Thematische analyse uitvoeren met AI: stap voor stap

Thematische analyse is een methode om betekenispatronen te vinden in kwalitatieve data, zoals transcripten van interviews of open enquêtevragen. Om dit met AI te doen, laadt u uw transcripten en onderzoeksvraag, laat u de AI een eerste aanzet voor codes voorstellen, en ontwikkelt en controleert u de thema's vervolgens zelf. AI versnelt het lezen en sorteren. De interpretatie blijft bij u.

Deze gids legt uit wat thematische analyse is, doorloopt de zes fasen en laat zien waar AI helpt en waar het niet de beslissingen moet nemen. De gids bevat een uitgewerkt voorbeeld, een indeling voor een resultatentabel en een vergelijking met inhoudsanalyse.

Wat thematische analyse is

Virginia Braun en Victoria Clarke, die de meest geciteerde versie van de methode hebben ontwikkeld, definiëren het op hun site. "Thematische analyse (TA) verwijst naar een reeks kwalitatieve onderzoeksmethoden die worden gebruikt voor het verkennen en interpreteren van betekenispatronen in datasets."

Twee woorden in die definitie zijn belangrijk. "Reeks" betekent dat thematische analyse een familie van benaderingen is, niet één vaste procedure. "Interpreteren" betekent dat de output een argument is over wat de data betekent, niet een telling van wat er staat.

Braun en Clarke delen de familie in drie clusters in: benaderingen op basis van codeerbetrouwbaarheid, benaderingen op basis van een codeboek en hun eigen reflexieve benadering. Dit verschil is van invloed op hoe u AI gebruikt.

• Codeerbetrouwbaarheid legt vroegtijdig een codeboek vast en controleert of verschillende codeurs dit op dezelfde manier toepassen.
• Benaderingen op basis van een codeboek maken ook gebruik van een gestructureerd kader, maar laten dit gaandeweg enigszins evolueren.
• Reflexieve thematische analyse houdt het coderen open en laat het veranderen naarmate uw begrip zich verdiept. Hun FAQ stelt duidelijk dat "Reflexieve TA codeboeken vermijdt."

Bij reflexieve thematische analyse is een thema meer dan een onderwerp. Braun en Clarke omschrijven thema's als een "patroon van gedeelde betekenis dat wordt ondersteund door een centraal concept of idee." Een onderwerp als "prijsstelling" is geen thema. "Klanten zien de prijs als een signaal van vertrouwen" is dat wel.

De zes fasen

Braun en Clarke onderscheiden zes fasen. Ze benadrukken dat "deze fasen geen rigide proces voorschrijven dat u verplicht moet volgen." In de praktijk beweegt u zich heen en weer tussen de fasen.

1. Vertrouwd raken met de dataset. Lees en herlees de data, en noteer de eerste observaties.
2. Coderen. Koppel korte labels aan betekenisvolle segmenten in de hele dataset, in twee of meer rondes.
3. Eerste thema's genereren. Cluster de codes in potentiële betekenispatronen.
4. Thema's ontwikkelen en beoordelen. Controleer elke kandidaat aan de hand van de gecodeerde data en de volledige dataset. Splits, voeg samen of laat thema's vallen waar nodig.
5. Thema's verfijnen, definiëren en benoemen. Werk de reikwijdte en het verhaal van elk thema uit en geef het een informatieve naam.
6. Rapporteren. Weef het analytische verhaal samen met fragmenten uit de data en verbind dit met bestaande literatuur.

Hun site beschrijft het proces eerlijk: "analyse is doorgaans een recursief proces." Houd er rekening mee dat u terugkeert naar het coderen nadat u bent begonnen met het opbouwen van thema's.

Waar AI helpt en waar het niet moet beslissen

AI is echt nuttig voor de fasen waarin het om grote volumes gaat. Het kan snel veertig transcripten lezen, kandidaat-codes voorstellen, elk fragment ophalen dat bij een code past en tellen hoe vaak een patroon voorkomt.

Het mag niet de interpretatieve beslissingen nemen. Braun en Clarke schrijven dat "kwalitatieve analyse een vakkundig, gesitueerd, subjectief proces is." Een model deelt uw belang bij de onderzoeksvraag niet en kent alleen de context die u het geeft.

Hun FAQ maakt een soortgelijk punt over analysesoftware. Wat telt, zo schrijven ze, is "een bewuste onderzoeker zijn." Dat betekent dat u elk hulpmiddel gebruikt op een manier die past bij de waarden van de door u gekozen benadering.

