วิธีทำ Thematic Analysis ด้วย AI: ทีละขั้นตอน

การวิเคราะห์เชิงธีม (Thematic analysis) เป็นวิธีการค้นหารูปแบบของความหมายจากข้อมูลเชิงคุณภาพ เช่น บทถอดความการสัมภาษณ์หรือคำตอบแบบสอบถามปลายเปิด หากต้องการทำสิ่งนี้ด้วย AI ให้โหลดบทถอดความและคำถามวิจัยของคุณเข้าไป แล้วปล่อยให้ AI เสนอโค้ดในรอบแรก จากนั้นคุณจึงพัฒนาและตรวจสอบธีมด้วยตนเอง AI จะช่วยให้การอ่านและการจัดกลุ่มรวดเร็วขึ้น แต่การตีความยังคงเป็นหน้าที่ของคุณ

คู่มือนี้จะอธิบายว่าการวิเคราะห์เชิงธีมคืออะไร โดยจะพาไปดูทั้ง 6 ขั้นตอน และแสดงให้เห็นว่า AI สามารถช่วยในส่วนใดได้บ้าง และส่วนใดที่ AI ไม่ควรเป็นผู้ตัดสินใจ นอกจากนี้ยังมีตัวอย่างการทำงานจริง รูปแบบตารางแสดงผลลัพธ์ และการเปรียบเทียบกับการวิเคราะห์เนื้อหา (content analysis)

การวิเคราะห์เชิงธีมคืออะไร

Virginia Braun และ Victoria Clarke ผู้พัฒนาวิธีการนี้ในเวอร์ชันที่ได้รับการอ้างอิงมากที่สุด ได้นิยามไว้ในเว็บไซต์ของพวกเขาว่า "การวิเคราะห์เชิงธีม (Thematic analysis หรือ TA) หมายถึงกลุ่มของวิธีการวิจัยเชิงคุณภาพที่ใช้เพื่อสำรวจและตีความรูปแบบความหมายในชุดข้อมูลต่างๆ"

มีสองคำในนิยามนั้นที่สำคัญ คำว่า "กลุ่ม" (Range) หมายความว่าการวิเคราะห์เชิงธีมเป็นตระกูลของแนวทางต่างๆ ไม่ใช่ขั้นตอนที่ตายตัวเพียงหนึ่งเดียว ส่วนคำว่า "การตีความ" (Interpreting) หมายความว่าผลลัพธ์ที่ได้คือข้อโต้แย้งเกี่ยวกับความหมายของข้อมูล ไม่ใช่การนับจำนวนสิ่งที่ข้อมูลพูดถึง

Braun และ Clarke ได้แบ่งตระกูลนี้ออกเป็นสามกลุ่ม ได้แก่ แนวทางความน่าเชื่อถือของการเข้ารหัส (coding reliability approaches) แนวทางสมุดรหัส (codebook approaches) และแนวทางสะท้อนคิด (reflexive approach) ของพวกเขาเอง ซึ่งความแตกต่างนี้จะส่งผลต่อวิธีที่คุณใช้ AI

• ความน่าเชื่อถือของการเข้ารหัส (Coding reliability) จะกำหนดสมุดรหัส (codebook) ไว้ตั้งแต่เนิ่นๆ และตรวจสอบว่าผู้เข้ารหัสแต่ละคนใช้รหัสในลักษณะเดียวกันหรือไม่
• แนวทาง สมุดรหัส (Codebook) จะใช้กรอบโครงสร้างเช่นกัน แต่จะอนุญาตให้มีการปรับเปลี่ยนได้บ้าง
• การวิเคราะห์เชิงธีมแบบสะท้อนคิด (Reflexive thematic analysis) จะเปิดกว้างสำหรับการเข้ารหัสและปล่อยให้ปรับเปลี่ยนได้เมื่อคุณมีความเข้าใจที่ลึกซึ้งยิ่งขึ้น โดยในหน้าคำถามที่พบบ่อย (FAQ) ของพวกเขาระบุไว้อย่างชัดเจนว่า "Reflexive TA จะหลีกเลี่ยงการใช้สมุดรหัส"

ในการวิเคราะห์เชิงธีมแบบสะท้อนคิด ธีมเป็นมากกว่าหัวข้อ Braun และ Clarke อธิบายว่าธีมคือ "รูปแบบของความหมายร่วมกันที่มีแนวคิดหรือไอเดียหลักรองรับ" หัวข้ออย่างเช่น "การตั้งราคา" ไม่ใช่ธีม แต่ "ลูกค้ามองว่าราคาเป็นสัญญาณของความไว้วางใจ" นั้นใช่

