	7 von 12	„Mir wurde gesagt, ich solle es benutzen, also habe ich das Minimum getan.“
Einrichtung als erster Eindruck	Der anfängliche Einrichtungsaufwand prägte das Gesamtbild des Produkts	9 von 12	„Wenn die erste Stunde schwierig ist, nimmt man an, dass der Rest es auch sein wird.“

Lassen Sie auf die Tabelle einen kurzen Abschnitt für jedes Thema folgen. Erklären Sie die zentrale Idee, zeigen Sie zwei oder drei Auszüge und verknüpfen Sie diese mit Ihrer Forschungsfrage.

Wählen Sie Auszüge, die das Thema aus verschiedenen Blickwinkeln beleuchten, anstatt drei Zitate zu bringen, die dasselbe aussagen. Halten Sie sie kurz und ordnen Sie sie immer einem Teilnehmer-Code zu. Leser vertrauen einem Thema mehr, wenn sie es aus verschiedenen Stimmen hören.

Teilnehmerzahlen sind ein hilfreicher Kontext, aber der Ansatz von Braun und Clarke betrachtet die Häufigkeit nicht als Maß für die Bedeutung. Ein Thema, das von vier Personen genannt wird, kann wichtiger sein als eines, das von zehn Personen erwähnt wird.

Für ein Stakeholder-Publikum werden dieselben Ergebnisse oft in einer kurzen Präsentation zusammengefasst. Das Tool AI research synthesis beschreibt diesen Weg, bei dem Transkripte und Umfragen zu Themen, Belegen und einer Stakeholder-Präsentation zusammengeführt werden.

Thematische Analyse vs. Inhaltsanalyse

Die beiden Methoden werden oft verwechselt, da beide mit qualitativen Daten arbeiten.

	Thematische Analyse	Inhaltsanalyse
Hauptziel	Bedeutungsmuster interpretieren	Inhalte kategorisieren und oft zählen
Ergebnis	Themen mit einer zentralen Idee	Kategorien mit Häufigkeiten
Rolle des Zählens	Höchstens unterstützender Kontext	Oft zentral
Am besten geeignet für	Verstehen von Erfahrungen und Ansichten	Messen, wie oft etwas vorkommt

Wenn Ihre Frage lautet „Wie oft erwähnen Kunden die Preisgestaltung?“, ist die Inhaltsanalyse geeignet. Wenn sie lautet „Was bedeutet die Preisgestaltung für Kunden?“, passt die thematische Analyse.

Einige Projekte nutzen beide Methoden nacheinander. Ein Häufigkeitsdurchlauf über einen großen Datensatz zeigt, wo die Schwerpunkte liegen. Ein thematischer Durchlauf bei einer kleineren, fokussierten Stichprobe erklärt dann, was diese Schwerpunkte bedeuten.

Bei Feedback in großem Umfang, wie Tausenden von Bewertungen oder Support-Tickets, ist eine Häufigkeitsansicht oft der erste Schritt. Der Voice of Customer Summarizer fasst Feedback-Kanäle in Themen mit Häufigkeit und einem repräsentativen O-Ton für jedes Thema zusammen.

Thematische Analyse in Excel

Viele Forscher codieren immer noch in einer Tabellenkalkulation, und bei kleinen Studien funktioniert das gut. Ein einfaches Layout verwendet eine Zeile pro Auszug.

• Spalte A: Teilnehmer-Code.
• Spalte B: der Auszug, exakt kopiert.
• Spalte C: Code der ersten Runde.
• Spalte D: Code der zweiten Runde.
• Spalte E: potenzielles Thema.

Das Filtern nach Themen liefert Ihnen dann alle unterstützenden Auszüge in einer einzigen Ansicht. Eine Zählung der Zeilen pro Thema und pro Teilnehmer zeigt zudem auf einen Blick, ob ein Thema nur auf einem einzigen, redseligen Befragten basiert. Die Grenze liegt in der Skalierbarkeit. Ab einigen hundert Auszügen wird das Sortieren und Neucodieren von Hand mühsam – hier spart das KI-gestützte Clustering die meiste Zeit.

Wenn Ihr Projekt auch eine Überprüfung veröffentlichter Studien umfasst, deckt unser Leitfaden zum Schreiben einer Literaturübersicht mit KI diesen Teil ab.

Häufige Fehler

• Themenbereiche als Themen behandeln. „Kommunikation“ ist ein Themenbereich. Ein Thema im Sinne der Analyse sagt etwas darüber aus.
• KI-Codes ohne eine zweite Runde übernehmen. Codes aus dem ersten Durchgang kennzeichnen oft eher Formulierungen als die eigentliche Bedeutung.
• Identifizierbare Daten hochladen. Anonymisieren Sie Transkripte vor jedem Upload.
• Zählen als Beweis betrachten. Häufigkeit stützt ein Thema, begründet es aber nicht.
• Die Suche nach Gegenbeispielen überspringen. Ein Thema, das nie hinterfragt wurde, ist schwächer, als es scheint.
• Die KI die Themen benennen lassen. Namen transportieren die Argumentation, schreiben Sie sie also selbst, sobald die Themen feststehen und definiert sind.

Diese Punkte richtig zu machen, unterscheidet eine glaubwürdige Analyse von einer bloßen Zusammenfassung mit Überschriften. Wenn Sie das Lesen, Codieren und Gruppieren Ihrer eigenen Transkripte schneller erledigen möchten, können Sie Powerdrill Bloom für eine Studie ausprobieren.

Häufig gestellte Fragen

Was ist eine thematische Analyse in einfachen Worten?

Die thematische Analyse ist eine Methode, um Bedeutungsmuster in qualitativen Daten wie Interviews zu finden und zu interpretieren. Der Forscher codiert die Daten, gruppiert die Codes zu Themen und erklärt, was jedes Thema über die Forschungsfrage aussagt.

Was sind die sechs Schritte der thematischen Analyse?

Die sechs Phasen von Braun und Clarke sind: sich mit dem Datensatz vertraut machen, codieren, erste Themen generieren, Themen entwickeln und überprüfen sowie Themen verfeinern, definieren und benennen. Die sechste Phase ist das Verfassen des Berichts. Sie weisen darauf hin, dass diese Phasen keine starren Regeln sind.

Kann KI eine thematische Analyse durchführen?

KI kann bei der Bewältigung großer Mengen helfen, z. B. beim Zusammenfassen von Transkripten, Vorschlagen von Codes und Extrahieren von Textstellen. Die interpretative Arbeit, zu entscheiden, was ein Thema bedeutet, erfordert nach wie vor den Forscher. Braun und Clarke beschreiben die qualitative Analyse als einen qualifizierten, situierten, subjektiven Prozess.

Wie viele Themen sollte eine thematische Analyse haben?

Braun und Clarke sagen: „Es gibt keine genaue Formel zur Bestimmung der Anzahl der Themen in einer TA.“ Es hängt von den Daten, der Forschungsfrage und der Länge des Berichts ab. Eine Analyse kann ein Thema eingehend behandeln oder einen breiteren Überblick geben.

Was ist der Unterschied zwischen thematischer Analyse und Inhaltsanalyse?

Die thematische Analyse interpretiert Bedeutungsmuster und erzeugt Themen. Die Inhaltsanalyse kategorisiert Inhalte und zählt oft, wie häufig Kategorien vorkommen. Wählen Sie die thematische Analyse, um Erfahrungen zu verstehen, und die Inhaltsanalyse, um Häufigkeiten zu messen.

Quellen: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs. Das praktische Beispiel und die Ergebnistabelle dienen der Veranschaulichung.