Een werkbare verdeling ziet er als volgt uit:

Fase	Wat AI kan doen	Wat u beslist
Vertrouwd raken	Vat elk transcript samen, markeer verrassende passages	Welke passages belangrijk zijn voor uw vraag
Coderen	Stel een eerste aanzet voor codes voor en pas deze consistent toe	Welke codes u wilt behouden, samenvoegen of hernoemen
Thema's genereren	Cluster codes en haal ondersteunende fragmenten op	Of een cluster een echt betekenispatroon is
Thema's beoordelen	Doorzoek de dataset op tegenvoorbeelden	Of een thema standhoudt
Thema's benoemen	Stel namen en definities van één regel voor	De definitieve naam en het verhaal dat deze vertelt
Rapporteren	Conceptsecties schrijven en citaten verzamelen	Het argument en de claims ervan

Als u een codeboekbenadering gebruikt, kan de AI-output dienen als een conceptcodeboek. Als u reflexieve thematische analyse gebruikt, behandel de AI-codes dan als denkaanzetten, niet als de analyse zelf.

Welke benadering u ook gebruikt, leg vast hoe AI erbij betrokken was. Noteer de tool, de fasen waarin deze heeft geholpen en wat u achteraf hebt gewijzigd. Een korte paragraaf over de methode beantwoordt de vraag nog voordat een reviewer, examinator of stakeholder deze stelt.

Wat u nodig hebt voordat u begint

Bereid vier dingen voor voordat een AI-tool de data aanraakt.

Een duidelijke onderzoeksvraag. Elke code en elk thema wordt hieraan afgemeten. "Wat ervaren klanten tijdens de onboarding?" levert een andere analyse op dan "Waarom zeggen klanten in de eerste maand op?"

Schone, geanonimiseerde transcripten. Verwijder namen, bedrijfsnamen, e-mails en elk detail dat een deelnemer identificeert. Doe dit vóór het uploaden, niet erna. Controleer uw ethische goedkeuring of toestemmingsformulieren op eventuele beperkingen voor tools van derden.

Een notitiedocument voor uw eigen reflecties. Reflexieve thematische analyse stelt het perspectief van de onderzoeker centraal. Houd tijdens het lezen uw aannames en reacties bij, los van wat de AI produceert.

Een consistent bestandsformaat. Eén bestand per interview, met labels voor de sprekers, maakt het gemakkelijker om elk fragment terug te herleiden naar de bron. Houd een eenvoudige index bij die deelnemerscodes koppelt aan interviewdata.

Hoe u thematische analyse doet met AI

De onderstaande stappen volgen de zes fasen, gegroepeerd in drie werksessies.

Step 1: Laad de transcripten en stel de onderzoeksvraag in

Upload de geanonimiseerde transcripten naar een AI-werkruimte zoals Powerdrill Bloom. De abonnementen vermelden uploads van Excel, CSV, PDF en documenten, dus transcripten in Word of PDF werken direct. Open enquêteantwoorden die naar een spreadsheet zijn geëxporteerd, werken ook.

Formuleer eerst de onderzoeksvraag, vóór elk ander verzoek. Vraag vervolgens om een korte samenvatting van elk transcript en een lijst met passages die betrekking hebben op de vraag.

Lees die samenvattingen en lees vervolgens zelf de transcripten. AI-samenvattingen versnellen het vertrouwd raken, maar ze zijn er geen vervanging voor. Noteer uw eigen eerste indrukken in een apart document voordat u naar de door AI gegenereerde codes kijkt.

Step 2: Genereer een eerste aanzet voor codes, en codeer vervolgens zelf nogmaals

Vraag de AI om codes voor te stellen voor elk transcript. Vraag om korte labels, een definitie van één regel voor elk label en de exacte fragmenten die ze ondersteunen.

Een nuttig verzoek is kort en specifiek. Codeer het transcript op alles wat relevant is voor de onderzoeksvraag, houd labels onder de vijf woorden en citeer de exacte passage voor elk label. Door om exacte passages te vragen, is het gemakkelijk om een code te ontdekken die is afgeweken van wat de deelnemer daadwerkelijk zei.

Doe vervolgens zelf een tweede codeerronde. Vergelijk uw codes met de lijst van de AI. Waar ze overeenkomen, beschrijft de code waarschijnlijk iets dat duidelijk aanwezig is. Waar ze verschillen, moet u goed kijken. Ofwel heeft de AI iets opgemerkt dat u hebt gemist, ofwel heeft het oppervlakkige bewoordingen gelabeld in plaats van de betekenis.

Houd elk fragment herleidbaar. Elke code moet naar een deelnemer en een passage verwijzen. De homepage van Powerdrill Bloom vermeldt dat elk getal "terug te herleiden is naar de pagina, de rij en het cijfer erachter", en dezelfde herleidbaarheid is belangrijk voor citaten.

