Jak przeprowadzić analizę tematyczną z AI: Krok po kroku

Analiza tematyczna to metoda wyszukiwania wzorców znaczeniowych w danych jakościowych, takich jak transkrypcje wywiadów czy otwarte odpowiedzi w ankietach. Aby przeprowadzić ją z pomocą AI, załaduj transkrypcje i pytanie badawcze, pozwól AI zaproponować wstępne kody, a następnie samodzielnie opracuj i zweryfikuj tematy. AI przyspiesza czytanie i porządkowanie danych. Interpretacja pozostaje po Twojej stronie.

Ten przewodnik wyjaśnia, czym jest analiza tematyczna, omawia jej sześć etapów oraz pokazuje, w czym AI pomaga, a gdzie nie powinna podejmować decyzji. Zawera on praktyczny przykład, szablon tabeli wyników oraz porównanie z analizą treści.

Czym jest analiza tematyczna

Virginia Braun i Victoria Clarke, autorki najczęściej cytowanej wersji tej metody, definiują ją na swojej stronie internetowej. „Analiza tematyczna (TA) odnosi się do szeregu jakościowych metod badawczych, które służą do badania i interpretowania powtarzających się wzorców znaczeniowych w zbiorach danych”.

Dwa słowa w tej definicji mają kluczowe znaczenie. „Szereg” oznacza, że analiza tematyczna to rodzina podejść, a nie jedna sztywna procedura. „Interpretowanie” oznacza, że wynikiem jest argumentacja na temat znaczenia danych, a nie zliczanie tego, co się w nich znajduje.

Braun i Clarke dzielą tę rodzinę metod na trzy grupy: podejścia oparte na rzetelności kodowania, podejścia oparte na książce kodowej oraz własne podejście refleksyjne. Różnica ta wpływa na sposób korzystania z AI.

• Rzetelność kodowania ustala książkę kodową na wczesnym etapie i weryfikuje, czy różni koderzy stosują ją w ten sam sposób.
• Podejścia oparte na książce kodowej również wykorzystują ustrukturyzowane ramy, ale pozwalają na ich pewną ewolucję.
• Refleksyjna analiza tematyczna pozostawia kodowanie otwartym i pozwala na jego zmiany w miarę pogłębiania zrozumienia. Ich sekcja FAQ mówi wprost, że „refleksyjna TA unika książek kodowych”.

W refleksyjnej analizie tematycznej temat to coś więcej niż tylko zagadnienie. Braun i Clarke opisują tematy jako „wzorzec wspólnego znaczenia oparty na centralnym pojęciu lub idei”. Zagadnienie takie jak „wycena” nie jest tematem. Jest nim natomiast stwierdzenie: „Klienci odczytują cenę jako sygnał zaufania”.

Sześć etapów

Braun i Clarke wyróżniają sześć etapów. Podkreślają przy tym, że „etapy te nie narzucają sztywnego procesu, którego należy bezwzględnie przestrzegać”. W praktyce przechodzi się między nimi tam i z powrotem.

1. Zapoznanie się ze zbiorami danych. Wielokrotne czytanie danych i spisywanie pierwszych spostrzeżeń.
2. Kodowanie. Przypisywanie krótkich etykiet do znaczących fragmentów w całym zbiorze danych, w dwóch lub więcej rundach.
3. Generowanie wstępnych tematów. Grupowanie kodów w potencjalne wzorce znaczeniowe.
4. Opracowywanie i przeglądanie tematów. Weryfikacja każdego potencjalnego tematu pod kątem zakodowanych danych i całego zbioru. Dzielenie, łączenie lub odrzucanie tematów w zależności od potrzeb.
5. Dopracowywanie, definiowanie i nazywanie tematów. Określenie zakresu i narracji każdego tematu oraz nadanie mu jasnej nazwy.
6. Sporządzanie raportu. Przeplatanie narracji analitycznej cytatami z danych i powiązanie jej z istniejącą literaturą.

Ich strona opisuje ten proces szczerze: „analiza jest zazwyczaj procesem rekurencyjnym”. Należy spodziewać się powrotu do kodowania po rozpoczęciu budowania tematów.

