Come fare l'analisi tematica con l'IA: passo dopo passo

L'analisi tematica è un metodo per individuare pattern di significato all'interno di dati qualitativi, come trascrizioni di interviste o risposte a domande aperte di sondaggi. Per eseguirla con l'AI, carica le trascrizioni e la domanda di ricerca, lascia che l'AI proponga i codici preliminari, quindi sviluppa e verifica i temi autonomamente. L'AI velocizza la lettura e il riordino. L'interpretazione spetta a te.

Questa guida spiega cos'è l'analisi tematica, illustra le sei fasi e mostra dove l'AI è d'aiuto e dove invece non dovrebbe decidere. Include un esempio pratico, un formato per la tabella dei risultati e un confronto con l'analisi del contenuto.

Cos'è l'analisi tematica

Virginia Braun e Victoria Clarke, che hanno sviluppato la versione più citata di questo metodo, lo definiscono sul loro sito. "L'analisi tematica (TA) si riferisce a una gamma di metodi di ricerca qualitativa utilizzati per esplorare e interpretare significati ricorrenti all'interno di set di dati."

Due parole in questa definizione sono fondamentali. "Gamma" significa che l'analisi tematica è una famiglia di approcci, non una procedura fissa. "Interpretare" significa che il risultato è un'argomentazione su ciò che i dati significano, non un semplice conteggio di ciò che dicono.

Braun e Clarke raggruppano questa famiglia in tre cluster: approcci basati sull'affidabilità della codifica, approcci basati sul codebook e il loro approccio riflessivo. Questa differenza influisce sul modo in cui utilizzi l'AI.

• L'affidabilità della codifica fissa un codebook fin dall'inizio e verifica che diversi codificatori lo applichino allo stesso modo.
• Gli approcci basati sul codebook utilizzano anch'essi un framework strutturato, ma ne consentono una parziale evoluzione.
• L'analisi tematica riflessiva mantiene la codifica aperta e permette che cambi man mano che la comprensione si approfondisce. Le loro FAQ affermano chiaramente che "La TA riflessiva evita i codebook".

Nell'analisi tematica riflessiva, un tema è più di un semplice argomento. Braun e Clarke descrivono i temi come un "pattern di significato condiviso supportato da un concetto o un'idea centrale". Un argomento come "pricing" non è un tema. "I clienti interpretano il prezzo come un segnale di fiducia" lo è.

Le sei fasi

Braun e Clarke delineano sei fasi. Sottolineano che "Queste fasi non prescrivono un processo rigido da seguire obbligatoriamente". Nella pratica, ci si sposta continuamente avanti e indietro tra di esse.

1. Familiarizzare con il set di dati. Leggere e rileggere i dati e annotare le prime osservazioni.
2. Codificare. Associare brevi etichette a segmenti significativi, sull'intero set di dati, in due o più passaggi.
3. Generare i temi iniziali. Raggruppare i codici in potenziali pattern di significato.
4. Sviluppare e rivedere i temi. Verificare ogni potenziale tema rispetto ai dati codificati e all'intero set di dati. Dividere, unire o eliminare i temi a seconda delle necessità.
5. Affinare, definire e nominare i temi. Definire l'ambito e la storia di ogni tema e assegnargli un nome informativo.
6. Stesura del report. Intrecciare la narrazione analitica con gli estratti dei dati e collegarla alla letteratura esistente.

Il loro sito descrive il processo con onestà: "l'analisi è tipicamente un processo ricorsivo". Aspettati di dover tornare alla codifica dopo aver iniziato a costruire i temi.

Dove l'AI aiuta e dove non dovrebbe decidere

L'AI è davvero utile per le fasi che comportano grandi volumi di lavoro. Può leggere rapidamente quaranta trascrizioni, suggerire codici candidati, estrarre ogni passaggio corrispondente a un codice e contare la frequenza con cui appare un pattern.

Non dovrebbe invece prendere decisioni interpretative. Braun e Clarke scrivono che "L'analisi qualitativa è un processo esperto, situato e soggettivo". Un modello non condivide il tuo interesse per la domanda di ricerca e conosce solo il contesto che gli fornisci.

Le loro FAQ sollevano un punto simile riguardo ai software di analisi. Ciò che conta, scrivono, è "essere un ricercatore consapevole". Questo significa utilizzare qualsiasi strumento in modo coerente con i valori dell'approccio scelto.