Step 3: Bouw potentiële thema's op en controleer ze aan de hand van de data

Vraag de AI om uw definitieve codes te clusteren in potentiële thema's, met de ondersteunende fragmenten voor elk thema. Behandel de clusters als een startpunt.

Stel bij elke kandidaat één vraag: zit er een centraal concept of idee achter? Als het antwoord alleen een gedeeld onderwerp is, is het nog geen thema. Splits het, voeg het samen of laat het vallen.

Test vervolgens elk thema. Vraag de AI om fragmenten te zoeken die het tegenspreken. Een thema dat een gerichte zoektocht naar tegenvoorbeelden overleeft, is sterker dan een thema dat nooit is uitgedaagd.

Geef ten slotte elk thema een naam en schrijf een definitie van twee zinnen. Schrijf het rapport sectie voor sectie en controleer elk citaat aan de hand van het originele transcript voordat het in het rapport wordt opgenomen.

Een uitgewerkt voorbeeld

Hier is een korte versie van het proces bij een productonderzoek met twaalf klantinterviews. De onderzoeksvraag luidde waarom nieuwe klanten binnen 30 dagen stopten met het gebruik van het product.

De eerste AI-codes waren onder meer "installatie duurde te lang", "onduidelijke prijsstelling" en "IT-goedkeuring nodig".

Na een tweede codeerronde merkte de onderzoeker op dat alle drie de codes voorkwamen in interviews met mensen die het product niet zelf hadden gekozen.

Het resulterende thema was "adoptie zonder eigenaarschap". Klanten die het product in de schoot geworpen kregen, hadden geen reden om door de vroege frictie heen te bijten.

De onderzoeker vroeg de AI vervolgens om tegenvoorbeelden: klanten die het product niet zelf hadden gekozen, maar toch bleven. Twee interviews voldeden hieraan. Beide beschreven een collega die hen in de eerste week een snel succes liet zien, wat het thema verfijnde in plaats van ontkrachtte.

De AI bracht de codes snel in kaart. Het thema ontstond doordat de onderzoeker opmerkte wie ze uitsprak, iets wat geen enkele code op zichzelf kon vastleggen.

Hoe u de resultaten van een thematische analyse presenteert

Een resultatensectie begint meestal met een tabel met thema's en bespreekt vervolgens elk thema met ondersteunende fragmenten. De onderstaande tabel toont een veelgebruikt formaat.

Thema	Definitie	Deelnemers	Voorbeeldfragment
Adoptie zonder eigenaarschap	Gebruikers die het product niet zelf hadden gekozen, hadden weinig reden om vol te houden	7 van de 12	"Mij werd verteld dat ik het moest gebruiken, dus deed ik het minimale."
Installatie als eerste indruk	De inspanning bij de vroege installatie bepaalde het algemene beeld van het product	9 van de 12	"Als het eerste uur moeilijk is, neem je aan dat de rest dat ook zal zijn."

Laat de tabel volgen door een korte sectie voor elk thema. Leg het centrale idee uit, toon twee of drie fragmenten en verbind dit met uw onderzoeksvraag.

Kies fragmenten die het thema vanuit verschillende invalshoeken belichten, in plaats van drie citaten die hetzelfde zeggen. Houd ze kort en koppel ze altijd aan een deelnemerscode. Lezers vertrouwen een thema sneller wanneer ze het uit verschillende monden horen.

Deelnemersaantallen zijn nuttige context, maar de benadering van Braun en Clarke beschouwt frequentie niet als de maatstaf voor belangrijkheid. Een thema dat door vier mensen wordt genoemd, kan belangrijker zijn dan een thema dat door tien mensen wordt genoemd.

Voor een publiek van stakeholders worden dezelfde resultaten vaak omgezet in een korte presentatie. De tool voor AI research synthesis beschrijft deze route, waarbij transcripten en enquêtes worden gecombineerd tot thema's, bewijsmateriaal en een presentatie voor stakeholders.

Thematische analyse versus inhoudsanalyse

De twee methoden worden vaak met elkaar verward omdat ze beide met kwalitatieve data werken.

	Thematische analyse	Inhoudsanalyse
Hoofddoel	Betekenispatronen interpreteren	Inhoud categoriseren en vaak tellen
Output	Thema's met een centraal idee	Categorieën met frequenties
Rol van tellen	Hooguit ondersteunende context	Vaak centraal
Bestemd voor	Ervaringen en opvattingen begrijpen	Meten hoe vaak iets voorkomt

Als uw vraag is "hoe vaak noemen klanten de prijs?", dan past inhoudsanalyse. Als de vraag is "wat betekent de prijs voor klanten?", dan past thematische analyse.