W czym AI pomaga, a gdzie nie powinna decydować

AI jest naprawdę użyteczna na etapach wymagających przetwarzania dużych ilości danych. Może szybko przeczytać czterdzieści transkrypcji, zaproponować potencjalne kody, wyciągnąć każdy fragment pasujący do kodu i policzyć, jak często pojawia się dany wzorzec.

Nie powinna jednak podejmować decyzji interpretacyjnych. Braun i Clarke piszą, że „analiza jakościowa to proces wymagający umiejętności, osadzony w kontekście i subiektywny”. Model nie ma takiego samego interesu w pytaniu badawczym jak Ty i zna tylko taki kontekst, jaki mu przekażesz.

Ich sekcja FAQ zwraca uwagę na podobną kwestię w odniesieniu do oprogramowania analitycznego. Piszą, że kluczowe jest „bycie świadomym badaczem”. Oznacza to korzystanie z dowolnego narzędzia w sposób zgodny z wartościami wybranego podejścia.

Praktyczny podział ról wygląda następująco:

Etap	Co może zrobić AI	O czym decydujesz Ty
Zapoznanie się z danymi	Streszczanie każdej transkrypcji, oznaczanie zaskakujących fragmentów	Które fragmenty mają znaczenie dla Twojego pytania
Kodowanie	Proponowanie wstępnych kodów i spójne ich stosowanie	Które kody zachować, połączyć lub zmienić ich nazwę
Generowanie tematów	Grupowanie kodów i wyciąganie wspierających cytatów	Czy dana grupa stanowi rzeczywisty wzorzec znaczeniowy
Przeglądanie tematów	Przeszukiwanie zbioru danych pod kątem kontrprzykładów	Czy dany temat się broni
Nazywanie tematów	Proponowanie nazw i jednozdaniowych definicji	Ostateczna nazwa i historia, którą opowiada
Sporządzanie raportu	Tworzenie szkiców sekcji i zestawianie cytatów	Argumentacja i jej tezy

Jeśli stosujesz podejście oparte na książce kodowej, wyniki z AI mogą posłużyć jako jej wersja robocza. Jeśli korzystasz z refleksyjnej analizy tematycznej, traktuj kody z AI jako inspirację do przemyśleń, a nie jako gotową analizę.

Niezależnie od wybranego podejścia, odnotuj, w jaki sposób AI była zaangażowana. Zapisz nazwę narzędzia, etapy, w których pomogło, oraz zmiany, jakie wprowadzono później. Krótki akapit dotyczący metodologii odpowie na pytania recenzenta, egzaminatora lub interesariusza, zanim zdążą je zadać.

Czego potrzebujesz przed rozpoczęciem

Przygotuj cztery rzeczy, zanim jakiekolwiek narzędzie AI wejdzie w kontakt z danymi.

Jasne pytanie badawcze. Każdy kod i temat jest oceniany pod jego kątem. Pytanie „Czego doświadczają klienci podczas wdrożenia?” prowadzi do zupełnie innej analizy niż „Dlaczego klienci rezygnują w pierwszym miesiącu?”.

Czyste, zanonimizowane transkrypcje. Usuń nazwiska, nazwy firm, adresy e-mail i wszelkie szczegóły pozwalające na identyfikację uczestnika. Zrób to przed przesłaniem danych, a nie po. Sprawdź zgodę komisji etycznej lub formularze zgody pod kątem ewentualnych ograniczeń dotyczących korzystania z narzędzi zewnętrznych.

Dokument z notatkami na własne refleksje. Refleksyjna analiza tematyczna stawia na pierwszym planie perspektywę badacza. Prowadź na bieżąco rejestr swoich założeń i reakcji podczas czytania, niezależnie od tego, co generuje AI.

Spójny format plików. Jeden plik na wywiad, z oznaczeniem rozmówców, ułatwia przypisanie każdego cytatu do jego źródła. Prowadź prosty indeks przyporządkowujący kody uczestników do dat wywiadów.

Jak przeprowadzić analizę tematyczną z pomocą AI

Poniższe kroki odpowiadają sześciu etapom, pogrupowanym w trzy sesje robocze.

