Czym jest analiza tematyczna i do czego się przydaje
Praktyczna definicja analizy tematycznej
Analiza tematyczna to uporządkowany sposób pracy z danymi jakościowymi, który polega na wyszukiwaniu powtarzających się znaczeń, motywów i wątków w wypowiedziach, tekstach czy innych materiałach. Zamiast zatrzymać się na poziomie pojedynczych cytatów, celem jest zbudowanie z nich większych całości – tematów, które wyjaśniają, jak ludzie rozumieją dane zjawisko, o czym mówią i jakie znaczenia nadają swoim doświadczeniom.
W praktyce analiza tematyczna sprowadza się do kilku kroków: dokładnego czytania lub słuchania danych, nadawania fragmentom krótkich etykiet (kodów), grupowania tych kodów w kategorie, a potem w szersze tematy. Na końcu opisujesz te tematy własnymi słowami, ilustrując je cytatami i pokazując, co mówią o badanym problemie.
To metoda bardzo elastyczna. Można ją stosować zarówno bardzo „lekko” – np. do roboczej analizy kilkudziesięciu komentarzy klientów – jak i w sposób bardziej rygorystyczny, np. w pracy magisterskiej czy artykule naukowym. Fundament pozostaje ten sam: systematyczne szukanie znaczeń, a nie tylko „przeglądanie wypowiedzi”.
Analiza tematyczna a zwykłe „czytanie ze zrozumieniem”
Na pierwszy rzut oka analiza tematyczna przypomina dokładne czytanie ze zrozumieniem. Różnica polega jednak na tym, że:
Pracujesz systematycznie – wszystkie dane przechodzą przez ten sam proces, a nie tylko „co ciekawsze fragmenty”.
Zostawiasz ślad analityczny – zapisujesz kody, kategorie, decyzje, a nie tylko własne wrażenia.
Porównujesz dane między sobą – sprawdzasz, co się powtarza, co jest wyjątkowe, gdzie występują różnice.
Tworzysz wyraźną strukturę tematów – na koniec jesteś w stanie pokazać 3–6 kluczowych tematów, a nie tylko „co kto powiedział”.
Zwykłe czytanie często kończy się notatką typu: „Ludzie narzekają na obsługę klienta, ale chwalą produkt”. Analiza tematyczna idzie dalej: rozbija to na konkretne wątki (np. brak informacji, długi czas odpowiedzi, ton wypowiedzi konsultantów), pokazuje ich powiązania i znaczenie. Dzięki temu otrzymujesz mapę znaczeń, którą możesz wykorzystać w działaniach praktycznych.
Gdzie wykorzystasz analizę tematyczną w praktyce
Analiza tematyczna jest szczególnie przydatna w sytuacjach, gdy masz sporo tekstu (lub nagrań) i chcesz zrozumieć, jak ludzie mówią o danym zjawisku. Typowe zastosowania to:
Prace dyplomowe i naukowe – analiza wywiadów z nauczycielami, rodzicami, przedsiębiorcami; interpretacja wypowiedzi w badaniach socjologicznych czy psychologicznych.
Badania UX i produktowe – analiza transkryptów wywiadów z użytkownikami, testów użyteczności, feedbacku z czatu lub zgłoszeń na helpdesk.
Marketing i komunikacja marek – analiza komentarzy w social media, opinii w ankietach otwartych, wypowiedzi w recenzjach produktowych.
Analiza komunikacji organizacji – badanie języka używanego na stronach WWW, w ofertach pracy, raportach CSR, materiałach prasowych.
Badania społeczne – rozpoznanie, w jaki sposób ludzie mówią o problemach zdrowotnych, edukacyjnych, ekonomicznych, jak uzasadniają swoje decyzje.
W każdym z tych kontekstów analiza tematyczna pomaga przejść od „mamy mnóstwo wypowiedzi” do „wiemy, jakie są główne wątki, problemy i sposoby myślenia”. To z kolei ułatwia podejmowanie decyzji: projektowych, marketingowych, strategicznych czy badawczych.
Mocne strony analizy tematycznej
Metoda zyskała ogromną popularność właśnie dlatego, że jest uniwersalna i skalowalna. Jej kluczowe zalety to:
Elastyczność – można ją dopasować do różnych podejść badawczych (bardziej opisowych lub interpretacyjnych), a także do różnych dyscyplin.
Praca na różnych typach danych – od klasycznych wywiadów, przez grupy fokusowe, po komentarze w social media czy treści na stronach WWW.
Przejrzystość – kolejne kroki da się opisać, obronić i powtórzyć; łatwiej więc uzasadnić swoje wnioski przed promotorem, zespołem czy klientem.
Dobra „wejściówka” do metod jakościowych – analiza tematyczna jest przystępna dla początkujących, a jednocześnie wystarczająco głęboka dla bardziej zaawansowanych projektów.
To wszystko sprawia, że analiza tematyczna jest jednym z najpraktyczniejszych narzędzi, które można mieć w badawczym „arsenale”. Daje konkretny, uchwytny efekt: listę kluczowych tematów, zilustrowanych cytatami, z jasnymi wnioskami.
Przykład z życia: mała firma i otwarte odpowiedzi klientów
Wyobraź sobie niewielką firmę szkoleniową, która wysyła do uczestników krótką ankietę po każdym kursie. Zawiera ona pytanie otwarte: „Co możemy poprawić?”. Po kilku miesiącach zbierają się dziesiątki lub setki odpowiedzi. Przeglądanie ich „po kolei” daje ogólne wrażenie, ale trudno na tej podstawie podjąć konkretną decyzję.