6 ขั้นตอนของการวิเคราะห์

Braun และ Clarke ได้สรุปขั้นตอนไว้ 6 เฟส โดยพวกเขาเน้นย้ำว่า "เฟสเหล่านี้ไม่ได้กำหนดกระบวนการที่ตายตัวที่คุณต้องปฏิบัติตามอย่างเคร่งครัด" ในทางปฏิบัติ คุณจะเคลื่อนย้ายไปมาระหว่างเฟสเหล่านี้

1. ทำความคุ้นเคยกับชุดข้อมูล (Familiarising yourself with the dataset) อ่านและอ่านซ้ำข้อมูลเหล่านั้น พร้อมจดบันทึกข้อสังเกตแรกเริ่ม
2. การเข้ารหัส (Coding) ติดป้ายกำกับสั้นๆ ให้กับส่วนข้อมูลที่มีความหมายในชุดข้อมูลทั้งหมด โดยทำตั้งแต่สองรอบขึ้นไป
3. สร้างธีมเริ่มต้น (Generating initial themes) จัดกลุ่มโค้ดต่างๆ ให้เป็นรูปแบบความหมายที่มีแนวโน้มจะเป็นธีมได้
4. พัฒนาและทบทวนธีม (Developing and reviewing themes) ตรวจสอบธีมที่คาดหวังแต่ละธีมเทียบกับข้อมูลที่เข้ารหัสไว้และชุดข้อมูลทั้งหมด แยก ควบรวม หรือตัดธีมทิ้งตามความจำเป็น
5. ปรับปรุง นิยาม และตั้งชื่อธีม (Refining, defining and naming themes) กำหนดขอบเขตและเรื่องราวของแต่ละธีม พร้อมตั้งชื่อที่สื่อความหมายได้ดี
6. การเขียนรายงาน (Writing up) เรียบเรียงการบรรยายเชิงวิเคราะห์เข้ากับข้อความที่คัดลอกมาจากข้อมูล และเชื่อมโยงเข้ากับวรรณกรรมที่มีอยู่

เว็บไซต์ของพวกเขาอธิบายกระบวนการนี้อย่างตรงไปตรงมาว่า "โดยทั่วไปแล้วการวิเคราะห์เป็นกระบวนการที่ต้องทำซ้ำไปซ้ำมา (recursive process)" จงเตรียมใจที่จะต้องกลับไปเข้ารหัสอีกครั้งหลังจากที่คุณเริ่มสร้างธีมแล้ว

ส่วนที่ AI ช่วยได้ และส่วนที่ AI ไม่ควรตัดสินใจ

AI มีประโยชน์อย่างแท้จริงสำหรับขั้นตอนที่เกี่ยวข้องกับปริมาณข้อมูลจำนวนมาก มันสามารถอ่านบทถอดความ 40 ชุดได้อย่างรวดเร็ว เสนอโค้ดที่น่าจะเป็นไปได้ ดึงข้อความคัดลอกทั้งหมดที่ตรงกับโค้ด และนับความถี่ที่รูปแบบนั้นปรากฏขึ้น

แต่ AI ไม่ควรทำหน้าที่ตัดสินใจในส่วนของการตีความ Braun และ Clarke เขียนไว้ว่า "การวิเคราะห์เชิงคุณภาพเป็นกระบวนการที่ต้องใช้ทักษะ อิงตามบริบทเฉพาะ และเป็นเรื่องของอัตวิสัย (subjective)" โมเดลไม่ได้มีส่วนได้ส่วนเสียกับคำถามวิจัยของคุณ และมันจะรับรู้เฉพาะบริบทที่คุณป้อนให้เท่านั้น

หน้าคำถามที่พบบ่อย (FAQ) ของพวกเขายังได้ระบุประเด็นที่เกี่ยวข้องเกี่ยวกับซอฟต์แวร์วิเคราะห์ว่า สิ่งสำคัญคือ "การเป็นนักวิจัยที่รู้เท่าทัน" ซึ่งหมายถึงการใช้เครื่องมือใดๆ ในลักษณะที่สอดคล้องกับคุณค่าของแนวทางที่คุณเลือกใช้

