主题分析
- 提出者
- Virginia Braun and Victoria Clarke
- 年份
- 2006
- 类型
- Method
- 类别
- inductive-pattern-recognition
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
主题分析(TA)是一种定性研究方法,用于识别、分析和报告定性数据中的模式(主题)。主题分析由Virginia Braun和Victoria Clarke(2006)系统开发,具有灵活性和易用性,可应用于各种理论框架和数据类型,使其成为心理学、健康研究和社会科学中最广泛使用的定性方法之一。
方法背后的直觉
主题分析通过识别和组织数据以形成有意义的模式或主题来工作——这些主题是重复的观点、概念或意义,能够捕捉到数据中与研究问题相关的重要信息。与旨在生成新理论的扎根理论或探索生活经验的现象学不同,主题分析更具描述性:它识别数据中的内容并对其进行连贯的组织。现代主题分析的一个关键区别在于理论驱动(演绎)编码——即根据预定类别对数据进行编码——与数据驱动(归纳)编码,即主题本身从数据中涌现。反思性主题分析(Braun & Clarke 2019)明确承认研究者是主动构建主题,而不是客观地“发现”它们;这种透明度将其与暗示主题是被发现的早期版本区分开来。
历史学
Braun和Clarke于2006年引入了系统的主题分析,作为一种更透明、理论上更灵活的非理论性定性数据总结替代方法。他们的六阶段程序被广泛应用于心理学、护理学、健康和社会科学。Boyatzis(1998)等人此前曾描述过主题方法,但2006年的框架提供了前所未有的清晰度。2019年,Braun和Clarke发表了《反思反思性主题分析》,将主题分析重新定义为根本上是反思性的:研究者根据其分析选择和理论定位主动构建主题。这次更新澄清了主题分析不是价值中立的发现,而是解释性的社会科学。
何时使用
当您试图识别、描述和组织定性数据中的意义模式,而不需要生成新理论(为此请使用扎根理论)或探索生活经验(请使用现象学)时,可以使用主题分析。主题分析非常适合回答“……的障碍是什么?”或“……参与者的观点是什么?”的研究问题。它适用于各种参与者样本、访谈类型,甚至不同的数据模式。主题分析非常适合旨在为实践、政策或服务改进提供信息的应用研究。它足够灵活,适用于探索性描述性研究,也足够复杂,适用于理论检验或假设生成研究,具体取决于您的方法。
局限与注意事项
- 如果分析仅停留在描述性层面而没有更深层次的解释,则存在表面化的风险;可能会产生长串的主题而没有综合意义或理论贡献。
- 灵活性既是优点也是缺点:缺乏严格的程序会导致不一致;执行不当会产生薄弱或特异性的结果。
- 不生成理论(与扎根理论不同)或探索本质结构(与现象学不同);从主题分析得出的理论必须单独验证。
- 文献中的术语和程序变异(较旧与较新的主题分析,反思性与非反思性方法)导致关于正在进行的是哪个版本的歧义。
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 灵活且易于访问:可应用于各种理论框架和研究范式,适合新手和经验丰富的研究者。
- 对于大型数据集或每位参与者的多次访谈来说效率很高;可以系统地分析大量的定性数据。
- 清晰的六阶段程序提供了结构化、透明的方法,并产生了审计追踪以证明严谨性。
- 反思性主题分析(2019)明确承认研究者在主题构建中的作用,减少了虚假的客观发现声明,并促进了方法论的透明度。
应用
- 分析患者或护理者对疾病管理、治疗障碍或服务质量的看法,以指导临床指南和以患者为中心的护理改进。
- 探索员工对组织变革、工作场所文化或福祉的体验,以指导人力资源政策和领导力培训。
- 识别媒体报道或社交媒体讨论中的主题,以了解公众认知和传播策略。
- 检查家长和学生对学校经历、学习或欺凌的看法,以制定循证干预措施。
- 分析项目评估的访谈数据,以评估干预的保真度、障碍和可接受性,从而改进项目。
使用方式
使用方式
通过访谈、焦点小组、开放式调查、文件或媒体(图像、视频)收集定性数据。进行足够规模的意向性抽样以解决您的研究问题(没有固定规则;通常根据深度和复杂性为5-50+名参与者)。逐字转录访谈,注意语气和沉默(如果它们对您的研究问题有意义)。对于演绎性主题分析,提前操作化类别;对于归纳性主题分析,在没有预定编码的情况下开放地处理数据。通过多次阅读和重读转录稿来沉浸在数据中,以熟悉数据并识别初步印象。
