심리학에서 Thematic analysis 활용 (Qualitative Research in Psychology 2006)

심리학에서 Thematic analysis 활용 (Qualitative Research in Psychology 2006)

Using thematic analysis in psychology

Virginia Braun1 and Victoria Clarke2

1University of Auckland and 2University of the West of England

주제 분석은 잘 정의되지는 않았지만 심리학 내에서나 그 이상으로 널리 사용되는 질적 분석 방법이다 (Boyatzis, 1998; Roulston, 2001).
Thematic analysis is a poorly demarcated and rarely acknowledged, yet widely used qualitative analytic method (Boyatzis,1998; Roulston, 2001) within and beyond psychology.

 

질적 접근은 믿을 수 없을 정도로 다양하고 복잡하며 미묘한 차이가 있으며 (Holloway and Todres, 2003), 주제 분석은 질적 분석을위한 기본 방법으로 여겨 져야한다. 그것은 질적 분석의 다른 방법을 수행하는 데 유용한 핵심 기술을 제공하기 때문에 질적 연구자들이 먼저 배우는 것이 좋습니다. 실제로, Holloway and Todres (2003 : 347)는 질적 분석을 통틀어 몇 가지 공통적인 기술 중 하나 인 'thematizing meanings'을 확인했다 .2 이러한 이유 때문에 Boyatzis (1998)는 주제 분석을 특정한 방법이 아니라, 여러 다양한 방법에 걸쳐 사용가능한 도구로서 보았다. 유사하게, Ryan과 Bernard (2000)는 주제별 코딩을 독자적인 접근 방식보다는 '주요한' 분석 전통 (예 : 접지 이론)에서 수행 된 프로세스로 위치 지정합니다. 우리는 주제 분석이 그 자체의 방법으로 간주되어야한다고 주장한다.

Qualitative approaches are incredibly diverse, complex and nuanced (Holloway and Todres, 2003), and thematic analysis should be seen as a foundational method for qualitative analysis. It is the first that re- qualitative method of analysis searchers should learn, as it provides core skills that will be useful for conducting many other forms of qualitative analysis. Indeed, Holloway and Todres (2003: 347) identify ‘thematizing meanings’ as one of a few shared generic skills across qualitative analysis.2 For this reason, Boyatzis (1998) characterizes it, not as a specific method, but as a tool to use across different meth- ods. Similarly, Ryan and Bernard (2000) locate thematic coding as a process per- formed within ‘major’ analytic traditions (such as grounded theory), rather than a specific approach in its own right. We argue thematic analysis should be consid- ered a method in its own right.

 

주제별 분석의 이점 중 하나는 유연성입니다. 정성적 분석 방법은 대충 두 개의 진영으로 나눌 수 있습니다.

One of the benefits of thematic analysis is its flexibility. Qualitative analytic methods can be roughly divided into two camps.

 

처음에는 특정한 이론적 또는 인식론적 입장에 묶여 있거나 그 형태소에서 유래 된 것들이있다. 대화 분석 (CA; Hutchby and Wooffitt, 1998)과 해석 적 현상학 분석 (IPA; Smith and Osborn, 2003)과 같은 몇몇의 경우 / (아직까지) 어떻게 그 방법이 적용되는가에 대한 variability가 제한적이다. 본질적으로, 하나의 레시피가 분석을 가이드합니다. 이 외에도 근거이론(Glaser, 1992; Strauss and Corbin, 1998) , 담론 분석 (DA, Burmed and Parker, 1993; Potter and Wetherell, 1987, Willig, 2003) 또는 내러티브 분석 (Murray, 1992; Riessman, 1993)이 있고, 광범위한 이론적 틀 내에서 이 방법의 발현manifestation 양상이 다양하다.
 Within the first, there are those tied to, or stemming from, a particular theoretical or epistemological position. For some of these  / such as conversation analysis (CA; eg, Hutchby and Wooffitt, 1998) and interpre- tative phenomenological analysis (IPA; eg, Smith and Osborn, 2003)  / there is (as yet) relatively limited variability in how the method is applied, within that framework. In essence, one recipe guides analysis. For others of these  / such as grounded theory (Glaser, 1992; Strauss and Corbin, 1998), discourse analysis (DA; eg, Burman and Parker, 1993; Potter and Wetherell, 1987; Willig, 2003) or narrative analysis (Murray, 2003; Riessman, 1993)  / there are different manifestations of the method, from within the broad theoretical framework.