Una suddivisione pratica si presenta così:

Fase	Cosa può fare l'AI	Cosa decidi tu
Familiarizzazione	Riassumere ogni trascrizione, segnalare passaggi sorprendenti	Quali passaggi sono rilevanti per la tua domanda
Codifica	Proporre codici preliminari e applicarli in modo coerente	Quali codici mantenere, unire o rinominare
Generazione dei temi	Raggruppare i codici ed estrarre i passaggi di supporto	Se un gruppo rappresenta un reale pattern di significato
Revisione dei temi	Cercare controesempi nel set di dati	Se un tema regge alla prova dei fatti
Denominazione dei temi	Suggerire nomi e definizioni di una riga	Il nome finale e la storia che racconta
Stesura del report	Abbozzare sezioni e assemblare citazioni	L'argomentazione e le sue tesi

Se utilizzi un approccio basato sul codebook, l'output dell'AI può fungere da bozza per il codebook. Se utilizzi l'analisi tematica riflessiva, tratta i codici dell'AI como spunti di riflessione e non come l'analisi vera e propria.

Indipendentemente dall'approccio utilizzato, registra il modo in cui l'AI è stata coinvolta. Specifica lo strumento, le fasi in cui ha fornito supporto e cosa hai modificato successivamente. Un breve paragrafo sulla metodologia risponde alla domanda prima ancora che un revisore, un esaminatore o uno stakeholder la ponga.

Cosa ti serve prima di iniziare

Prepara quattro cose prima che qualsiasi strumento di AI tocchi i dati.

Una domanda di ricerca chiara. Ogni codice e tema viene valutato in base ad essa. "Qual è l'esperienza dei clienti durante l'onboarding?" produce un'analisi diversa rispetto a "Perché i clienti annullano l'abbonamento nel primo mese?"

Trascrizioni pulite e anonimizzate. Rimuovi nomi, nomi di aziende, e-mail e qualsiasi dettaglio che identifichi un partecipante. Fallo prima del caricamento, non dopo. Verifica l'approvazione etica o i moduli di consenso per eventuali limitazioni sull'uso di strumenti di terze parti.

Un documento di note per le tue riflessioni. L'analisi tematica riflessiva mette in primo piano la prospettiva del ricercatore. Tieni traccia costantemente delle tue ipotesi e reazioni durante la lettura, separatamente da qualsiasi cosa prodotta dall'AI.

Un formato di file coerente. Un file per intervista, con le etichette dei parlanti, rende più facile far risalire ogni estratto alla sua fonte. Mantieni un indice semplice che associ i codici dei partecipanti alle date delle interviste.

Come fare l'analisi tematica con l'AI

I passaggi seguenti seguono le sei fasi, raggruppate in tre sessioni di lavoro.

Passaggio 1: Caricare le trascrizioni e impostare la domanda di ricerca

Carica le trascrizioni anonimizzate in uno spazio di lavoro AI come Powerdrill Bloom. I suoi piani prevedono il caricamento di file Excel, CSV, PDF e documenti, quindi le trascrizioni in Word o PDF funzionano così come sono. Anche le risposte aperte dei sondaggi esportate in un foglio di calcolo vanno bene.

Enuncia prima di tutto la domanda di ricerca, prima di qualsiasi richiesta. Poi chiedi un breve riassunto di ogni trascrizione e un elenco di passaggi correlati alla domanda.

Leggi i riassunti, poi leggi tu stesso le trascrizioni. I riassunti dell'AI velocizzano la familiarizzazione, ma non la sostituiscono. Appunta le tue prime impressioni in un documento separato prima di guardare i codici generati dall'AI.

Passaggio 2: Generare codici preliminari, poi codificare di nuovo autonomamente

Chiedi all'AI di proporre dei codici per ogni trascrizione. Richiedi brevi etichette, una definizione di una riga per ciascuna e gli estratti esatti che le supportano.

Una richiesta utile è breve e specifica. Codifica la trascrizione per qualsiasi elemento rilevante per la domanda di ricerca, mantieni le etichette sotto le cinque parole e cita il passaggio esatto per ognuna. Richiedere i passaggi esatti rende facile individuare un codice che si è allontanato da ciò che il partecipante ha effettivamente detto.

Poi esegui un secondo passaggio di codifica da solo. Confronta i tuoi codici con l'elenco dell'AI. Dove concordano, probabilmente il codice descrive qualcosa chiaramente presente. Dove differiscono, analizza attentamente. O l'AI ha notato qualcosa che ti è sfuggito, oppure ha etichettato parole superficiali anziché il significato profondo.

Mantieni tracciabile ogni estratto. Ogni codice dovrebbe fare riferimento a un partecipante e a un passaggio. La homepage di Powerdrill Bloom afferma che ogni numero "rimanda alla pagina, alla riga e alla cifra che vi sta dietro", e la stessa tracciabilità è fondamentale per le citazioni.