按照六个阶段进行系统编码(Braun & Clarke 2006):(1)熟悉——多次阅读转录稿,记录模式和有趣的特征;(2)初步编码——逐行对整个数据集中有意义的片段进行编码,保持一致性并生成详尽的编码列表;(3)寻找主题——将编码组织成潜在主题(具有连贯模式的类别),识别编码之间的关系;(4)审查主题——对照编码数据和完整数据集检查主题;消除数据支持不足的主题,合并重叠的主题,或拆分不连贯的主题;(5)定义和命名主题——为每个主题制定简洁、清晰的名称和定义,捕捉其本质和范围;(6)撰写——起草分析,将主题与数据中的支持性引文相结合。在此过程中,使用持续比较:将新编码与现有编码进行比较以确保一致性。反思性主题分析强调记录您的解释性决策,并承认您的理论视角如何塑造了主题的构建。
将研究结果呈现为主题图或主题及其关系的叙述性账户。每个主题都应解决您的研究问题,并得到多个数据摘录(直接引言)的支持。对每个主题相对于您的研究问题和理论框架的意义进行分析。避免仅仅总结或列出主题;提供解释。一个好的主题分析可以揭示仅阅读原始数据无法显现的模式。在您的陈述中清楚地区分数据驱动(归纳)和理论驱动(演绎)的方法,并承认主题是通过分析选择构建的,而不是客观发现的。
常见陷阱
- 进行非理论性分析:未能明确阐述理论框架和研究问题;主题应服务于您的研究问题,而不是独立存在。
- 主题泛滥:生成过多主题但数据支持很少,或将编码与主题混淆(一个主题需要多个编码和支持性数据)。
- 主题发展不足:主题命名模糊,引文不足,或未能解释意义;读者应理解每个主题是什么以及为什么它很重要。
- 忽略数据矛盾:忽略不符合新兴主题的数据或未能探索变异性;好的主题分析承认细微差别和主题内的变异。
常见问题
反思性主题分析(Braun & Clarke 2019)与原始主题分析方法有何不同?
原始主题分析(Braun & Clarke 2006)提出了六个系统阶段,但暗示主题可以通过仔细编码在数据中“找到”或“发现”。反思性主题分析(2019)明确指出,研究者通过解释性选择主动构建主题:决定什么相关、哪些编码要分组、如何命名主题。反思性主题分析将术语从“编码”(暗示被动标记)改为“编码/解释”(暗示主动意义构建)。它要求明确承认研究者的定位、理论框架以及主观性如何塑造了分析。阶段是相同的,但认识论对解释更加透明和诚实。
归纳主题分析和演绎主题分析之间有什么区别?
归纳主题分析允许主题在没有预定类别的情况下从数据中涌现;您开放地阅读数据,编码从观察到的模式中发展出来。这是探索性的和理论生成的。演绎主题分析应用预定的编码框架或理论类别来组织数据;这是假设检验或理论检验。大多数主题分析是归纳性的,或主要是归纳性的,并包含一些演绎性元素。明确说明您使用的方法;演绎分析是有效的,但服务于不同的研究目标(检验与探索)。
我应该有多少个编码或主题?
没有目标数量。主题分析的编码数量因数据量、复杂性和问题焦点而异:通常从15-20次访谈中获得20-60个初始编码,最终分析中精简为5-15个主题。如果您有50多个主题,您可能需要更高阶的聚类或更清晰的定义。主题应该是不同的但相关的;如果所有主题感觉相似或无关,请重新检查您的编码或问题。质量比数量更重要;一个精心开发、包含四个主题的分析优于一个包含二十个主题但缺乏连贯性的分析。
我如何确保主题基于数据,而不仅仅是我的解释?
每个主题都必须得到多个数据摘录的支持(每个主题通常有4-6+个引文,主要主题需要更多)。在您的结果中提供引文证据。使用编码矩阵或频率表显示哪些参与者对每个主题做出了贡献——如果一个主题仅基于一位参与者的数据,它可能过于特殊化。进行持续比较,将新编码与现有编码进行核对。同行评审:与同事讨论新兴主题,以检验您的解释是否合理。会员核查(在可行的情况下)与参与者可以验证主题是否与其经历产生共鸣。记录您的分析决策(备忘录、分析笔记),以展示从编码到主题的逻辑链。
我可以使用主题分析处理大型数据集或二手数据吗?
可以。主题分析是可扩展的:您可以将其应用于10次或100次访谈。对于大型数据集,系统的编码程序对于确保一致性变得更加重要。二手数据(例如,先前研究的访谈记录、调查的开放式回答、已出版的自传、社交媒体)如果数据收集的主题与您的研究问题相关,则可以进行主题分析。请注意,与一手数据收集相比,二手主题分析可能缺乏背景或关系丰富性。
相关方法
参考文献
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101.
打开 DOI 文献已复制。Braun, V., & Clarke, V. (2019). Reflecting on reflexive thematic analysis. Qualitative Research in Sport, Exercise and Health, 11(4), 589–597.
打开 DOI 文献已复制。Boyatzis, R. E. (1998). Transforming qualitative information: Thematic analysis and code development. Sage Publications.
打开出版物文献已复制。