 

둘째, 이론과 인식론에 근본적으로 무관 한 방법이 존재하며, 이론적 접근과 인식론적 접근시에 넓은 범위에 걸쳐 적용될 수있다. 현실적 / 경험적 방법 (Aronson, 1994, Roulston, 2001)으로 종종 (묵시적으로) 구성되어 있지만, 주제 분석은 실제로 두 번째 진영에서 확고하게 이루어지며, 심리학 내에서 본질주의자essentialist와 건설주의자constructionist들과 양립 할 수있다. 이론적인 자유로움을 통해 분석은 유연하고 유용하게 사용할 수있는 리서치 툴을 제공하여 풍부하고 상세하면서도 복잡한 데이터에 관한 설명을 제공 할 수 있습니다.
Second, there are methods that are essentially in- dependent of theory and epistemology, and can be applied across a range of theoretical and epistemological approaches. Although often (implicitly) framed as a realist/experi- ential method (Aronson, 1994; Roulston, 2001), thematic analysis is actually firmly in the second camp, and is compatible with both essentialist and constructionist para- digms within psychology (we discuss this later). Through its theoretical freedom, the- matic analysis provides a flexible and use- ful research tool, which can potentially provide a rich and detailed, yet complex, account of data.

주제 분석의 유연성이라는 이점을 감안할 때 이러한 유연성을 제한하려고하지 않는다는 것이 분명합니다. 그러나 주제 분석에 대한 명확하고 간결한 지침이 없다는 것은 'anything goes'라는 질적 연구에 대한 비판(Antaki et al., 2002)이 어떤 경우에는 잘 적용될 수 있다는 것을 의미한다. 이 논문을 통해 우리는 주제 분석을 명확하게 구분하는 것, 즉 그것이 무엇인지 설명하고, 그것을 어떻게 사용하는지에 대한 균형을 맞추기를 희망합니다. 또한 사용 방법에 대한 유연성을 보장하여 제한적이거나 제한적이지 않게 하여, 주요 이점 중 하나를 잃지 않게 하고자 한다.

Given the advantages of the flexibility of thematic analysis, it is important that we are clear that we are not trying to limit this flexibility. However, an absence of clear and concise guidelines around thematic analysis means that the ‘anything goes’ critique of qualitative research(Antaki et al ., 2002) may well apply in some instances. With this paper, we hope to strike a balance between demarcating thematic analysis clearly  / ie, explaining what it is, and howto do it  / and ensuring flexibility in relation to how it is used, so that it does not become limited and constrained, and lose one of its key advan- tages.

 

실제로,이 방법의 분명한 경계는 주제별 분석을 사용하는 사람들이 그들이 참여하고있는 특정 형태의 분석에 대해 적극적으로 선택할 수 있도록 보장하는 데 유용 할 것입니다. 따라서 이 논문은 이 방법의 유연성을 축하하고 어휘를 제공하고자 합니다 사람들이 이론적으로나 방법 론적으로 타당한 방식으로 주제별 분석을 수행하는 '방법'을 제시하려고 한다 .3 우리가 보여 주겠지만, 중요한 것은 데이터에 적용한 방법뿐만 아니라 연구자들이 (인식 론적 및 기타의) 질적 심리학자들은 그들이하고있는 일과 그 이유에 대해 명확히 할 필요가 있으며, 종종 보고서에서 어떻게 분석했는지를 포함해야한다 (Attride-Stirling, 2001).
 Indeed, a clear demarcation of this method will be useful to ensure that those who use thematic analysis can make active choices about the particular formof analysis they are engaged in. Therefore, this paper seeks to celebrate the flexibility of the and method and provide a vocabulary ‘recipe’ for people to undertake thematic analysis in a way that is theoretically and methodologically sound.3 As we will show, what is important is that as well as apply- ing a method to data, researchers make their (epistemological and other) assump-tions explicit (Holloway and Todres, 2003).Qualitative psychologists need to be clear about what they are doing and why, and toinclude the often-omitted ‘how’ they didtheir analysis in their reports (Attride-Stirling, 2001). 