Właścicielka firmy decyduje się na prostą analizę tematyczną:
Zbiera wszystkie odpowiedzi w jednym pliku.
Czyta je kilkukrotnie, zaznaczając powtarzające się wątki (np. „tempo szkolenia”, „materiały”, „przykłady praktyczne”).
Nadaje tym fragmentom krótkie kody (np. „za szybkie tempo”, „za mało przykładów z branży”, „dużo teorii”).
Grupuje kody w szersze kategorie: „struktura szkolenia”, „forma przekazu”, „dopasowanie do branży”.
Tworzy 3 główne tematy, które najlepiej opisują oczekiwania klientów.
Po takim przejściu przez dane ma jasny obraz: nie „klienci są zadowoleni, ale mają uwagi”, tylko konkrety: np. „klienci oczekują wolniejszego tempa i większej liczby przykładów z ich branży, przy mniejszym nacisku na teorię”. To już jest baza do konkretnych zmian w ofercie.
Pierwsza decyzja: do jakiego problemu chcesz użyć analizy tematycznej
Analiza tematyczna daje największą wartość, gdy jest powiązana z realnym pytaniem lub problemem, a nie wykonywana „dla zasady”. Na samym początku dobrze jest więc odpowiedzieć sobie na kilka krótkich pytań:
Jaki konkretny temat chcesz zrozumieć (np. doświadczenia użytkowników aplikacji, opinie o marce, motywacje wyboru studiów)?
Jakie dane już masz, a jakie możesz realistycznie zebrać?
Do czego potrzebujesz wyników: do pracy dyplomowej, raportu dla klienta, usprawnienia produktu, prezentacji na zespole?
Spisanie tego na kartce lub w krótkim pliku ustawia cały proces. Łatwiej później wybierać, co jest ważne, a co można pominąć. Dobrze zdefiniowana intencja to pierwszy krok do sensownej, praktycznej analizy tematycznej.
Źródło: Pexels | Autor: Pavel Danilyuk
Kiedy (i kiedy nie) wybierać analizę tematyczną
Jakie pytania badawcze pasują do analizy tematycznej
Analiza tematyczna najlepiej sprawdza się przy pytaniach typu:
„Jak ludzie rozumieją…?” – np. jak młodzi dorośli rozumieją „stabilną pracę”, jak klienci rozumieją „wysoką jakość obsługi”.
„Z czym kojarzą…?” – np. z czym kojarzy się dana marka, jakie skojarzenia wywołuje określone hasło reklamowe.
„Jak mówią o…?” – np. jak pacjenci opowiadają o kontakcie z lekarzem, jak użytkownicy opisują swoje doświadczenia z nową funkcją w aplikacji.
„Jakie znaczenia nadają…?” – np. jak przedsiębiorcy nadają znaczenie porażkom biznesowym.
Wspólny mianownik: chodzi o znaczenia, język, doświadczenia, interpretacje, a nie o precyzyjne liczby, proporcje czy zależności statystyczne. Analiza tematyczna pomaga zobaczyć, jak ludzie opowiadają o świecie, co uważają za ważne, jak uzasadniają swoje wybory.
Kiedy lepiej wybrać inną metodę badawczą
Nie każde pytanie pasuje do analizy tematycznej. Jeśli najważniejsze jest dla ciebie:
„Ile osób myśli X?” – lepiej użyć ankiet ilościowych lub danych statystycznych.
„Czy istnieje zależność między X a Y?” – lepsze będą metody ilościowe, np. analiza korelacji.
„Jak wygląda język władzy, jak tworzone są tożsamości?” – warto rozważyć analizę dyskursu, która mocniej skupia się na relacjach władzy i szerszym kontekście społecznym.
„Jak często pojawia się określone słowo lub kategoria?” – przyda się klasyczna ilościowa analiza treści, w której liczy się częstotliwość występowania elementów.
Analiza tematyczna nie służy udowadnianiu, że „40% badanych uważa X”, tylko opisywaniu i interpretowaniu wzorców znaczeń. Oczywiście można później niektóre wnioski uzupełnić wynikami ilościowymi, ale sama analiza tematyczna pozostaje metodą jakościową.
Analiza tematyczna opisowa a interpretacyjna
W zależności od celu projektu możesz przeprowadzić analizę tematyczną na dwóch poziomach:
Poziom opisowy – koncentrujesz się na tym, co ludzie mówią. Tworzysz tematy, które w miarę blisko trzymają się powierzchni danych (np. „Doświadczenia z obsługą klienta”, „Problemy z nawigacją w aplikacji”).
Poziom interpretacyjny – idziesz głębiej, szukasz ukrytych założeń, metafor, wzorców myślenia. Tematy są bardziej abstrakcyjne (np. „Poczucie kontroli klienta”, „Niewidoczna praca użytkownika”).
Przykład: w badaniu satysfakcji z obsługi klienta poziom opisowy może mówić: „klienci oczekują szybkiej odpowiedzi i konkretnej informacji”. Poziom interpretacyjny może dodać: „za tymi oczekiwaniami stoi potrzeba bycia traktowanym poważnie i poczucie, że firma szanuje czas klienta”. Oba poziomy są wartościowe, ale wymagają innego nastawienia i innej głębokości pracy z danymi.
Skala projektu: od kilku wywiadów do setek komentarzy
Analiza tematyczna jest możliwa zarówno przy kilku, jak i kilkudziesięciu wywiadach, ale skala projektu wpływa na to, jak pracujesz i jak szczegółowo kodujesz dane.