Passaggio 3: Costruire i temi candidati e verificarli rispetto ai dati

Chiedi all'AI di raggruppare i tuoi codici finali in temi candidati, con i relativi estratti di supporto per ciascuno. Tratta questi gruppi come un punto di partenza.

Per ogni candidato, poniti una domanda: c'è un concetto o un'idea centrale alla base? Se la risposta è solo un argomento condiviso, non è ancora un tema. Dividilo, uniscilo o eliminalo.

Poi metti alla prova ogni tema. Chiedi all'AI di trovare estratti che lo contraddicano. Un tema che sopravvive a una ricerca deliberata di controesempi è più solido di uno che non è mai stato messo in discussione.

Infine, assegna un nome a ciascun tema e scrivi una definizione di due frasi. Abbozza la stesura sezione per sezione e verifica ogni citazione rispetto alla trascrizione originale prima di inserirla nel report.

Un esempio pratico

Ecco una versione breve del processo applicata a uno studio di ricerca sul prodotto con dodici interviste ai clienti. La domanda di ricerca chiedeva perché i nuovi clienti smettessero di usare il prodotto entro 30 giorni.

I codici dell'AI di prima battuta includevano "la configurazione ha richiesto troppo tempo", "pricing non chiaro" e "necessaria approvazione dell'IT".

Dopo un secondo passaggio di codifica, il ricercatore ha notato che tutti e tre comparivano nelle interviste con persone che non avevano scelto personalmente il prodotto.

Il tema risultante è stato "adozione senza titolarità". I clienti che avevano ereditato il prodotto non avevano alcun motivo per superare l'attrito iniziale.

Il ricercatore ha poi chiesto all'AI dei controesempi: clienti che non avevano scelto il prodotto ma che avevano comunque continuato a usarlo. Due interviste corrispondevano a questo profilo. Entrambe descrivevano un collega che aveva mostrato loro un vantaggio immediato nella prima settimana, il che ha affinato il tema anziché smentirlo.

L'AI ha fatto emergere i codici rapidamente. Il tema è scaturito dal fatto che il ricercatore ha notato chi stava pronunciando quelle parole, un dettaglio che nessun codice da solo avrebbe potuto cogliere.

Come presentare i risultati dell'analisi tematica

Una sezione dei risultati di solito inizia con una tabella dei temi, per poi discutere ciascun tema con estratti di supporto. La tabella seguente mostra un formato comune.

Tema	Definizione	Partecipanti	Estratto di esempio
Adozione senza titolarità	Gli utenti che non hanno scelto il prodotto avevano pochi motivi per insistere	7 su 12	"Mi è stato detto di usarlo, quindi ho fatto il minimo indispensabile."
La configurazione come prima impressione	L'impegno richiesto per la configurazione iniziale ha influenzato la percezione generale del prodotto	9 su 12	"Se la prima ora è difficile, presumi che lo sarà anche il resto."

Fai seguire alla tabella una breve sezione per ciascun tema. Spiega l'idea centrale, mostra due o tre estratti e collegali alla tua domanda di ricerca.

Scegli estratti che mostrino il tema da diverse angolazioni, piuttosto che tre citazioni che dicono la stessa cosa. Mantienili brevi e attribuiscili sempre al codice di un partecipante. I lettori si fidano di più di un tema quando possono vederlo espresso da più voci.

Il conteggio dei partecipanti fornisce un contesto utile, ma l'approccio di Braun e Clarke non considera la frequenza come misura di importanza. Un tema menzionato da quattro persone può essere più rilevante di uno menzionato da dieci.

Per un pubblico di stakeholder, gli stessi risultati si trasformano spesso in una breve presentazione. Lo strumento AI research synthesis descrive questo percorso, combinando trascrizioni e sondaggi in temi, prove e una presentazione per gli stakeholder.

Analisi tematica vs analisi del contenuto

I due metodi vengono spesso confusi perché entrambi lavorano con dati qualitativi.

	Analisi tematica	Analisi del contenuto
Obiettivo principale	Interpretare pattern di significato	Categorizzare e spesso contare i contenuti
Risultato	Temi con un'idea centrale	Categorie con frequenze
Ruolo del conteggio	Al massimo un contesto di supporto	Spesso centrale
Ideale per	Comprendere esperienze e opinioni	Misurare la frequenza con cui appare qualcosa

Se la tua domanda è "con quale frequenza i clienti menzionano il pricing?", l'analisi del contenuto è la scelta adatta. Se invece è "cosa significa il pricing per i clienti?", l'analisi tematica è più appropriata.