Krok 1: Załaduj transkrypcje i określ pytanie badawcze

Prześlij zanonimizowane transkrypcje do przestrzeni roboczej AI, takiej jak Powerdrill Bloom. Dostępne pakiety umożliwiają przesyłanie plików Excel, CSV, PDF oraz dokumentów tekstowych, więc transkrypcje w formacie Word lub PDF zadziałają bez zmian. Otwarte odpowiedzi z ankiet wyeksportowane do arkusza kalkulacyjnego również się sprawdzą.

Najpierw, przed jakimkolwiek innym poleceniem, sformułuj pytanie badawcze. Następnie poproś o krótkie streszczenie każdej transkrypcji oraz listę fragmentów odnoszących się do tego pytania.

Przeczytaj te streszczenia, a następnie samodzielnie zapoznaj się z transkrypcjami. Streszczenia generowane przez AI przyspieszają zapoznanie się z materiałem, ale go nie zastępują. Zapisz swoje pierwsze wrażenia w osobnym dokumencie, zanim spojrzysz na kody wygenerowane przez AI.

Krok 2: Wygeneruj wstępne kody, a następnie przeprowadź własne kodowanie

Poproś AI o zaproponowanie kodów dla każdej transkrypcji. Zażądaj krótkich etykiet, jednozdaniowej definicji dla każdego kodu oraz dokładnych cytatów, które je potwierdzają.

Przydatne polecenie powinno być krótkie i konkretne. Zakoduj transkrypcję pod kątem wszystkiego, co ma związek z pytaniem badawczym, ogranicz etykiety do maksymalnie pięciu słów i zacytuj dokładny fragment dla każdego kodu. Prośba o dokładne cytaty ułatwia wyłapanie sytuacji, w których kod odbiega od tego, co faktycznie powiedział uczestnik.

Następnie przeprowadź drugą rundę kodowania samodzielnie. Porównaj swoje kody z listą wygenerowaną przez AI. Tam, gdzie się pokrywają, kod prawdopodobnie opisuje coś, co jest wyraźnie widoczne. Tam, gdzie się różnią, przyjrzyj się uważniej. Albo AI zauważyła coś, co Ci umknęło, albo oznaczyła powierzchowne sformułowania zamiast głębszego znaczenia.

Dbaj o to, aby każdy fragment był łatwy do zidentyfikowania. Każdy kod powinien wskazywać na konkretnego uczestnika i fragment wypowiedzi. Strona główna Powerdrill Bloom informuje, że każda liczba „jest powiązana ze stroną, wierszem i stojącą za nią wartością” – ta sama identyfikowalność ma kluczowe znaczenie w przypadku cytatów.

Krok 3: Stwórz potencjalne tematy i zweryfikuj je z danymi

Poproś AI o pogrupowanie Twoich ostatecznych kodów w potencjalne tematy wraz ze wspierającymi je cytatami. Potraktuj te grupy jako punkt wyjścia.

W przypadku każdego potencjalnego tematu zadaj sobie jedno pytanie: czy kryje się za nim centralne pojęcie lub idea? Jeśli odpowiedzią jest tylko wspólne zagadnienie, nie jest to jeszcze temat. Podziel go, połącz z innym lub odrzuć.

Następnie przetestuj każdy temat. Poproś AI o znalezienie fragmentów, które mu zaprzeczają. Temat, który przetrwa celowe poszukiwanie kontrprzykładów, jest silniejszy niż ten, który nigdy nie został poddany próbie.

Na koniec nazwij każdy temat i napisz jego dwuzdaniową definicję. Przygotuj szkic raportu sekcja po sekcji i sprawdź każdy cytat z oryginalną transkrypcją, zanim trafi on do ostatecznego dokumentu.

Praktyczny przykład

Oto skrócona wersja procesu na przykładzie badania produktu obejmującego dwanaście wywiadów z klientami. Pytanie badawcze dotyczyło tego, dlaczego nowi klienci przestali korzystać z produktu w ciągu 30 dni.

Wstępne kody z AI obejmowały: „konfiguracja trwała zbyt długo”, „niejasny cennik” oraz „wymagana zgoda działu IT”.

Po drugiej rundzie kodowania badacz zauważył, że wszystkie trzy kody pojawiały się w wywiadach z osobami, które same nie dokonały wyboru tego produktu.