การแบ่งหน้าที่การทำงานที่เหมาะสมจะมีลักษณะดังนี้:

ขั้นตอน	สิ่งที่ AI ทำได้	สิ่งที่คุณต้องตัดสินใจ
ทำความคุ้นเคย	สรุปบทถอดความแต่ละชุด, ทำเครื่องหมายข้อความที่น่าประหลาดใจ	ข้อความใดที่สำคัญต่อคำถามวิจัยของคุณ
การเข้ารหัส	เสนอโค้ดในรอบแรกและนำไปใช้อย่างสม่ำเสมอ	โค้ดใดที่ควรเก็บไว้ ควบรวม หรือเปลี่ยนชื่อ
การสร้างธีม	จัดกลุ่มโค้ดและดึงข้อความสนับสนุน	กลุ่มโค้ดนั้นเป็นรูปแบบความหมายที่แท้จริงหรือไม่
การทบทวนธีม	ค้นหาตัวอย่างที่ขัดแย้งในชุดข้อมูล	ธีมนั้นยังคงมีน้ำหนักน่าเชื่อถือหรือไม่
การตั้งชื่อธีม	แนะนำชื่อและนิยามสั้นๆ หนึ่งบรรทัด	ชื่อสุดท้ายและเรื่องราวที่ธีมนั้นบอกเล่า
การเขียนรายงาน	ร่างเนื้อหาแต่ละส่วนและรวบรวมคำพูดอ้างอิง	ข้อโต้แย้งและข้อกล่าวอ้างของรายงาน

หากคุณใช้แนวทางสมุดรหัส (codebook) ผลลัพธ์จาก AI สามารถใช้เป็นร่างสมุดรหัสได้ แต่หากคุณใช้การวิเคราะห์เชิงธีมแบบสะท้อนคิด ให้มองว่าโค้ดจาก AI เป็นเสมือนตัวกระตุ้นความคิด ไม่ใช่ตัวผลลัพธ์การวิเคราะห์โดยตรง

ไม่ว่าคุณจะใช้แนวทางใดก็ตาม ให้บันทึกวิธีการที่ AI เข้ามามีส่วนร่วมด้วย โดยระบุเครื่องมือ ขั้นตอนที่ AI ช่วยเหลือ และสิ่งที่คุณได้ปรับเปลี่ยนในภายหลัง ย่อหน้าสั้นๆ เกี่ยวกับระเบียบวิธีวิจัยนี้จะช่วยตอบคำถามก่อนที่ผู้ประเมิน ผู้สอบ หรือผู้มีส่วนได้ส่วนเสียจะถามเสียอีก

สิ่งที่คุณต้องเตรียมก่อนเริ่มต้น

เตรียม 4 สิ่งนี้ให้พร้อมก่อนที่เครื่องมือ AI ใดๆ จะเข้าถึงข้อมูลของคุณ

คำถามวิจัยที่ชัดเจน ทุกโค้ดและทุกธีมจะถูกประเมินเทียบกับคำถามนี้ คำถามอย่างเช่น "ลูกค้ามีประสบการณ์อย่างไรในระหว่างขั้นตอนการเริ่มต้นใช้งาน (onboarding)" จะให้ผลลัพธ์การวิเคราะห์ที่แตกต่างจากคำถาม "ทำไมลูกค้าถึงยกเลิกบริการในเดือนแรก"

บทถอดความที่สะอาดและไม่มีข้อมูลระบุตัวตน (de-identified) ลบชื่อ ชื่อบริษัท อีเมล และรายละเอียดใดๆ ที่สามารถระบุตัวตนของผู้เข้าร่วมวิจัยได้ โดยต้องทำสิ่งนี้ก่อนการอัปโหลด ไม่ใช่ทำทีหลัง และตรวจสอบการอนุมัติทางจริยธรรมหรือใบยินยอมของคุณว่ามีข้อจำกัดใดๆ เกี่ยวกับการใช้เครื่องมือของบุคคลที่สามหรือไม่

เอกสารบันทึกสำหรับการสะท้อนคิดของคุณเอง การวิเคราะห์เชิงธีมแบบสะท้อนคิดจะให้ความสำคัญกับมุมมองของนักวิจัยเป็นหลัก ควรจดบันทึกสมมติฐานและความรู้สึกของคุณอย่างต่อเนื่องในขณะที่อ่าน โดยแยกส่วนนี้ออกจากสิ่งที่ AI สร้างขึ้นอย่างชัดเจน