Mały projekt (np. 4–8 wywiadów, 50–100 komentarzy) – można przeprowadzić dość szczegółowe kodowanie otwarte, dokładnie czytając każdą wypowiedź i nadając jej kody linia po linii.
Średni projekt (np. 10–20 wywiadów, 200–500 komentarzy) – wciąż możliwe jest szczegółowe kodowanie, ale wymaga to lepszego planowania i konsekwencji, czasem pracy w parach lub małym zespole.
Duży projekt (setki wywiadów, tysiące komentarzy) – analiza tematyczna w czystej postaci staje się bardzo czasochłonna, dlatego często łączy się ją z innymi metodami (np. wstępne sortowanie automatyczne, pobieranie próbek, analiza wybranych fragmentów).
Przy bardzo dużych zbiorach danych rozsądnie jest dokonać selekcji: skupić się na wybranym okresie, kanale komunikacji, grupie osób. Można też mieszać podejścia: część danych przeanalizować tematycznie, a całość opisać ilościowo (np. policzyć, ile razy pojawiają się słowa kluczowe).
Mini-zadanie: dopasuj swój temat do analizy tematycznej
Żeby świadomie zdecydować, czy analiza tematyczna jest dla ciebie, odpowiedz krótko na trzy pytania:
Moje pytanie badawcze brzmi (w przybliżeniu): „Jak…?”, „W jaki sposób…?”, „Jakie znaczenia…?” – czy raczej „Ile osób…?”, „Jak często…?”?
Interesuje mnie bardziej to, co ludzie mówią i jak to rozumieją, czy dokładne proporcje i zależności statystyczne?
Posiadam lub mogę zebrać dane w formie tekstów/wypowiedzi (wywiady, komentarze, dokumenty)?
Jeśli na dwa pierwsze pytania odpowiedź zbliża się do „jak / w jaki sposób / znaczenia”, a na trzecie – „tak, mam dane tekstowe”, analiza tematyczna jest dobrą drogą. Warto więc przejść do kolejnego etapu: świadomego przygotowania gruntu pod badanie.
Przygotowanie gruntu: pytanie badawcze, dane i kontekst
Jak zadać dobre pytanie badawcze do analizy tematycznej
Mocna analiza zaczyna się od jasnego, ale elastycznego pytania badawczego. Zbyt szerokie rozmywa wnioski, zbyt wąskie odcina ciekawe wątki.
Przy planowaniu pytania pomocne są trzy elementy: grupa, zjawisko i kontekst.
Grupa – kogo dotyczą dane? (np. studenci pierwszego roku informatyki, użytkownicy darmowej wersji aplikacji, rodzice dzieci w wieku 3–6 lat).
Zjawisko – czego dokładnie chcesz się dowiedzieć? (np. doświadczenia z rozpoczęciem studiów, odbiór procesu rejestracji, sposób organizowania opieki nad dzieckiem).
Kontekst – w jakiej sytuacji to się dzieje? (np. po pandemii, po wprowadzeniu nowego regulaminu, w trakcie zmiany pracy).
Pytanie badawcze możesz ułożyć jako jedno zdanie robocze:
„Jak studenci pierwszego roku informatyki opisują swoje doświadczenia z pierwszej sesji egzaminacyjnej po pandemii?”
„Jak użytkownicy darmowej wersji aplikacji rozumieją pojęcie ‘wartości premium’ w kontekście przejścia na plan płatny?”
Takie pytania są wystarczająco konkretne, żeby nie utonąć w chaosem danych, i na tyle szerokie, żeby wychwycić nieoczywiste tematy. Zapisz je w widocznym miejscu – będziesz do nich wracać na etapie kodowania i pisania wyników.
Jeśli masz już robocze pytanie, zrób mały test: powiedz je na głos znajomemu i poproś, aby je sparafrazował. Jeśli zrozumie je inaczej, doprecyzuj, aż będzie naprawdę jasne.
Jakie dane najlepiej nadają się do analizy tematycznej
Źródło danych mocno wpływa na to, jak przebiega analiza. Najczęściej spotykane typy materiału to:
Wywiady indywidualne – nagrania i transkrypcje rozmów, często najbogatsze w znaczenia i kontekst.
Grupy fokusowe – dyskusje grupowe, w których pojawiają się nie tylko opinie, ale też negocjowanie znaczeń między uczestnikami.
Otwarte odpowiedzi z ankiet – krótsze wypowiedzi, ale za to często z dużej liczby osób.
Komentarze online – np. z social mediów, forów, platform opinii, często spontaniczne i emocjonalne.
Dokumenty i materiały zastane – maile od klientów, notatki z rozmów, opisy procedur.
Nie musisz mieć „idealnych” danych. Ważniejsze, żeby:
były spójne z pytaniem badawczym,
dało się je zapisać w formie tekstu (lub łatwo przepisać z nagrań),
były wystarczająco bogate, by pokazać różne perspektywy (nie tylko pojedyncze słowa czy kliknięcia w ankiecie).
Przykład: jeśli interesuje cię doświadczenie wdrażania nowego pracownika, jeden krótki komentarz „było spoko” niewiele wniesie. Ale 10–15 krótkich opisów „jak wyglądał mój pierwszy tydzień” to już świetny materiał.
Przejrzyj to, co masz, i zrób wstępny spis: źródło, liczba jednostek (wywiadów, komentarzy), przybliżona długość. To twoja mapa terenu.
Jak oszacować realistyczną liczbę danych
Łatwo zbiera się dane, dużo trudniej je potem przerobić. Dobrze jest zawczasu policzyć, ile materiału realnie jesteś w stanie przeanalizować.
