Przypis1

Analiza tematyczna krok po kroku: sześć faz Braun i Clarke, kod a temat, przykład

Analiza tematyczna to sposób pracy z transkrypcjami wywiadów: kodujesz fragmenty wypowiedzi, z kodów budujesz tematy, czyli wzorce wspólnego znaczenia, a potem piszesz raport, w którym każdy temat ma cytaty. W refleksyjnej analizie tematycznej Braun i Clarke prowadzi przez to sześć faz. Tematy nie leżą w danych gotowe do znalezienia: buduje je badacz i za każdy odpowiada.

Poniżej: która wersja metody jest Twoja, sześć faz po kolei, jak zakodować wywiad, czym temat różni się od kodu i co w tym wszystkim wolno modelowi językowemu. Wszystkie wypowiedzi rozmówców w przykładach są zmyślone.

Analiza tematyczna Braun i Clarke czy inna? Najpierw wybierz wersję

„Analiza tematyczna” to nazwa kilku metod, nie jednej. Braun i Clarke w artykule z 2021 roku dzielą je na trzy grupy1:

  • Coding reliability. Tematy powstają wcześnie, czasem przed analizą; kilku koderów pracuje niezależnie na stałej księdze kodów, a jakość mierzy się zgodnością między nimi.
  • Podejścia kodebookowe (autorki zaliczają tu między innymi analizę ramową i analizę szablonową). Też mają ustrukturyzowaną księgę kodów i wczesne tematy, ale zgodność koderów zwykle nie jest w nich miarą jakości.
  • Refleksyjna analiza tematyczna. Kodowanie jest otwarte, bez stałej księgi kodów, tematy są wynikiem kodowania i kolejnych przeglądów, a subiektywność badacza jest zasobem analizy, nie błędem do usunięcia.

To są różne metody z różnymi zasadami. Autorki opisują jako częsty problem łączenie refleksyjnej analizy z księgą kodów i miarami zgodności bez uzasadnienia1. W rozdziale o metodzie piszesz więc, którą wersję stosujesz, i trzymasz się jej zasad. Dalej mowa o wersji refleksyjnej, bo to jej dotyczy sześć faz opisanych przez autorki.

Sześć faz analizy tematycznej

Najnowsze sformułowanie faz według autorek brzmi tak1:

  1. Zapoznanie się z danymi i notatki z tego etapu. Czytasz wszystkie transkrypcje, najlepiej dwa razy, i zapisujesz na marginesie, co zwraca uwagę. To jeszcze nie kody.
  2. Systematyczne kodowanie danych. Przechodzisz cały materiał, wywiad po wywiadzie, i nadajesz kody fragmentom ważnym dla pytania badawczego.
  3. Wygenerowanie wstępnych tematów z zakodowanych i zebranych danych. Grupujesz kody wokół wspólnych idei. W artykule z 2006 roku ta faza nazywała się „szukaniem tematów”; autorki zmieniły nazwę, żeby podkreślić, że tematy tworzy badacz1.
  4. Rozwijanie i przegląd tematów. Sprawdzasz, czy zakodowane fragmenty pasują do tematu i czy temat ma sens na tle całego materiału. Część kandydatów odpada, część się łączy.
  5. Dopracowanie, zdefiniowanie i nazwanie tematów. Każdy temat dostaje centralną ideę w jednym lub dwóch zdaniach i nazwę, która coś twierdzi.
  6. Napisanie raportu. Twierdzenie, cytat, interpretacja, temat po temacie.

Autorki zastrzegają, że to nie przepis do odhaczania: z doświadczeniem fazy się przenikają, a analiza wraca do wcześniejszych kroków1. Jeśli opisujesz fazy w metodzie, opisujesz to, co naprawdę robiłeś. Artykuł z 2006 roku, od którego wszystko się zaczęło, ukazał się w „Qualitative Research in Psychology”2; jeśli go cytujesz, czytasz go w całości, a nie streszczenie z internetu.

Jak zakodować wywiad?

Zaczynasz od transkrypcji, sprawdzonej z nagraniem i zanonimizowanej; jak ją przygotować, opisuje tekst o transkrypcji wywiadu do pracy. Kod ujmuje jedną obserwację w danych1. Nazywasz go krótką frazą, która coś mówi, a nie jednym słowem.