Powstałym tematem było „wdrożenie bez poczucia własności”. Klienci, którzy odziedziczyli produkt, nie mieli powodu, by pokonywać początkowe trudności.

Następnie badacz poprosił AI o kontrprzykłady: klientów, którzy nie wybrali produktu, ale mimo to przy nim zostali. Pasowały dwa wywiady. W obu opisano kolegę z pracy, który w pierwszym tygodniu pokazał im szybkie korzyści z użytkowania, co raczej doprecyzowało temat, niż go obaliło.

AI szybko wyłoniła kody. Temat zrodził się jednak z tego, że badacz zauważył, kto wypowiada te słowa, czego żaden kod nie uchwycił samodzielnie.

Jak prezentować wyniki analizy tematycznej

Sekcja wyników zazwyczaj rozpoczyna się od tabeli tematów, a następnie omawia każdy temat wraz ze wspierającymi go cytatami. Poniższa tabela przedstawia powszechnie stosowany format.

Temat	Definicja	Uczestnicy	Przykładowy cytat
Wdrożenie bez poczucia własności	Użytkownicy, którzy nie wybrali produktu, mieli niewiele powodów, by przy nim trwać	7 z 12	„Kazano mi z tego korzystać, więc robiłem absolutne minimum”.
Konfiguracja jako pierwsze wrażenie	Początkowy wysiłek związany z konfiguracją kształtował ogólną opinię o produkcie	9 z 12	„Jeśli pierwsza godzina jest trudna, zakładasz, że reszta też taka będzie”.

Pod tabelą umieść krótką sekcję dla każdego tematu. Wyjaśnij główną myśl, przedstaw dwa lub trzy cytaty i powiąż je z pytaniem badawczym.

Wybieraj cytaty, które pokazują temat z różnych perspektyw, zamiast trzech wypowiedzi mówiących to samo. Dbaj o to, by były krótkie, i zawsze przypisuj je do kodu uczestnika. Czytelnicy bardziej ufają tematowi, gdy widzą, że przemawia on wieloma głosami.

Liczba uczestników stanowi pomocny kontekst, ale podejście Braun i Clarke nie traktuje częstotliwości jako miary ważności. Temat wspomniany przez cztery osoby może mieć większe znaczenie niż ten, o którym wspomniało dziesięć osób.

Dla grona interesariuszy te same wyniki często przekształca się w krótką prezentację. Narzędzie do syntezy badań AI opisuje tę ścieżkę, łącząc transkrypcje i ankiety w tematy, dowody oraz prezentację dla interesariuszy.

Analiza tematyczna a analiza treści

Obie te metody są często mylone, ponieważ obie opierają się na danych jakościowych.

	Analiza tematyczna	Analiza treści
Główny cel	Interpretacja wzorców znaczeniowych	Kategoryzacja i częste zliczanie treści
Wynik	Tematy z myślą przewodnią	Kategorie wraz z częstotliwością występowania
Rola zliczania	Co najwyżej kontekst wspierający	Często kluczowa
Najlepsza do	Zrozumienia doświadczeń i poglądów	Mierzenia, jak często coś się pojawia

Jeśli Twoje pytanie brzmi: „jak często klienci wspominają o cenach?”, odpowiednia będzie analiza treści. Jeśli brzmi: „co ceny oznaczają dla klientów?”, właściwym wyborem jest analiza tematyczna.

W niektórych projektach obie metody stosuje się po kolei. Analiza częstotliwości na dużym zbiorze danych pokazuje, gdzie leży punkt ciężkości. Następnie analiza tematyczna na mniejszej, wyselekcjonowanej próbie wyjaśnia, co te liczby oznaczają.

W przypadku opinii na dużą skalę, takich jak tysiące recenzji czy zgłoszeń do pomocy technicznej, najpilniejszą potrzebą jest często widok częstotliwości. Narzędzie Voice of Customer Summarizer agreguje kanały opinii w tematy wraz z częstotliwością ich występowania i reprezentatywnym, dosłownym cytatem dla każdego z nich.

Analiza tematyczna w programie Excel

Wielu badaczy nadal koduje w arkuszu kalkulacyjnym i sprawdza się to dobrze w przypadku małych badań. Prosty układ zakłada jeden wiersz na każdy cytat.