Prosty przelicznik dla początkującego analityka:
1 godzina nagranego wywiadu = ok. 15–20 stron transkrypcji,
dokładne, ręczne zakodowanie 10 stron tekstu = często 1–2 godziny pracy (z przerwami, cofaniem się, notatkami).
Jeśli masz np. 10 wywiadów po godzinie każdy, to może oznaczać kilkadziesiąt godzin samej analizy, nie licząc transkrypcji. Przy pracy dyplomowej lub projekcie „po godzinach” czasem rozsądniej jest skupić się na mniejszej liczbie, ale przeanalizować je rzetelnie.
Podczas planowania zadaj sobie trzy pytania:
Ile maksymalnie godzin mogę poświęcić na analizę (nie na cały projekt, tylko na kodowanie i budowanie tematów)?
Jakie minimum danych jest potrzebne, by zobaczyć różnorodność doświadczeń (np. różne typy użytkowników, różne branże)?
Z czego mogę ewentualnie świadomie zrezygnować (np. niektóre kanały, najkrótsze odpowiedzi)?
Decyzja o zawężeniu materiału to nie „pójście na łatwiznę”, tylko odpowiedzialne dopasowanie ambicji do zasobów. Lepiej zrobić dobrą analizę na 8 wywiadach niż pobieżną na 25.
Ustalenie kontekstu: co „otacza” twoje dane
Te same słowa mogą znaczyć coś innego w różnych warunkach. Dlatego zanim wejdziesz w kodowanie, uporządkuj kontekst.
Przygotuj krótką notatkę (pół strony – strona), w której odpowiesz na pytania:
W jakim momencie czasu były zbierane dane? (np. tuż po wdrożeniu nowego systemu, w trakcie kryzysu medialnego firmy).
Co działo się w organizacji / otoczeniu? (np. zmiana zarządu, redukcje, kampania reklamowa).
Jak wyglądała relacja między osobą zbierającą dane a uczestnikami? (np. student–wykładowca, pracownik–przełożony, badacz zewnętrzny).
Ten krótki opis pomoże ci później interpretować dane bez oderwania od rzeczywistości. Gdy zauważysz np. dużą nieufność wobec firmy w wywiadach, łatwiej ją zrozumiesz, jeśli przypomnisz sobie, że badanie było robione w czasie zwolnień.
Stwórz taką „kartę kontekstu” jeszcze przed pierwszymi kodami – to twoje tło, do którego możesz wracać w trakcie całej pracy.
Źródło: Pexels | Autor: Tahir Xəlfəquliyev
Przygotowanie materiału: transkrypcja, porządkowanie i pierwsze czytanie
Transkrypcja: jak przepisywać, żeby nie zwariować
Przy wywiadach i nagraniach pierwszym krokiem jest transkrypcja – przepisanie nagrania na tekst. Dla analizy tematycznej nie zawsze potrzebujesz super-szczegółowego zapisu „co do pauzy”, ale też nie warto przesadnie upraszczać.
Najczęściej sprawdza się transkrypcja „średnio szczegółowa”:
zapisujesz wszystkie słowa,
oznaczasz istotne pauzy (np. „(pauza)”), śmiech, westchnienia – jeśli mogą mieć znaczenie,
nie rozbijasz wypowiedzi na sylaby, nie oznaczasz każdego „yyy” (chyba że analizujesz np. niepewność w wypowiedziach).
Warto ujednolicić format: kto mówi (oznaczenia typu „P:” – prowadzący, „U1:” – uczestnik), jak zapisujesz skróty, daty, nazwy własne. Dobrze zrobiony szablon transkrypcji zaoszczędzi ci sporo nerwów później.
Jeśli korzystasz z automatycznej transkrypcji (np. narzędzia online), zawsze zarezerwuj czas na dokładną korektę. Błędy w imionach, markach czy kluczowych pojęciach mogą zniekształcić analizę.
Zanim zaczniesz czytać dane „badawczym okiem”, uporządkuj pliki. Chaos na dysku bardzo szybko zamienia się w chaos w głowie.
Pomaga prosty system:
Każdemu wywiadowi/plikowi przypisz identyfikator (np. W01, W02, GF03, K012 dla komentarzy).
Stwórz tabelę metadanych (np. w arkuszu kalkulacyjnym), gdzie obok ID wpiszesz podstawowe informacje: datę, płeć, wiek, rodzaj użytkownika, dział w firmie – tylko te cechy, które mogą być przydatne przy interpretacji.
Pliki trzymaj w logicznych folderach (np. „01_Dane_surowe”, „02_Transkrypcje”, „03_Kodowanie”).
Taki porządek pozwala np. szybko sprawdzić: „czy ten temat dotyczy szczególnie osób z danego działu?”, bez przekopywania się przez dziesiątki dokumentów.
Na tym etapie możesz też zdecydować, czy będziesz analizować dane w:
prostym edytorze tekstu/arkuszu kalkulacyjnym,
czy w dedykowanym narzędziu (np. NVivo, MAXQDA, Atlas.ti, nowsze aplikacje online).
Na początek spokojnie wystarczy Word + Excel lub ich odpowiedniki – ważniejsze jest zrozumienie logiki analizy niż zaawansowane funkcje programu.
Pierwsze czytanie: zanurzenie się w danych
Nie zaczynaj od razu od kodowania. Najpierw daj sobie czas na spokojne, uważne czytanie (lub odsłuchanie) materiału.
Podczas pierwszego przejścia zrób trzy rzeczy:
Czytaj ciągiem – jak dobrą (albo trudną) historię, nie zatrzymując się co chwilę na szczegóły.