รูปแบบไฟล์ที่สอดคล้องกัน การแยกหนึ่งไฟล์ต่อหนึ่งการสัมภาษณ์ พร้อมระบุป้ายกำกับผู้พูด จะช่วยให้การสืบค้นข้อความคัดลอกกลับไปยังแหล่งที่มาทำได้ง่ายขึ้น ควรทำดัชนีง่ายๆ ที่เชื่อมโยงโค้ดของผู้เข้าร่วมวิจัยเข้ากับวันที่สัมภาษณ์ไว้ด้วย

วิธีการวิเคราะห์เชิงธีมด้วย AI

ขั้นตอนด้านล่างนี้จะดำเนินตาม 6 เฟส โดยแบ่งออกเป็น 3 เซสชันการทำงาน

ขั้นตอนที่ 1: โหลดบทถอดความและกำหนดคำถามวิจัย

อัปโหลดบทถอดความที่ลบข้อมูลระบุตัวตนแล้วไปยังพื้นที่ทำงาน AI เช่น Powerdrill Bloom แผนบริการของเครื่องมือนี้รองรับการอัปโหลดไฟล์ Excel, CSV, PDF และเอกสารต่างๆ ดังนั้นบทถอดความในรูปแบบ Word หรือ PDF จึงสามารถใช้งานได้ทันที นอกจากนี้ คำตอบแบบสอบถามปลายเปิดที่ส่งออกไปยังสเปรดชีตก็สามารถใช้งานได้เช่นกัน

ระบุคำถามวิจัยเป็นอันดับแรกก่อนที่จะส่งคำขอใดๆ จากนั้นขอให้ AI สรุปบทถอดความแต่ละชุดสั้นๆ และแสดงรายการข้อความที่เกี่ยวข้องกับคำถามนั้น

อ่านสรุปเหล่านั้น จากนั้นให้อ่านบทถอดความด้วยตัวคุณเอง สรุปจาก AI ช่วยให้ทำความคุ้นเคยได้เร็วขึ้น แต่ไม่สามารถทดแทนการอ่านจริงได้ ให้จดบันทึกความประทับใจแรกของคุณเองในเอกสารแยกต่างหากก่อนที่คุณจะดูโค้ดที่สร้างโดย AI

ขั้นตอนที่ 2: สร้างโค้ดรอบแรก จากนั้นทำการเข้ารหัสด้วยตัวเองอีกครั้ง

สั่งให้ AI เสนอโค้ดสำหรับบทถอดความแต่ละชุด โดยขอป้ายกำกับสั้นๆ นิยามหนึ่งบรรทัดสำหรับแต่ละโค้ด และข้อความคัดลอกที่ตรงเป๊ะซึ่งสนับสนุนโค้ดเหล่านั้น

คำขอที่มีประโยชน์ควรสั้นและเฉพาะเจาะจง เช่น ให้เข้ารหัสบทถอดความสำหรับสิ่งใดก็ตามที่เกี่ยวข้องกับคำถามวิจัย กำหนดให้ป้ายกำกับมีความยาวไม่เกิน 5 คำ และอ้างอิงข้อความที่ตรงเป๊ะสำหรับแต่ละโค้ด การขอข้อความที่ตรงเป๊ะจะช่วยให้ตรวจพบได้ง่ายหากโค้ดนั้นเริ่มเบี่ยงเบนไปจากสิ่งที่ผู้เข้าร่วมวิจัยพูดจริงๆ

จากนั้นให้ทำการเข้ารหัสรอบที่สองด้วยตัวคุณเอง เปรียบเทียบโค้ดของคุณกับรายการของ AI ในจุดที่ตรงกัน โโค้ดนั้นน่าจะอธิบายถึงสิ่งที่มีอยู่จริงอย่างชัดเจน ในจุดที่แตกต่างกัน ให้พิจารณาอย่างละเอียด อาจเป็นเพราะ AI สังเกตเห็นบางสิ่งที่คุณมองข้ามไป หรือมันอาจจะแค่ติดป้ายกำกับตามคำพูดผิวเผินแทนที่จะเป็นความหมายที่แท้จริง