본고에서는 주제별 분석이 무엇인지, 주제별 분석 수행을위한 6 단계 가이드. 주제별 분석을 할 때 잠재적 인 함정은 피할 수 없습니다. 무엇이 좋은 주제별 분석이 되는가? 주제 분석의 이점과 단점.
In this paper we outline: what thematic analysis is; a 6-phase guide to performing thematic analysis; potential pitfalls toavoid when doing thematic analysis; whatmakes good thematic analysis; and advan-tages and disadvantages of thematic analysis. 

시작하기 전에 종이 전체에 사용 된 용어 몇 가지를 정의해야합니다. 데이터 코퍼스는 특정 연구 프로젝트에 대해 수집 된 모든 데이터를 말하며 데이터 설정은 특정 분석에 사용되는 코퍼스의 모든 데이터를 나타냅니다. 데이터 세트를 선택하는 주요 방법 (당신이 취하는 접근 방식은 특정 질문이 있는 데이터로 오는지 여부 / 아래의 'Anumber of decisions'참조)에 달려 있습니다.
Before we begin, we need to define a fewof the terms used throughout the paper.Data corpus refers to all data collected fora particular research project, while data setrefers to all the data from the corpus thatare being used for a particular analysis. There are two main ways of choosing the data set (which approach you take depends on whether you are coming to the data with a specific question or not  / see ‘A number of decisions’ below). 

데이터 항목은 데이터 집합 또는 자료를 구성하는 수집 된 각 데이터를 나타내는 데 사용됩니다. 이 경우의 데이터 항목은 개별적인 외과 의사 인터뷰, 텔레비전 문서 또는 특정 웹 사이트 일 것입니다.
Data item piece is used to refer to each individual of data collected, which together make up the data set or corpus. A data item in this instance would be an indivi-dual surgeon interview, a television docu-mentary, or one particular website.

마지막으로, 데이터 추출은 데이터 항목에서 식별되고 추출 된 데이터의 개별 코드화 된 덩어리를 나타냅니다. 전체 데이터 세트 전체에서 가져온 이들 중 많은 부분이 추출되며, 이러한 추출물 중 하나만 선택하면됩니다. 최종 분석의 특징.
Finally, data extract refers to an individual coded chunk of data, which has been identified within, and extracted from, a data item.There will be many of these, taken from throughout the entire data set, and only a selection of these extracts will feature in the final analysis. 

주제 분석이란?

What is thematic analysis?

주제 분석은 데이터 내에서 패턴 (주제)을 식별하고 분석하고 보고하는 방법입니다. 데이터 세트를 최소한으로 구성하고 (풍부한 세부 정보를) 설명합니다. 그러나 빈번하게 그것을 더 멀리 간다면 연구 주제의 다양한 측면을 해석한다 (Boyatzis, 1998). 가능한 다른 주제 분석의 영역은 방법론 (amethod, 아래 참조)과 관련된 많은 결정과 관련하여 더욱 강조 될 것이다.

Thematic analysis is a method for identify-ing, analysing and reporting patterns(themes) within data. It minimally orga-nizes and describes your data set in (rich)detail. However, frequently if goes furtherthan this, and interprets various aspects of the research topic (Boyatzis, 1998). The range of different possible thematic ana-lyses will further be highlighted in relation to a number of decisions regarding it as a method (see below). 