Przykład (zmyślone badanie i wypowiedzi): pytanie badawcze brzmi „Jak studenci pracujący w systemie zmianowym opisują planowanie nauki?”. Trzy fragmenty i kody:

R2: „Grafik dostaję w czwartek na następny tydzień, więc kolokwium planuję dopiero, jak zobaczę, czy mam wolne.” Kod: plan nauki czeka na grafik z pracy

R5: „Mam w telefonie dwa kalendarze, jeden z pracy, drugi z uczelni, i one się ze sobą nie gadają.” Kod: dwa niepołączone porządki czasu

R7: „Prowadzący mówią: przecież termin był podany miesiąc temu. Tylko że ja miesiąc temu nie wiedziałam, kiedy pracuję.” Kody: termin uczelni wyprzedza wiedzę o grafiku; poczucie, że uczelnia tego nie widzi

Kod „praca” przy każdym z tych fragmentów byłby prawdziwy i bezużyteczny. Fragment może mieć dwa kody, jak u R7. Do zapisu wystarczy arkusz z kolumnami: rozmówca, linia, fragment, kod, notatka. Przy każdym kodzie dopisujesz definicję jednym zdaniem i listę rozmówców, u których występuje. Ta kolumna nie służy do liczenia procentów, tylko pokazuje, czy temat nie stoi na wypowiedziach jednej osoby.

Jak zebrać materiał, który da się tak kodować, opisuje artykuł o tym, jak przeprowadzić wywiad do pracy.

Temat a kod: czym się różnią?

W refleksyjnej analizie tematycznej temat to wzorzec wspólnego znaczenia, zbudowany wokół jednej centralnej idei1. Autorki porównują kod do obserwacji, która pokazuje jeden aspekt, a temat do kryształu o wielu ścianach: zbiera wiele obserwacji i może łączyć wypowiedzi, które na powierzchni wyglądają na różne1.

Najczęstszy błąd to temat pomylony z obszarem rozmowy. Braun i Clarke nazywają to podsumowaniem tematycznym (topic summary): pod nagłówkiem „Praca” albo „Trudności” leży wszystko, co ktoś powiedział na ten temat, ale bez idei, którą da się obronić1. Wśród pytań kontrolnych dla recenzentów autorki pytają wprost, czy jako tematów nie użyto pytań ze scenariusza wywiadu1.

Ciąg dalszy przykładu (zmyślony):

Nazwa Co mówi
Obszar „Praca a studia” nic poza tym, o czym rozmawiano
Temat „Cudzy kalendarz decyduje, kiedy wolno się uczyć” studenci nie planują nauki, tylko dopasowują ją do harmonogramu, którego nie kontrolują, a uczelnia zakłada horyzont planowania, którego oni nie mają

Pod tym tematem lądują wszystkie cztery kody z poprzedniej sekcji. Kandydat „Zmęczenie” odpadł: zbierał wypowiedzi o tym samym słowie, ale bez wspólnej idei; jego kody trafiły do innych tematów albo zostały poza raportem, z zapisanym powodem. Ten moment, w którym kandydat odpada, to analiza, a nie streszczenie rozmów.

Dlaczego tematy się nie wyłaniają?

Zdanie „z analizy wyłoniły się trzy tematy” jest w pracach dyplomowych bardzo częste. Braun i Clarke opisują je jako jeden z dziesięciu problemów publikowanych analiz: zakłada, że tematy istnieją w danych przed analizą i wystarczy je odkopać, jak diamenty w piasku1. W ich podejściu temat jest wynikiem pracy badacza, jego decyzji i interpretacji.

Zamiast „wyłoniły się” piszesz, co zrobiłeś:

Na podstawie 38 kodów zbudowałam sześciu kandydatów na tematy. Po przeglądzie zakodowanych fragmentów i całego materiału zostały trzy tematy; kandydaci „Zmęczenie” i „Relacje w pracy” zostali odrzuceni, ponieważ nie mieli wspólnej idei.

Liczby w tym wzorze są zmyślone.

Czy liczyć zgodność dwóch koderów?

W refleksyjnej analizie tematycznej nie. Autorki piszą, że szukanie rzetelności kodowania i unikanie „stronniczości” jest w ich podejściu nielogiczne, bo znaczenie zależy od sytuacji i od osoby, która je odczytuje1. Zamiast współczynnika pokazujesz przejrzystość: tabelę kodów z definicjami, mapę tematów z odrzuconymi kandydatami i akapit o refleksyjności, czyli o tym, kim jesteś wobec badania i jak to mogło wpłynąć na odczytanie.

Jeśli promotor wymaga miary zgodności, to wymaga innej metody: coding reliability. Wtedy bierzesz jej zasady w całości, z księgą kodów ustaloną przed kodowaniem i drugim człowiekiem jako koderem, a nie dokładasz współczynnika do refleksyjnej analizy. Przy obu wersjach granice wniosków opisujesz w podrozdziale o ograniczeniach; jak go napisać, opisuje artykuł o ograniczeniach badania.

Analiza tematyczna a AI: co wolno modelowi?