ตรวจสอบให้แน่ใจว่าข้อความคัดลอกทุกข้อความสามารถสืบค้นย้อนกลับได้ แต่ละโค้ดควรชี้ไปยังผู้เข้าร่วมวิจัยและข้อความเฉพาะ หน้าแรกของ Powerdrill Bloom ระบุว่าทุกๆ ตัวเลข "จะสามารถสืบย้อนกลับไปยังหน้า แถว และตัวเลขที่อยู่เบื้องหลังได้" และความสามารถในการสืบย้อนกลับแบบเดียวกันนี้ก็มีความสำคัญอย่างยิ่งสำหรับคำพูดอ้างอิงเช่นกัน

ขั้นตอนที่ 3: สร้างธีมที่คาดหวังและตรวจสอบเทียบกับข้อมูล

สั่งให้ AI จัดกลุ่มโค้ดสุดท้ายของคุณให้เป็นธีมที่คาดหวัง พร้อมทั้งแสดงข้อความสนับสนุนสำหรับแต่ละธีม โดยให้มองว่ากลุ่มเหล่านี้เป็นเพียงจุดเริ่มต้นเท่านั้น

สำหรับธีมที่คาดหวังแต่ละธีม ให้ถามคำถามหนึ่งข้อ: มีแนวคิดหรือไอเดียหลักอยู่เบื้องหลังธีมนี้หรือไม่? หากคำตอบเป็นเพียงแค่หัวข้อร่วมกัน มันก็ยังไม่ใช่ธีม ให้แยก ควบรวม หรือตัดทิ้งไป

จากนั้นให้ทดสอบแต่ละธีม โดยสั่งให้ AI ค้นหาข้อความคัดลอกที่ขัดแย้งกับธีมนั้น ธีมที่ผ่านการค้นหาตัวอย่างที่ขัดแย้งอย่างตั้งใจมาได้จะมีความแข็งแกร่งและน่าเชื่อถือมากกว่าธีมที่ไม่เคยถูกท้าทายเลย

สุดท้าย ให้ตั้งชื่อแต่ละธีมและเขียนนิยามความยาวสองประโยค ร่างเนื้อหาของรายงานทีละส่วน และตรวจสอบคำพูดอ้างอิงทุกคำเทียบกับบทถอดความต้นฉบับก่อนที่จะนำไปใส่ในรายงานจริง

ตัวอย่างการทำงานจริง

นี่คือกระบวนการแบบย่อจากการศึกษาวิจัยผลิตภัณฑ์ที่มีการสัมภาษณ์ลูกค้า 12 ราย คำถามวิจัยคือทำไมลูกค้าใหม่จึงหยุดใช้งานผลิตภัณฑ์ภายใน 30 วัน

โค้ดรอบแรกจาก AI ได้แก่ "การตั้งค่าใช้เวลานานเกินไป" "ราคาไม่ชัดเจน" และ "ต้องได้รับการอนุมัติจากฝ่าย IT"

หลังจากเข้ารหัสรอบที่สอง นักวิจัยสังเกตเห็นว่าทั้งสามโค้ดนี้ปรากฏในการสัมภาษณ์กับกลุ่มคนที่ไม่ใช่ผู้เลือกใช้ผลิตภัณฑ์ด้วยตัวเอง

ธีมที่ได้คือ "การนำไปใช้โดยไม่มีความเป็นเจ้าของ" (adoption without ownership) ลูกค้าที่ต้องมารับช่วงต่อการใช้งานผลิตภัณฑ์ไม่มีเหตุผลที่จะต้องพยายามฝ่าฟันอุปสรรคในการใช้งานช่วงแรกไปให้ได้

จากนั้นนักวิจัยได้ขอให้ AI ค้นหาตัวอย่างที่ขัดแย้ง นั่นคือลูกค้าที่ไม่ได้เลือกผลิตภัณฑ์ด้วยตัวเองแต่ยังคงใช้งานต่อไป ซึ่งมีบทสัมภาษณ์ 2 ชุดที่ตรงตามนี้ โดยทั้งคู่ได้อธิบายถึงเพื่อนร่วมงานที่ช่วยแสดงให้เห็นถึงความสำเร็จอย่างรวดเร็ว (quick win) ในสัปดาห์แรก ซึ่งข้อมูลนี้ช่วยปรับปรุงธีมให้มีความละเอียดอ่อนยิ่งขึ้นแทนที่จะเป็นการทำลายธีมนั้นลง