주제별 분석은 널리 사용되고 있지만 주제 분석이 무엇인지, 어떻게 진행하는지에 대해서는 명확한 합의가 없습니다 (Attride-Stirling, 2001, Boyat-zis, 1998, Tuckett, 2005, 다른 시험 참조). 다른 방법 (예 : 내러티브 분석, 근거 이론)과 동일한 방식으로 'named' 분석으로 존재하지 않는 것처럼 보이기 때문에 매우 poorly branded 이라고 볼 수 있습니다. 이런 의미에서, 분석의 방법으로 명시적으로 주장되지 않는 경우가 종종 있습니다. 실제로 많은 분석이 본질적으로 thematic 하지만 / 다른 어떤 것으로 주장되는 경우 (DA, 심지어 콘텐츠 분석 ( 예를 들어, Meehan et al., 2000), 또는 특정 방법으로 identified되지 않기도 한다. 예를 들어, 데이터는 일반적으로 반복되는 주제에 대한 정성적  분석을 받았다. 라고 기술되기도 한다 (Braun and Wilkinson, 2003 : 30). 사람들이 데이터를 분석하는 방법을 알지 못했거나 분석에 정보를 제공 한 가정을 알지 못하면, 연구를 평가하고 주제에 대한 다른 연구와 비교 및 ​​/ 또는 합성하기가 어렵고 관련 연구를 수행하는 다른 연구자를 방해 할 수 있습니다. 이러한 이유만으로도 방법의 절차와 실행에 대한 명확성이 중요합니다.

Thematic analysis is widely used, butthere is no clear agreement about what thematic analysis is and how you go about doing it (see Attride-Stirling, 2001; Boyat-zis, 1998; Tuckett, 2005, for other exam-ples). It can be seen as a very poorly‘branded’ method, in that it does not appear to exist as a ‘named’ analysis in the same way that other methods do (eg, narrative analysis, grounded theory). In this sense, itis often not explicitly claimed as the method of analysis, when, in actuality, we argue that a lot of analysis is essentially thematic  / but is either claimed as some-thing else (such as DA, or even content analysis (eg, Meehan et al ., 2000)) or not identified as any particular method at all  /for example, data were ‘subjected to quali-tative analysis for commonly recurring        themes’ (Braun and Wilkinson, 2003: 30).If we do not know how people went about analysing their data, or what assumptions informed their analysis, it is difficult to      evaluate their research, and to compare  and/or synthesize it with other studies onthat topic, and it can impede other research-            ers carrying out related projects in the future (Attride-Stirling, 2001). For these reasons alone, clarity on process and prac-tice of method is vital.

 

이와 관련하여 분석의 과정과 세부 사항을보고하는 데 있어 부족한 세부 사항이 종종 있습니다 (Attride-Stirling, 2001). 이 주제가 주제 분석에 국한되지는 않지만 데이터에서 'emerging' 주제를 읽는 것은 드문 일이 아닙니다. 예를 들어, Singer and Hunter (1999 : 67)는 여성의 조기 폐경 경험에 대한 주제별 담론 분석을 통해 분석 중에 '여러 주제가 나타났습니다.
Relatedly, insufficient detail is often gi-ven to reporting the process and detail of analysis (Attride-Stirling, 2001). It is not        uncommon to read of themes ‘emerging’from the data (although this issue is not limited to thematic analysis). For example,            Singer and Hunter’s (1999: 67) thematic discourse analysis of women’s experiences of early menopause identified that ‘several themes emerged’ during the analysis. 

'떠오르고있는'또는 '발견 된'주제에 대한 설명은 분석 과정에 대한 수동적인 설명이며, 패턴 / 주제를 식별하고, 관심있는 것을 선택하고, 독자에게 보고하는 연구자의 적극적인 역할을 부정합니다 (Taylor and Ussher, 2001) .4
An account of themes ‘emerging’ or being ‘discovered’ is a passive account of the process of analysis, and it denies the active role the researcher always plays in identifying patterns/themes, selecting which are of interest, and reporting them to the readers (Taylor and Ussher, 2001).4

 

 