Notuj wrażenia na marginesie lub w osobnym dokumencie: co cię zaskakuje, co się powtarza, co jest niejasne.
Oznacz fragmenty, które „coś w tobie poruszają” – nie musisz ich jeszcze nazywać, po prostu zaznaczaj.
To „zanurzenie” ma dwa cele: lepiej poczuć świat badanych osób i wychwycić pierwsze, bardzo wstępne wzorce. Nie traktuj tych notatek jak ostatecznych wniosków, to raczej mapa intuicji, do której będziesz wracać.
Po takim przejściu przez całość odpowiedz sobie jednym, dwoma zdaniami: „Jakie trzy słowa najczęściej przychodzą mi do głowy, gdy myślę o tych danych?”. Te skojarzenia będą pomocne na etapie tworzenia pierwszych kodów.
Praktyczne kodowanie: od surowych wypowiedzi do pierwszych wzorców
Co to właściwie znaczy „kodować” dane
Kodowanie to nadawanie krótkich etykiet (kodów) fragmentom tekstu, które odnoszą się do jakiegoś znaczącego wątku. Kod to skrótowa nazwa sensu – tego, o czym jest dana wypowiedź, co w niej istotne.
Przykład z komentarza klienta:
„Na infolinii długo czekałem na połączenie, a kiedy już się dodzwoniłem, konsultant mówił tak, jakby mu się bardzo spieszyło.”
Możliwe kody:
długie oczekiwanie na połączenie
pośpiech konsultanta
poczucie bycia zbywanym
Nie ma jednego „słusznego” zestawu kodów. Ważne, żeby:
odzwierciedlały sens wypowiedzi,
były ze sobą spójne w całym materiale,
pozwalały później łączyć podobne fragmenty.
Kodowanie indukcyjne i dedukcyjne: dwa sposoby startu
Możesz podejść do kodowania na dwa sposoby – i często najlepiej je połączyć.
Kodowanie indukcyjne – wychodzisz od danych. Nie masz gotowej listy kodów, tworzysz je „na bieżąco”, gdy widzisz nowe wątki. Dobre, gdy eksplorujesz temat i chcesz się zaskoczyć.
Kodowanie dedukcyjne – startujesz z wstępną listą kodów, opartą na pytaniu badawczym, teorii, literaturze lub założeniach klienta. Dobre, gdy sprawdzasz konkretne obszary (np. „użyteczność”, „zaufanie”, „bezpieczeństwo”).
W praktyce często wygląda to tak: przygotowujesz kilka kodów „startowych” (np. główne elementy doświadczenia użytkownika), a resztę kodów budujesz indukcyjnie w trakcie czytania.
Przykład (badanie doświadczeń z kursem online):
kody startowe: organizacja kursu, materiały, kontakt z prowadzącym, motywacja;
kody pojawiające się w trakcie pracy: poczucie bycia zostawionym samemu sobie, strach przed zadawaniem pytań, chaotyczne powiadomienia.
Jak szczegółowo kodować na początek
Na pierwszym etapie lepiej kodować zbyt drobiazgowo niż zbyt ogólnie. Zbyt ogólne kody („zadowolenie”, „problemy”) niewiele mówią, gdy przychodzi czas na budowanie tematów.
Dla początkujących dobrym kompromisem jest tzw. kodowanie „blisko danych”:
wybierasz fragment (zdanie, część zdania, krótką wypowiedź),
nadajesz mu kod, często używając słów samego respondenta (np. „czuję się jak numer w systemie”).
Przykłady kodowania „blisko danych”
Żeby to podejście dobrze „poczuć”, przećwicz je na krótkich fragmentach. Jeden cytat – kilka możliwych ujęć.
„Nikt mi jasno nie powiedział, od czego mam zacząć. Wszędzie jakieś linki, instrukcje, ale ja po prostu się w tym gubię.”
Przykładowe kody „blisko danych”:
„nikt mi jasno nie powiedział, od czego mam zacząć” – brak jasnego startu,
„po prostu się w tym gubię” – poczucie zagubienia.
Ten sam fragment możesz też zakodować bardziej ogólnie (np. „problemy z nawigacją”), ale na starcie lepiej zostać bliżej słów uczestnika. Później takie kody połączysz w szersze wątki.
Dobry rytm pracy: najpierw „łap” szczegóły, potem dopiero je upraszczaj i grupuj. Na tym etapie precyzja da ci więcej niż szybkość.
Jak technicznie kodować: analogowo i cyfrowo
Kodowanie to nie tylko wymyślanie nazw, ale też fizyczne „przypinanie” ich do tekstu. Da się to zrobić na kilka sposobów – kluczowe, żeby łatwo się w tym odnaleźć.
Klasyczny, „analogowy” wariant:
drukujesz transkrypcje,
podkreślasz kolorami różne wątki,
piszesz kody na marginesie lub na samoprzylepnych karteczkach.
Cyfrowa wersja (Word / Google Docs):
zaznaczasz fragmenty i używasz komentarzy jako kodów,
jednolity format: [kod] krótki opis, np. [poczucie_zostawienia] „wrzucono mnie na głęboką wodę”,
kolory podkreśleń możesz powiązać z grupami kodów (np. „emocje”, „organizacja”, „relacje”).
Jeśli pracujesz w programie do analizy danych jakościowych, kody przypinasz bezpośrednio w narzędziu. Logika pozostaje ta sama: fragment tekstu → konkretna etykieta → możliwość filtrowania i grupowania później.