AI ช่วยดึงโค้ดออกมาได้อย่างรวดเร็ว แต่ธีมนั้นเกิดขึ้นจากการที่นักวิจัยสังเกตเห็นว่าใครเป็นคนพูดสิ่งเหล่านั้น ซึ่งไม่มีโค้ดใดสามารถจับประเด็นนี้ได้ด้วยตัวเอง

วิธีการนำเสนอผลลัพธ์การวิเคราะห์เชิงธีม

ส่วนผลลัพธ์มักจะเริ่มต้นด้วยตารางแสดงธีมต่างๆ จากนั้นจึงอภิปรายแต่ละธีมพร้อมข้อความสนับสนุน ตารางด้านล่างนี้แสดงรูปแบบที่นิยมใช้กันทั่วไป

ธีม	นิยาม	ผู้เข้าร่วมวิจัย	ตัวอย่างข้อความคัดลอก
การนำไปใช้โดยไม่มีความเป็นเจ้าของ (Adoption without ownership)	ผู้ใช้ที่ไม่ได้เลือกผลิตภัณฑ์ด้วยตัวเองมีเหตุผลน้อยมากที่จะใช้งานต่อไป	7 จาก 12 ราย	"ฉันถูกสั่งให้ใช้ ก็เลยทำแค่เท่าที่จำเป็น"
การตั้งค่าในฐานะความประทับใจแรก (Setup as a first impression)	ความพยายามในการตั้งค่าช่วงแรกส่งผลต่อมุมมองโดยรวมที่มีต่อผลิตภัณฑ์	9 จาก 12 ราย	"ถ้าชั่วโมงแรกมันยาก คุณก็คงคิดว่าส่วนที่เหลือก็คงยากเหมือนกัน"

หลังจากตาราง ให้ตามด้วยส่วนสั้นๆ สำหรับแต่ละธีม อธิบายแนวคิดหลัก แสดงข้อความคัดลอก 2 หรือ 3 ข้อความ และเชื่อมโยงกลับไปยังคำถามวิจัยของคุณ

เลือกข้อความคัดลอกที่แสดงให้เห็นธีมจากมุมมองที่แตกต่างกัน แทนที่จะใช้คำพูดอ้างอิง 3 คำพูดที่พูดเรื่องเดียวกัน เขียนให้สั้นกระชับ และระบุโค้ดของผู้เข้าร่วมวิจัยเสมอ ผู้อ่านจะเชื่อมั่นในธีมนั้นมากขึ้นเมื่อพวกเขาได้เห็นมุมมองจากหลากหลายเสียง

จำนวนผู้เข้าร่วมวิจัยเป็นบริบทที่มีประโยชน์ แต่แนวทางของ Braun และ Clarke ไม่ได้ใช้ความถี่เป็นเครื่องวัดความสำคัญ ธีมที่ถูกพูดถึงโดยคนเพียง 4 คนอาจมีความสำคัญมากกว่าธีมที่ถูกพูดถึงโดยคน 10 คนก็ได้

สำหรับกลุ่มผู้ฟังที่เป็นผู้มีส่วนได้ส่วนเสีย ผลลัพธ์เดียวกันนี้มักจะถูกแปลงเป็นสไลด์นำเสนอแบบสั้นๆ เครื่องมือ AI research synthesis ได้อธิบายถึงแนวทางนี้ โดยการรวมบทถอดความและแบบสอบถามเข้าด้วยกันเป็นธีม หลักฐาน และสไลด์นำเสนอสำหรับผู้มีส่วนได้ส่วนเสีย

การวิเคราะห์เชิงธีม กับ การวิเคราะห์เนื้อหา

ทั้งสองวิธีนี้มักถูกสับสนกันบ่อยครั้งเนื่องจากต่างก็ทำงานกับข้อมูลเชิงคุณภาพทั้งคู่

	การวิเคราะห์เชิงธีม (Thematic analysis)	การวิเคราะห์เนื้อหา (Content analysis)
เป้าหมายหลัก	ตีความรูปแบบของความหมาย	จัดหมวดหมู่และมักจะนับจำนวนเนื้อหา
ผลลัพธ์	ธีมที่มีแนวคิดหลัก	หมวดหมู่พร้อมความถี่
บทบาทของการนับจำนวน	เป็นเพียงบริบทสนับสนุนเท่านั้น	มักเป็นส่วนสำคัญหลัก
เหมาะที่สุดสำหรับ	การทำความเข้าใจประสบการณ์และมุมมอง	การวัดความถี่ที่สิ่งใดสิ่งหนึ่งปรากฏขึ้น

