質的インタビューのコーディング方法：実践ガイド

先に結論

質的インタビューをコーディングするには、まず文脈を含めて文字起こしを読み、意味のある区間へ短いラベルを付けます。ラベルを整理してコードブックを作り、複数のインタビューへ一貫して適用した後、関連するコードをカテゴリーとテーマへまとめます。すべてのコードを正確な引用へ結びつけておけば、テーマや知見を元データから検証できます。

コーディングは要約とは異なります。要約は一つのインタビューを短くし、コードは特定の区間をマークして、データ全体から類似点や相違点を探せるようにします。

コード、カテゴリー、テーマの違い

• コード：「手作業の回避策」「上司の承認が必要」など、区間につける短いラベル。
• **カテゴリー：**関連コードをまとめた「購入上の制約」などのまとまり。
• テーマ：「法人購入者には設定時間より承認リスクが重要」のように、データの意味あるパターンを説明する主張。

テーマは引用を入れたフォルダの別名ではありません。解釈を含むため、エビデンス、適用範囲、例外の検討が必要です。

1. 帰納・演繹・混合アプローチを選ぶ

帰納的コーディングでは、インタビューからコードを生み出します。予想外の行動や参加者の言葉へ開かれた分析に向きます。

演繹的コーディングでは、調査課題や既存の枠組みから暫定コードを用意します。比較しやすい一方、枠外の材料を見落とす可能性があります。

混合型は少数の暫定コードから始め、データに応じて追加します。実務のプロダクトリサーチでは使いやすい方法です。どの方法を選んだかだけでなく、コードを追加・変更する規則も記録します。

2. コーディングする区間を決める

単位は句、文、発話ターン、短い段落などです。意味を保てる文脈を含みつつ、複数の考えを一つにまとめすぎない長さにします。

単語だけを見てコードを付けないでください。「高い」は価格、人件費、移行リスク、失敗するコストのどれかもしれません。前後を読み、表現された意味をコード化します。

一つの区間が複数の問いに関係する場合は、原文を複製せず、一つのソースへ複数コードを付けます。

3. 1回目のコーディングを行う

属性や結果が異なる2〜3件のインタビューから始めます。最初に全体を一度読み、次に文または区間ごとにコードを付けます。

• 行動、ニーズ、制約、動機、結果を表す簡潔なラベルを使う。
• 重要な概念を表す参加者自身の言葉を活かす。
• 解釈が不確かなときはメモを残す。
• 反証を既存コードへ無理に入れない。
• すべての文に新しいコードを作らない。

ハイライトとタグのガイドでは、原文区間を保持したままラベルを付ける流れを確認できます。

4. コードブックを作る

数件を終えたらコードを見直し、重複を統合し、二つの意味を含むコードを分割し、調査課題に役立たないものを外します。

各コードには、名前、定義、含める条件、含めない条件、文脈付きの引用例を記録します。定義を大きく変えた場合は、後半だけに新ルールを使わず、初期のインタビューも再確認します。

5. 2回目の分析でテーマを作る

次に、コード間の順序、原因、条件、緊張関係、結果を探します。「手動コピー」「経理待ち」「提案資料の作り直し」は引き継ぎ作業のカテゴリーになり得ます。テーマにするには、いつ起こり、誰に影響し、なぜ重要かまで説明します。

候補テーマについて、支持する引用、当てはまらない参加者、他テーマとの違い、回答する調査課題、エビデンスを超えていないかを確認します。

6. インタビュー間で比較する

参加者を一方の軸、質問・コード・テーマをもう一方の軸にしたマトリクスを作ると、共通点、セグメント差、反例が見えます。ただし、小規模な質的サンプルを統計的代表性のある結果のように扱ってはいけません。

件数はデータを説明しますが、解釈の代わりにはなりません。周辺の流れは顧客インタビューの分析方法で確認できます。

7. AIの提案を人がレビューする

AIは候補コード、似た区間の集約、見落とした材料の発見を支援できます。しかし、存在しない引用を作る、エビデンスを黙って言い換える、テーマが確定したと決める役割は持たせません。

生成されたコードや知見には、必ず確認可能な文字起こし区間を求めます。文脈を読み、ソースと合わないラベルを修正し、研究者間の解釈の違いも残します。知見レビューガイドでは、引用、限界、反証の確認方法を説明しています。

コーディング品質チェック

• アプローチとコーディング単位を記録した。
• すべてのコードが正確な原文区間を指す。
• 定義に境界と例を含めた。
• コードブックの変更を必要な過去データへ反映した。
• 反証と未コード部分を確認した。
• テーマがカテゴリー名の言い換えではなく、パターンを説明している。
• 主張がサンプルを超えていない。
• AIの提案を人がレビューした。

よいコーディングは解釈の道筋を見えるようにします。別の研究者が同じラベルを選ばなくても、原文がどのようにテーマへ変わり、なぜ主張の範囲が限定されたかを追える状態が大切です。