Sommige projecten gebruiken beide methoden achter elkaar. Een frequentieanalyse over een grote dataset laat zien waar het volume zit. Een thematische analyse op een kleinere, gerichte steekproef verklaart vervolgens wat dat volume betekent.

Voor feedback op grote schaal, zoals duizenden beoordelingen of supporttickets, is een frequentieoverzicht vaak de eerste behoefte. De Voice of Customer Summarizer voegt feedbackkanalen samen tot thema's met frequentie en een representatief citaat voor elk thema.

Thematische analyse in Excel

Veel onderzoekers coderen nog steeds in een spreadsheet, en dat werkt goed voor kleine onderzoeken. Een eenvoudige lay-out gebruikt één rij per fragment.

• Kolom A: deelnemerscode.
• Kolom B: het fragment, exact gekopieerd.
• Kolom C: code uit de eerste ronde.
• Kolom D: code uit de tweede ronde.
• Kolom E: potentieel thema.

Door op thema te filteren, krijgt u vervolgens elk ondersteunend fragment in één overzicht. Een telling van het aantal rijen per thema en per deelnemer laat ook in één oogopslag zien of een thema rust op één spraakzame geïnterviewde. De beperking is de schaal. Bij meer dan een paar honderd fragmenten wordt handmatig sorteren en hercoderen traag, en dat is waar door AI ondersteunde clustering de meeste tijd bespaart.

Als uw project ook een beoordeling van gepubliceerde onderzoeken omvat, onze gids voor het schrijven van een literatuuronderzoek met AI dat deel.

Veelgemaakte fouten

• Onderwerpen als thema's behandelen. "Communicatie" is een onderwerp. Een thema zegt er iets over.
• AI-codes accepteren zonder een tweede ronde. Codes uit de eerste ronde labelen vaak bewoordingen in plaats van betekenis.
• Identificeerbare data uploaden. Anonimiseer transcripten vóór elke upload.
• Tellen als bewijs beschouwen. Frequentie ondersteunt een thema, maar bewijst er geen.
• De zoektocht naar tegenvoorbeelden overslaan. Een thema dat nooit is uitgedaagd, is zwakker dan het lijkt.
• De AI de thema's laten benoemen. Namen dragen het argument, dus schrijf ze zelf zodra de thema's zijn vastgesteld en gedefinieerd.

Het goed aanpakken van deze punten is wat een geloofwaardige analyse onderscheidt van een samenvatting met kopjes. Als u het lezen, coderen en clusteren sneller wilt laten doen op uw eigen transcripten, kunt u Powerdrill Bloom proberen met één onderzoek.

Veelgestelde vragen

Wat is thematische analyse in eenvoudige bewoordingen?

Thematische analyse is een manier om betekenispatronen in kwalitatieve data, zoals interviews, te vinden en te interpreteren. De onderzoeker codeert de data, groepeert codes in thema's en legt uit wat elk thema zegt over de onderzoeksvraag.

Wat zijn de zes stappen van thematische analyse?

De zes fasen van Braun en Clarke zijn: vertrouwd raken met de dataset, coderen, eerste thema's genereren, thema's ontwikkelen en beoordelen, en thema's verfijnen, definiëren en benoemen. De zesde fase is het rapporteren. Ze merken op dat de fasen geen rigide regels zijn.

Kan AI thematische analyse uitvoeren?

AI kan helpen met het volumewerk, zoals het samenvatten van transcripten, het voorstellen van codes en het ophalen van fragmenten. Het interpretatieve werk om te beslissen wat een thema betekent, vereist nog steeds de onderzoeker. Braun en Clarke omschrijven kwalitatieve analyse als een vakkundig, gesitueerd, subjectief proces.

Hoeveel thema's moet een thematische analyse hebben?

Braun en Clarke stellen dat "er geen precieze formule is om het aantal thema's in een TA te bepalen." Dit hangt af van de data, de onderzoeksvraag en de lengte van het rapport. Een analyse kan één thema diepgaand rapporteren of een breder overzicht geven.

Wat is het verschil tussen thematische analyse en inhoudsanalyse?

Thematische analyse interpreteert betekenispatronen en produceert thema's. Inhoudsanalyse categoriseert inhoud en telt vaak hoe vaak categorieën voorkomen. Kies thematische analyse om ervaringen te begrijpen, en inhoudsanalyse om frequentie te meten.

Bronnen: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs. Het uitgewerkte voorbeeld en de resultatentabel zijn ter illustratie.