หากคำถามของคุณคือ "ลูกค้าพูดถึงเรื่องราคาบ่อยแค่ไหน" การวิเคราะห์เนื้อหาจะเหมาะสมกว่า แต่หากคำถามคือ "ราคาหมายถึงอะไรสำหรับลูกค้า" การวิเคราะห์เชิงธีมจะตอบโจทย์ได้ดีกว่า

บางโครงการอาจใช้ทั้งสองวิธีร่วมกันตามลำดับ การวิเคราะห์ความถี่ในชุดข้อมูลขนาดใหญ่จะช่วยให้เห็นว่าปริมาณข้อมูลส่วนใหญ่อยู่ที่ใด จากนั้นการวิเคราะห์เชิงธีมในกลุ่มตัวอย่างขนาดเล็กที่เฉพาะเจาะจงจะช่วยอธิบายว่าปริมาณข้อมูลเหล่านั้นหมายถึงอะไร

สำหรับความคิดเห็นในวงกว้าง เช่น รีวิวหรือตั๋วสนับสนุนจำนวนหลายพันรายการ มุมมองด้านความถี่มักเป็นสิ่งแรกที่จำเป็น เครื่องมือ Voice of Customer Summarizer จะรวบรวมช่องทางความคิดเห็นต่างๆ เข้าเป็นธีมพร้อมระบุความถี่และคำพูดอ้างอิงที่เป็นตัวแทนของแต่ละธีม

การวิเคราะห์เชิงธีมใน Excel

นักวิจัยจำนวนมากยังคงเข้ารหัสในสเปรดชีต ซึ่งทำงานได้ดีสำหรับการศึกษาวิจัยขนาดเล็ก รูปแบบง่ายๆ คือการใช้หนึ่งแถวต่อหนึ่งข้อความคัดลอก

• คอลัมน์ A: โค้ดผู้เข้าร่วมวิจัย
• คอลัมน์ B: ข้อความคัดลอกที่คัดลอกมาอย่างถูกต้องตรงเป๊ะ
• คอลัมน์ C: โค้ดรอบแรก
• คอลัมน์ D: โค้ดรอบสอง
• คอลัมน์ E: ธีมที่คาดหวัง

การกรองตามธีมจะช่วยให้คุณเห็นข้อความสนับสนุนทั้งหมดในมุมมองเดียว การนับจำนวนแถวต่อธีมและต่อผู้เข้าร่วมวิจัยยังช่วยให้เห็นได้ทันทีว่าธีมนั้นพึ่งพาผู้ให้สัมภาษณ์ที่พูดเก่งเพียงคนเดียวหรือไม่ ข้อจำกัดคือเรื่องของขนาดข้อมูล หากมีข้อความคัดลอกมากกว่าสองสามร้อยข้อความ การจัดเรียงและการเข้ารหัสใหม่ด้วยมือจะเริ่มช้าลง ซึ่งนี่คือจุดที่การจัดกลุ่มด้วยความช่วยเหลือของ AI จะช่วยประหยัดเวลาได้มากที่สุด

หากโครงการของคุณรวมถึงการทบทวนการศึกษาวิจัยที่ได้รับการตีพิมพ์ด้วย คู่มือการเขียน การทบทวนวรรณกรรม ด้วย AI ของเราจะครอบคลุมในส่วนนั้น

ข้อผิดพลาดที่พบบ่อย

• การมองหัวข้อเป็นธีม "การสื่อสาร" เป็นเพียงหัวข้อ แต่ธีมจะต้องบอกเล่าบางสิ่งเกี่ยวกับหัวข้อนั้น
• การยอมรับโค้ดจาก AI โดยไม่มีการเข้ารหัสรอบที่สอง โค้ดในรอบแรกมักจะติดป้ายกำกับตามคำพูดผิวเผินมากกว่าความหมายที่แท้จริง
• การอัปโหลดข้อมูลที่ระบุตัวตนได้ ควรลบข้อมูลระบุตัวตนออกจากบทถอดความก่อนการอัปโหลดทุกครั้ง
• การใช้จำนวนนับเป็นข้อพิสูจน์ ความถี่ช่วยสนับสนุนธีมได้ แต่ไม่ได้เป็นตัวกำหนดหรือสร้างธีมขึ้นมา
• การข้ามขั้นตอนการค้นหาตัวอย่างที่ขัดแย้ง ธีมที่ไม่เคยถูกท้าทายเลยจะมีความน่าเชื่อถือน้อยกว่าที่เห็น
• การปล่อยให้ AI ตั้งชื่อธีม ชื่อธีมคือสิ่งที่จะสื่อถึงข้อโต้แย้งหลัก ดังนั้นคุณควรเขียนชื่อเหล่านั้นด้วยตัวเองเมื่อธีมได้รับการสรุปและนิยามเรียบร้อยแล้ว