• Kolumna A: kod uczestnika.
• Kolumna B: cytat, skopiowany dokładnie.
• Kolumna C: kod z pierwszej rundy.
• Kolumna D: kod z drugiej rundy.
• Kolumna E: potencjalny temat.

Filtrowanie według tematów pozwala zobaczyć wszystkie wspierające cytaty w jednym widoku. Liczba wierszy przypadających na dany temat i uczestnika pozwala również szybko ocenić, czy dany temat nie opiera się wyłącznie na wypowiedziach jednego, wyjątkowo rozmownego uczestnika. Ograniczeniem jest tu jednak skala. Powyżej kilkuset cytatów ręczne sortowanie i ponowne kodowanie staje się czasochłonne – i to właśnie tutaj grupowanie wspomagane przez AI pozwala zaoszczędzić najwięcej czasu.

Jeśli Twój projekt obejmuje również przegląd opublikowanych badań, nasz przewodnik po pisaniu przeglądu literatury z pomocą AI omawia tę część procesu.

Typowe błędy

• Traktowanie zagadnień jako tematów. „Komunikacja” to zagadnienie. Temat mówi coś konkretnego na jej temat.
• Akceptowanie kodów z AI bez drugiej rundy weryfikacji. Wstępne kody często oznaczają dosłowne sformułowania, a nie głębsze znaczenie.
• Przesyłanie danych umożliwiających identyfikację. Zanonimizuj transkrypcje przed jakimkolwiek przesłaniem.
• Traktowanie zliczania jako dowodu. Częstotliwość wspiera temat, ale go nie tworzy.
• Pomijanie poszukiwania kontrprzykładów. Temat, który nigdy nie został poddany próbie, jest słabszy, niż się wydaje.
• Pozwalanie AI na nazywanie tematów. Nazwy niosą ze sobą argumentację, dlatego napisz je samodzielnie, gdy tematy zostaną już ustalone i zdefiniowane.

Unikanie tych błędów odróżnia wiarygodną analizę od zwykłego podsumowania z nagłówkami. Jeśli chcesz szybciej czytać, kodować i grupować własne transkrypcje, możesz wypróbować Powerdrill Bloom na przykładzie jednego badania.

Często zadawane pytania

Czym w prostych słowach jest analiza tematyczna?

Analiza tematyczna to sposób na znajdowanie i interpretowanie wzorców znaczeniowych w danych jakościowych, takich jak wywiady. Badacz koduje dane, grupuje kody w tematy i wyjaśnia, co każdy temat mówi o pytaniu badawczym.

Jakie jest sześć kroków analizy tematycznej?

Sześć etapów według Braun i Clarke to: zapoznanie się ze zbiorami danych, kodowanie, generowanie wstępnych tematów, opracowywanie i przeglądanie tematów oraz dopracowywanie, definiowanie i nazywanie tematów. Szóstym etapem jest sporządzenie raportu. Autorki zaznaczają, że etapy te nie są sztywnymi regułami.

Czy AI może przeprowadzić analizę tematyczną?

AI może pomóc w pracy na dużej ilości danych, na przykład przy streszczaniu transkrypcji, proponowaniu kodów i wyciąganiu cytatów. Praca interpretacyjna polegająca na decydowaniu o znaczeniu tematu nadal wymaga udziału badacza. Braun i Clarke opisują analizę jakościową jako proces wymagający umiejętności, osadzony w kontekście i subiektywny.

Ile tematów powinna mieć analiza tematyczna?

Braun i Clarke twierdzą, że „nie ma precyzyjnego wzoru na określenie liczby tematów w TA”. Zależy to od danych, pytania badawczego oraz długości raportu. Analiza może szczegółowo opisywać jeden temat lub przedstawiać szerszy przegląd.

Jaka jest różnica między analizą tematyczną a analizą treści?

Analiza tematyczna interpretuje wzorce znaczeniowe i tworzy tematy. Analiza treści kategoryzuje treść i często zlicza częstotliwość pojawiania się poszczególnych kategorii. Wybierz analizę tematyczną, aby zrozumieć doświadczenia, a analizę treści, aby zmierzyć częstotliwość.

Źródła: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs. Praktyczny przykład i tabela wyników mają charakter poglądowy.