Kodujesz sam. Model może najwyżej przeczytać ten sam fragment drugi raz i pokazać, co zauważył. Zanim cokolwiek wkleisz, muszą być spełnione trzy warunki:

  1. Zgoda rozmówców obejmuje taki krok, zapisana w formularzu zgody przed wywiadem.
  2. Zasady uczelni na to pozwalają. Przykład: zarządzenie rektora Politechniki Białostockiej z 2025 roku stanowi, że narzędzia GenAI nie mogą generować całych rozdziałów, wyników badań ani wniosków końcowych3. Gdy uczelnia nie ma zasad, pytasz promotora mailem.
  3. Tylko tekst zanonimizowany. Nigdy nagranie, nigdy transkrypcja z imionami albo z kluczem kodów.

Model nie jest drugim koderem. Nie liczysz zgodności między sobą a modelem i nie piszesz, że „kodowanie zweryfikowano za pomocą AI”. Różnice między Twoim kodowaniem a jego listą to pytania do Ciebie: czy coś umknęło, czy definicja kodu jest za wąska, czy model wpisał w tekst coś, czego tam nie ma.

Przykład (zmyślony): model zaproponował do wypowiedzi R7 kod „stres”. Autorka go odrzuciła, bo rozmówczyni nie mówi o stresie, tylko o rozjeździe terminów; słowo „stres” byłoby dopisaniem stanu, którego w tekście nie ma. Decyzję i powód zapisała w tabeli kodów.

Polecenie do drugiego czytania:

Poniżej fragment zanonimizowanej transkrypcji wywiadu z mojego badania. Pytanie badawcze: [pytanie]. Wypisz miejsca, które wydają Ci się ważne dla tego pytania. Przy każdym podaj numer linii, dosłowny fragment i jednym zdaniem, co w nim widzisz. Jeśli coś jest Twoim domysłem, oznacz to DOMYSŁ. Nie nadawaj nazw tematom, nie streszczaj wywiadu i nie formułuj wniosków.

Model nie generuje cytatów: każdy cytat kopiujesz z transkrypcji sam, a każdy „dosłowny” fragment z odpowiedzi modelu znajdujesz wyszukiwaniem w transkrypcji. Nie pisze też interpretacji ani nazw tematów. Do czego model służył, opisujesz w nocie o użyciu AI, zgodnie z prawdą.

Najczęstsze błędy w analizie tematycznej

  • Tematy nazwane jak bloki scenariusza: „Praca”, „Trudności”, „Czas”.
  • „Wyłoniły się” bez słowa o tym, jak tematy powstały.
  • Kilkanaście „tematów”, z których każdy jest jednym kodem.
  • Fazy opisane w metodzie, choć analiza szła inaczej.
  • Zgodność koderów przy metodzie, która jej nie przewiduje, w tym zgodność z modelem.
  • Procenty w wynikach: „60% rozmówców uważa”. Z kilkunastu celowo dobranych rozmów nie wynika rozkład w populacji.

Całą drogę od scenariusza wywiadu do rozdziału z wynikami, z tabelą kodów, mapą tematów i kartami do wydruku, przechodzisz w kursie Wywiady w pracy dyplomowej. Gdy masz już tematy, opis metody złożysz według tekstu o tym, jak napisać rozdział metodologiczny.

Przypisy

  1. Virginia Braun, Victoria Clarke, One size fits all? What counts as quality practice in (reflexive) thematic analysis?, „Qualitative Research in Psychology” 2021, t. 18, nr 3, s. 328-352, https://doi.org/10.1080/14780887.2020.1769238; tekst odczytany w kopii https://www.sfu.ca/~palys/Braun&Clarke-2021-ReflexiveThematicAnalysis.pdf: sformułowanie sześciu faz, trzy grupy wersji analizy tematycznej, problemy trzeci, siódmy, ósmy i dziewiąty, pytanie 15 dla recenzentów (dostęp: 27 października 2026). ↑ ↑2 ↑3 ↑4 ↑5 ↑6 ↑7 ↑8 ↑9 ↑10 ↑11 ↑12

  2. Virginia Braun, Victoria Clarke, Using thematic analysis in psychology, „Qualitative Research in Psychology” 2006, t. 3, nr 2, s. 77-101, https://doi.org/10.1191/1478088706qp063oa; dane bibliograficzne sprawdzone w Crossref (dostęp: 27 października 2026). ↑

  3. Politechnika Białostocka, Zarządzenie nr 95/2025 Rektora PB z dnia 8 października 2025 r. w sprawie korzystania z systemów sztucznej inteligencji (GenAI) w procesie kształcenia i dyplomowania w Politechnice Białostockiej, § 3, https://wi.pb.edu.pl/wp-content/uploads/2025/10/Zarzadznie-nr-95-Rektora-PB.pdf (dostęp: 27 października 2026). ↑

Dalej w dziale badanie i metoda