Wybierz taki system, którego nie będziesz się bać otworzyć po całym dniu pracy – prostota sprzyja konsekwencji.
Organizowanie listy kodów w trakcie pracy
Po kilku wywiadach twoja lista kodów zacznie rosnąć jak dziki ogród. To normalne. Kluczowe, żebyś co jakiś czas robił „pielęgnację”.
Pomaga prosty cykl po 2–3 przetranskrybowanych plikach:
Przejrzyj listę dotychczasowych kodów.
Połącz oczywiste duplikaty (np. „brak jasnych instrukcji” i „niejasne wytyczne”).
Rozdziel kody, które są „workami na wszystko” (np. zamiast jednego „problemy z aplikacją” – bardziej szczegółowe: „aplikacja się zawiesza”, „brak wersji mobilnej”, „skomplikowane logowanie”).
Dopisuj krótkie definicje kodów – jedno zdanie, co się pod ten kod łapie, a co nie.
Taka mini-aktualizacja co kilka plików oszczędza chaosu na końcu, gdy nagle masz 150 kodów i zero przejrzystości. Zadbana lista kodów to później szybsze i pewniejsze decyzje przy budowaniu tematów.
Kodowanie z inną osobą: jak się dogadać
Jeśli analizujesz dane w duecie lub zespole, kodowanie staje się też ćwiczeniem z komunikacji. Nie chodzi o to, żeby wszyscy mieli identyczne kody co do przecinka, tylko żeby ogólne rozumienie było zbliżone.
Praktyczny schemat współpracy:
Na początku weźcie 1–2 te same wywiady i zakodujcie je osobno.
Potem spotkajcie się i porównajcie, jak nazwaliście kluczowe fragmenty.
Ustalcie: które kody przyjmujecie jako wspólne, które łączycie, które wyrzucacie.
Pomocna jest „książeczka kodów” (codebook) – prosty dokument, gdzie zapisujesz:
nazwę kodu,
krótką definicję (co pod niego podpada),
przykładowy fragment tekstu.
Taki codebook to nie jest betonowy regulamin, raczej żywa instrukcja, która ułatwia nowym osobom dołączenie do projektu i zmniejsza liczbę „widzimisię” w interpretacjach. Z każdym wspólnym przeglądem danych macie szansę doprecyzować znaczenia kodów i szybciej dojść do sensownych tematów.
Jeśli analizujesz dane samodzielnie, krótkie dopiski definicji też działają jak mini-zespół – za kilka tygodni podziękujesz sobie za te wyjaśnienia.
Źródło: Pexels | Autor: Henri Mathieu-Saint-Laurent
Od kodów do tematów: budowanie sensownych wątków
Czym różni się „kod” od „tematu”
Kod to mały klocek. Temat to konstrukcja z tych klocków, za którą stoi szerszy sens. Pojedynczy kod mówi: „tu ktoś opowiada o pośpiechu konsultanta”. Temat może brzmieć np. „Doświadczenie bycia zbywanym przez obsługę”.
Inny sposób spojrzenia:
kod – opisuje co zostało powiedziane,
temat – odpowiada na pytanie, dlaczego to jest ważne w kontekście pytania badawczego.
Kody możesz mieć dziesiątki, a nawet setki. Tematów – zazwyczaj kilka do kilkunastu, inaczej raport zamieni się w listę wszystkiego, co ktokolwiek kiedyś powiedział.
Pierwsze grupowanie kodów
Moment przechodzenia od kodów do tematów to trochę jak układanie dużego obrazu z puzzli. Zaczynasz widzieć, które elementy do siebie pasują.
Przydatny jest prosty warsztatowy tryb pracy:
Wypisz wszystkie kody na osobne karteczki (fizyczne lub cyfrowe).
Ułóż je na stole / tablicy / wirtualnej ścianie.
Grupuj je intuicyjnie: „co do siebie pasuje?”, „co opowiada podobną historię?”.
Po chwili zaczną się wyłaniać „kupki” kodów. Na przykład:
długie oczekiwanie na połączenie,
brak informacji o przewidywanym czasie,
przerzucanie między działami.
Możesz roboczo nazwać tę grupę: „frustracje związane z dostępnością obsługi”. Nazwy na tym etapie mogą być dłuższe i robocze – chodzi o złapanie sensu, nie o literacki tytuł.
Jeśli w jakiejś kupce masz bardzo dużo kodów, sprawdź, czy nie masz tam przypadkiem 2–3 osobnych tematów. Lepiej mieć kilka konkretnych wątków niż jeden ogromny, w którym nic nie wiadomo.
Tematy główne i podtematy
Gdy grupy kodów już mniej więcej się zarysują, zadaj sobie pytanie: które z nich są naprawdę kluczowe dla twojego pytania badawczego, a które są raczej „dodatkami”?
Zwykle struktura zaczyna przypominać:
tematy główne – 3–6 dużych obszarów,
podtematy – bardziej szczegółowe wątki w obrębie każdego z nich.
Przykład (badanie doświadczeń z kursem online):
Temat główny: Poczucie bycia zostawionym samemu sobie
Podtemat: Brak jasnej ścieżki nauki
Podtemat: Milczący prowadzący – brak feedbacku
Podtemat: Niechęć do zadawania pytań publicznie
Taka struktura pozwala zarówno zobaczyć ogólny obraz (np. „uczestnicy czują się samotni w procesie”), jak i sięgnąć po konkretne mechanizmy, które za tym stoją.
Nie licz na to, że idealna macierz tematów „narodzi się” od razu. To seria przybliżeń: pierwsza wersja → korekta → uproszczenie → doprecyzowanie. Ten ruch w przód i w tył jest elementem metody, nie błędem.