การทำสิ่งเหล่านี้ให้ถูกต้องคือสิ่งที่แยกการวิเคราะห์ที่น่าเชื่อถือออกจากการสรุปข้อมูลแบบมีหัวข้อธรรมดาๆ หากคุณต้องการให้อ่าน เข้ารหัส และจัดกลุ่มบทถอดความของคุณได้เร็วขึ้น คุณสามารถ ลองใช้งาน Powerdrill Bloom กับงานวิจัยของคุณได้

คำถามที่พบบ่อย

การวิเคราะห์เชิงธีมคืออะไรในภาษาที่เข้าใจง่าย?

การวิเคราะห์เชิงธีมคือวิธีการค้นหาและตีความรูปแบบความหมายในข้อมูลเชิงคุณภาพ เช่น การสัมภาษณ์ โดยนักวิจัยจะเข้ารหัสข้อมูล จัดกลุ่มโค้ดเหล่านั้นเข้าเป็นธีม และอธิบายว่าแต่ละธีมบอกเล่าอะไรเกี่ยวกับคำถามวิจัยบ้าง

6 ขั้นตอนของการวิเคราะห์เชิงธีมมีอะไรบ้าง?

6 เฟสของ Braun และ Clarke ได้แก่ การทำความคุ้นเคยกับชุดข้อมูล การเข้ารหัส การสร้างธีมเริ่มต้น การพัฒนาและทบทวนธีม และการปรับปรุง นิยาม และตั้งชื่อธีม ส่วนขั้นตอนที่หกคือการเขียนรายงาน ทั้งนี้พวกเขาได้ระบุว่าเฟสเหล่านี้ไม่ใช่กฎเกณฑ์ที่ตายตัว

AI สามารถทำการวิเคราะห์เชิงธีมได้หรือไม่?

AI สามารถช่วยในส่วนของงานที่เน้นปริมาณได้ เช่น การสรุปบทถอดความ การเสนอโค้ด และการดึงข้อความคัดลอก แต่การตีความเพื่อตัดสินใจว่าธีมนั้นหมายถึงอะไรยังคงต้องอาศัยนักวิจัย โดย Braun และ Clarke อธิบายว่าการวิเคราะห์เชิงคุณภาพเป็นกระบวนการที่ต้องใช้ทักษะ อิงตามบริบทเฉพาะ และเป็นเรื่องของอัตวิสัย

การวิเคราะห์เชิงธีมควรมีกี่ธีม?

Braun และ Clarke กล่าวว่า "ไม่มีสูตรสำเร็จที่แน่นอนในการกำหนดจำนวนธีมในการวิเคราะห์เชิงธีม (TA)" ซึ่งขึ้นอยู่กับข้อมูล คำถามวิจัย และความยาวของรายงาน การวิเคราะห์สามารถรายงานธีมเดียวอย่างลึกซึ้ง หรือนำเสนอภาพรวมที่กว้างกว่าก็ได้

การวิเคราะห์เชิงธีมและการวิเคราะห์เนื้อหาแตกต่างกันอย่างไร?

การวิเคราะห์เชิงธีมจะตีความรูปแบบของความหมายและสร้างธีมขึ้นมา ส่วนการวิเคราะห์เนื้อหาจะจัดหมวดหมู่เนื้อหาและมักจะนับความถี่ที่หมวดหมู่เหล่านั้นปรากฏขึ้น ควรเลือกการวิเคราะห์เชิงธีมเพื่อทำความเข้าใจประสบการณ์ และเลือกการวิเคราะห์เนื้อหาเพื่อวัดความถี่

แหล่งที่มา: Braun and Clarke, Thematic Analysis · Understanding TA · Doing Reflexive TA · Thematic Analysis FAQs ตัวอย่างการทำงานจริงและตารางผลลัพธ์จัดทำขึ้นเพื่อประกอบการอธิบายเท่านั้น