Alcuni progetti utilizzano entrambi i metodi in sequenza. Un passaggio basato sulla frequenza su un ampio set di dati mostra dove si concentra il volume. Un passaggio tematico su un campione più piccolo e mirato spiega poi cosa significa quel volume.

Per i feedback su larga scala, come migliaia di recensioni o ticket di supporto, una panoramica sulla frequenza è spesso la prima necessità. Lo strumento Voice of Customer Summarizer raggruppa i canali di feedback in temi con la relativa frequenza e una citazione testuale rappresentativa per ciascuno.

Analisi tematica in Excel

Molti ricercatori codificano ancora in un foglio di calcolo, e questo metodo funziona bene per studi di piccole dimensioni. Un layout semplice prevede una riga per ogni estratto.

• Colonna A: codice del partecipante.
• Colonna B: l'estratto, copiato esattamente.
• Colonna C: codice del primo passaggio.
• Colonna D: codice del secondo passaggio.
• Colonna E: tema candidato.

Filtrando per tema si ottiene quindi ogni estratto di supporto in un'unica schermata. Un conteggio delle righe per tema e per partecipante mostra anche a colpo d'occhio se un tema si basa su un unico intervistato particolarmente loquace. Il limite è la scalabilità. Oltre qualche centinaio di estratti, il riordino e la ricodifica manuale diventano lenti, ed è qui che il clustering assistito dall'AI fa risparmiare più tempo.

Se il tuo progetto include anche una revisione di studi pubblicati, la nostra guida su come scrivere una literature review con l'AI copre questa parte.

Errori comuni

• Trattare gli argomenti come temi. "La comunicazione" è un argomento. Un tema esprime un concetto al riguardo.
• Accettare i codici dell'AI senza un secondo passaggio. I codici di prima battuta spesso etichettano le parole letterali anziché il significato.
• Caricare dati identificabili. Anonimizza le trascrizioni prima di qualsiasi caricamento.
• Considerare il conteggio come una prova. La frequenza supporta un tema, ma non lo stabilisce.
• Saltare la ricerca di controesempi. Un tema che non è mai stato messo in discussione è più debole di quanto sembri.
• Lasciare che sia l'AI a nominare i temi. I nomi portano avanti l'argomentazione, quindi scrivili tu stesso una volta che i temi sono stati stabiliti e definiti.

Fare attenzione a questi aspetti è ciò che distingue un'analisi credibile da un semplice riassunto con titoli. Se desideri che la lettura, la codifica e il clustering vengano eseguiti più rapidamente sulle tue trascrizioni, puoi provare Powerdrill Bloom con un singolo studio.

Domande frequenti

Cos'è l'analisi tematica in parole semplici?

L'analisi tematica è un modo per individuare e interpretare pattern di significato nei dati qualitativi, come le interviste. Il ricercatore codifica i dati, raggruppa i codici in temi e spiega cosa dice ciascun tema riguardo alla domanda di ricerca.

Quali sono i sei passaggi dell'analisi tematica?

Le sei fasi di Braun e Clarke sono: familiarizzare con il set di dati, codificare, generare i temi iniziali, sviluppare e rivedere i temi, e affinare, definire e nominare i temi. La sesta è la stesura del report. Sottolineano che queste fasi non sono regole rigide.

L'AI può eseguire l'analisi tematica?

L'AI può aiutare con il lavoro sui grandi volumi, come riassumere le trascrizioni, proporre codici ed estrarre passaggi. Il lavoro interpretativo di decidere cosa significa un tema richiede ancora l'intervento del ricercatore. Braun e Clarke descrivono l'analisi qualitativa como un processo esperto, situato e soggettivo.

Quanti temi dovrebbe avere un'analisi tematica?

Braun e Clarke affermano che "non esiste una formula precisa per determinare il numero di temi in una TA". Dipende dai dati, dalla domanda di ricerca e dalla lunghezza del report. Un'analisi può approfondire un singolo tema o fornire una panoramica più ampia.

Qual è la differenza tra analisi tematica e analisi del contenuto?

L'analisi tematica interpreta i pattern di significato e produce temi. L'analisi del contenuto categorizza i contenuti e spesso conta la frequenza con cui compaiono le categorie. Scegli l'analisi tematica per comprendere le esperienze e l'analisi del contenuto per misurare la frequenza.

Fonti: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs. L'esempio pratico e la tabella dei risultati sono a scopo illustrativo.