Weryfikowanie tematów w danych
Kiedy masz wstępną listę tematów, zanim uznasz ją za „ustaloną prawdę”, zrób krok wstecz i skonfrontuj ją z danymi. Temat musi być zakotwiczony w konkretnych wypowiedziach, a nie w samym twoim wyobrażeniu.
Dobrze zadać sobie kilka kontrolnych pytań przy każdym temacie:
Czy mam dla tego tematu wystarczająco dużo różnorodnych cytatów (z różnych wywiadów, osób, sytuacji)?
Czy temat nie powtarza się prawie 1:1 z innym – jeśli tak, który z nich jest ważniejszy?
Czy potrafię jednym, prostym zdaniem wyjaśnić, o co w nim chodzi osobie spoza projektu?
Czy widzę przypadki, które stoją w sprzeczności z tym tematem? Co one wnoszą?
Dobrym testem jest jeszcze jedno ćwiczenie: wybierz jeden wywiad i przejdź go od początku do końca, sprawdzając, czy twoje tematy „łapią” większość ważnych fragmentów. Jeśli dużo istotnych treści „wypada za burtę” – prawdopodobnie trzeba coś dopracować w schemacie tematów.
Mapowanie relacji między tematami
Same listy tematów to dopiero połowa drogi. Druga część to pokazanie, jak one się ze sobą łączą. To właśnie w relacjach często kryją się najciekawsze wnioski.
Możesz tu wykorzystać prostą mapę myśli lub diagram. Zacznij od narysowania tematów głównych jako „bąbli” i dorysuj do nich:
strzałki przyczynowo-skutkowe (np. „chaotyczna komunikacja” → „poczucie zagubienia”),
elementy wspólne (tematy, które „dzielą” pewne kody),
czynniki wzmacniające lub łagodzące (np. „wsparcie współpracowników” łagodzi skutki „braku onboardingu”).
Taka mapa pokazuje nie tylko, co uczestnicy mówią, ale też jak to się układa w proces. Dzięki temu twoje wnioski przestają być zbiorem luźnych obserwacji i zaczynają wskazywać na mechanizmy, które można faktycznie zmieniać w praktyce.
Pogłębianie interpretacji: jak nie zostać na poziomie oczywistości
Różne poziomy „głębokości” tematu
Ten sam zestaw danych możesz zinterpretować płytko lub głęboko. Oba poziomy są przydatne, bylebyś świadomie decydował, na którym operujesz.
Przykład trzech poziomów na tym samym materiale:
Opis powierzchniowy: Uczestnicy narzekają na długi czas odpowiedzi na maile.
Interpretacja średnia: Długi czas odpowiedzi sprawia, że czują się ignorowani.
Interpretacja pogłębiona: Doświadczenie ignorowania podkopuje poczucie, że organizacja ich szanuje, co w dłuższej perspektywie obniża zaangażowanie.
Nie chodzi o to, by zawsze lądować na trzecim poziomie. Czasem zleceniodawca oczekuje właśnie prostych, operacyjnych wniosków. Kluczowe, żebyś potrafił pokazać, jak przechodzisz z poziomu obserwacji do poziomu wyjaśnienia.
Łączenie danych z kontekstem i teorią
Masz już tematy, masz mapę relacji – teraz przychodzi moment, kiedy warto sięgnąć do notatek z początku pracy: pytania badawczego, karty kontekstu, ewentualnej literatury.
Pomyśl w trzech krokach przy każdym ważniejszym temacie:
Co mówią dane? – kluczowe cytaty, powtarzające się wątki.
Co się dzieje w tle? – jak to się ma do sytuacji w organizacji, momentu czasu, relacji między badanymi a instytucją.
Jak inni o tym piszą / myślą? – czy dany wzorzec jest już opisany w literaturze, w modelach UX, HR, edukacyjnych?
Przykład: jeśli widzisz temat „strach przed zadawaniem pytań”, możesz go powiązać z kulturą organizacyjną (np. hierarchia, karanie za błędy), z teorią psychologicznego bezpieczeństwa, z praktykami komunikacji w zespole. Dzięki temu twoje wnioski nie są tylko „lokalną anegdotą”, ale wpisują się w szerszy obraz tego, jak ludzie funkcjonują w podobnych sytuacjach.
Radzenie sobie z wyjątkami i „niepasującymi” danymi
Prędzej czy później trafisz na wypowiedzi, które kompletnie nie pasują do twoich pięknie ułożonych tematów. Zamiast je ignorować, potraktuj jako okazję do pogłębienia rozumienia.
Przy nietypowych przypadkach zadaj sobie kilka pytań:
Czy to pojedynczy głos, czy jednak pojawia się w kilku miejscach?
Najczęściej zadawane pytania (FAQ)
Co to jest analiza tematyczna w prostych słowach?
Analiza tematyczna to uporządkowany sposób „przekopywania się” przez wypowiedzi, teksty czy nagrania, żeby wyłapać powtarzające się wątki, motywy i znaczenia. Z pojedynczych cytatów budujesz większe całości – tematy – które pokazują, jak ludzie rozumieją dane zjawisko i o czym tak naprawdę mówią.
W praktyce polega to na czytaniu lub słuchaniu danych, nadawaniu krótkich etykiet (kodów) fragmentom wypowiedzi, grupowaniu ich w kategorie, a na końcu w szersze tematy. Efekt to przejrzysta mapa najważniejszych wątków, którą możesz wykorzystać w pracy dyplomowej, raporcie czy decyzjach biznesowych. Zacznij od jednego małego zestawu danych i przećwicz ten schemat krok po kroku.
Do czego mogę wykorzystać analizę tematyczną w praktyce?
Analiza tematyczna sprawdza się wszędzie tam, gdzie masz dużo wypowiedzi i chcesz zrozumieć sposób myślenia ludzi, a nie tylko policzyć odpowiedzi. Możesz użyć jej w pracach magisterskich i licencjackich (np. analiza wywiadów), w badaniach UX (transkrypty rozmów z użytkownikami), w marketingu (komentarze w social media, opinie z ankiet) czy przy analizie komunikacji organizacji (strony WWW, oferty pracy, raporty CSR).
Przykład z życia: mała firma szkoleniowa analizuje otwarte odpowiedzi „Co możemy poprawić?”. Zamiast ogólnego wniosku „klienci chcą zmian”, otrzymuje konkretną listę tematów: tempo, liczba przykładów praktycznych, proporcje teorii do ćwiczeń. To już bezpośrednia podpowiedź, co zmienić. Wybierz jeden konkretny problem i przetestuj na nim tę metodę.
Czym analiza tematyczna różni się od zwykłego czytania ze zrozumieniem?
Przy zwykłym czytaniu notujesz głównie ogólne wrażenia: „ludzie są zadowoleni, ale narzekają na obsługę”. W analizie tematycznej idziesz głębiej i działasz systematycznie: każdy fragment danych przechodzi przez ten sam proces kodowania i porównywania. Notujesz kody, decyzje, tworzysz kategorie, zamiast polegać tylko na pamięci.
Dzięki temu na koniec potrafisz pokazać kilka kluczowych tematów, np. „brak jasnych informacji”, „długi czas odpowiedzi”, „ton rozmowy konsultantów”, a do każdego dołączasz reprezentatywne cytaty. Taka struktura jest dużo mocniejszym argumentem wobec promotora, szefa czy klienta. Przy kolejnym czytaniu danych postaraj się od razu zapisywać kody, nie tylko odczucia.
Jak krok po kroku zrobić prostą analizę tematyczną?
Najprostszy schemat składa się z kilku powtarzalnych kroków. Najpierw zbierz wszystkie dane w jednym miejscu (np. plik z odpowiedziami, transkrypty wywiadów), a potem:
przeczytaj całość 1–2 razy, żeby „poczuć” materiał,
zacznij zaznaczać ważne fragmenty i nadawaj im krótkie kody (2–3 słowa),
połącz podobne kody w szersze kategorie,
z kategorii wyprowadź 3–6 głównych tematów, które najlepiej opisują badany problem,
opisz każdy temat własnymi słowami i podeprzyj go cytatami.
Nie musisz od razu robić „idealnej” analizy. Ważniejsze, żeby konsekwentnie przejść przez wszystkie dane tym samym schematem. Zacznij na małej próbce (np. 10–20 odpowiedzi), a potem rozwiń proces na większy zbiór.
Jakie pytania badawcze pasują do analizy tematycznej?
Analiza tematyczna najlepiej działa przy pytaniach o znaczenia i doświadczenia, np. „Jak młodzi dorośli rozumieją stabilną pracę?”, „Jak użytkownicy mówią o jakości obsługi?”, „Jak klienci opisują swoje doświadczenia z nową funkcją aplikacji?”. Chodzi o to, jak ludzie opowiadają o świecie, co podkreślają, jak uzasadniają swoje decyzje.
Jeśli interesują cię skojarzenia z marką, sposób mówienia o problemach zdrowotnych, motywacje wyboru studiów czy postrzeganie porażek biznesowych – jesteś w idealnym miejscu na analizę tematyczną. Zacznij od zapisania 1–2 jasnych pytań badawczych, zanim dotkniesz danych.
Kiedy lepiej nie używać analizy tematycznej?
Analiza tematyczna nie jest dobrym wyborem, gdy interesują cię głównie liczby i zależności statystyczne. Jeśli pytasz „ile osób myśli X?”, „jaki procent klientów poleci usługę?”, „czy istnieje korelacja między A i B?”, lepiej sięgnąć po badania ilościowe i narzędzia statystyczne. Tematyka porządkowania znaczeń po prostu nie odpowie na takie potrzeby.
To też nie jest idealna metoda, gdy masz bardzo krótkie, jednowyrazowe odpowiedzi i zależy ci głównie na szybkim zliczeniu wyników. W takiej sytuacji wystarczy prosta kategoryzacja i podsumowanie ilościowe. Jeśli jednak odpowiedzi są dłuższe i wielowątkowe, analiza tematyczna pozwoli wydobyć z nich dużo więcej treści. Sprecyzuj najpierw, czy potrzebujesz „ile”, czy „jak i dlaczego”.
Czy analiza tematyczna nadaje się dla początkujących (np. do pracy magisterskiej)?
Tak, to jedna z najbardziej przystępnych metod jakościowych na start. Jest elastyczna, można ją dostosować do różnych kierunków studiów (od socjologii po zarządzanie), a jednocześnie wystarczająco „poważna”, by obronić się w pracy dyplomowej czy artykule naukowym. Kluczem jest jasny opis kroków, które wykonałaś/wykonałeś, oraz spójne powiązanie ich z pytaniami badawczymi.
Dla promotora dużym atutem będzie przejrzystość: pokazanie, jak od surowych danych doszedłeś do tematów i wniosków. Zacznij od małego pilotażowego zestawu materiału, przećwicz proces na spokojnie, a dopiero potem analizuj całość danych – to mocno ułatwia pracę i redukuje stres.