'테마가 떠오른다'는 말은 오해를 불러 일으킬 수 있습니다. 즉, 데이터에서 '다시 떠오르다'는 의미로 해석 될 수 있습니다. 그리고 우리가 열심히 바라본다면 하프 껍질에 금성처럼 나타날 것입니다. 테마가 어디에든 있다면(reside), 우리의 머리 속에도 있을 것이며, 우리가 이해할 때 우리의 데이터에 대한 우리의 생각과 연결 고리를 만들어 내고자합니다. (Ely et al., 1997 : 205 / 6)
The language of ‘themes emerging’: can be misinterpreted to mean that themes ‘re-side’ in the data, and if we just look hard enoughthey will ‘emerge’ like Venus on the half shell. If themes ‘reside’ anywhere, they reside inour heads from our thinking about our data and creating links as we understand them. (Ely et al .,1997: 205 /6) 

이 시점에서 질적 연구와 관련하여 우리 자신의 이론적 입장과 가치를 인정하는 것이 중요합니다. 우리는 연구자가 참가자들에게 단순히 'give voice'(Fine, 2002 참조)할 수 있는 자질있는 연구에 대한 현실적인 관점을 거부합니다. As Fine (2002) : 218)은 '음성 제공'접근법조차도 우리가 선택하고, 편집하고, 우리의 주장에 맞도록 전개하는 미확인 증거를 서술하는 것을 포함한다고 주장한다. 물론, 정성적 연구를 수행하기위한 하나의 이상적인 이론적 틀, 또는 실제로는 하나의 이상적인 방법이 있다고 생각하지 않는다. 이론적인 틀과 방법이 연구원이 알고 싶어하는 것과 일치하는 것이 중요하며, 이러한 결정을 인정하고, 결정으로서 인식하는 것이 중요하다.
At this point, it is important to acknowledge our own theoretical positions and values inrelation to qualitative research. We do notsubscribe to a naı¨ve realist view of qualita-tive research, where the researcher cansimply ‘give voice’ (see Fine, 2002) to their participants. As Fine (2002): 218) argues,even a ‘giving voice’ approach ‘involves carving narrative out unacknowledged pieces of evidence that we select, edit, and deploy to border our arguments’. How-ever, nor do we think there is one idealtheoretical framework for conducting quali-tative research, or indeed one ideal method.What is important is that the theoretical framework and methods match what the researcher wants to know, and that they acknowledge these decisions, and recognize them as decisions. 

주제 분석은 'thematic'DA, 주제 분해 분석, IPA 이론과 같은 정 성적 데이터 전반에 걸친 패턴을 기술하려는 다른 질적 분석 방법과는 다르다 .5 IPA와 근거이론은 모두 데이터에서 패턴을 찾지만 이론적으로는 경계를 이룬다. IPA는 현상 학적 인식론 (Smith 2003)에 attach되어 있으며, 1999; 스미스와 오스본이 경험 한 가장 원시적 인 경험 (Holloway and Todres, 2003)은 현상의 문제에 대한 이해를 돕기 위해 사람들의 실제 경험을 아주 자세하게 이해하는 것에 관한 것이다 (McLeod, 2001). 문제를 더 복잡하게 만드는 것은, 근거이론이 다양한 버전이 있다는 것이다(Charmaz, 2002). 그럼에도 불구하고, 근거 이론적 이론 분석의 목적은 데이터에 기반한 현상에 대한 그럴듯한 / 유용한 이론을 제시하는 것이다 (McLeod, 2001).

Thematic analysis differs from other ana-lytic methods that seek to describe patterns across qualitative data  / such as ‘thematic’ DA, thematic decomposition analysis, IPA theory.5 and grounded Both IPA and grounded theory seek patterns in the data,but are theoretically bounded. IPA is at-tached to a phenomenological epistemology(Smith 2003), et al ., 1999; gives Smith and Osborn, primacy which experience (Holloway and Todres, 2003), and is about understanding people’s everyday experi-ence of reality, in great detail, in order togain an understanding of the phenomenonin question (McLeod, 2001). To complicate matters, grounded theory comes in different versions (Charmaz, 2002). Regardless, the goal of a grounded theory analysis is to generate a plausible  / and useful  / theory of the phenomena that is grounded in the data (McLeod, 2001).

 

그러나 우리의 경험에 따르면, 기초 이론은 점차 본질적으로 'grounded theory ‘lite’'처럼 사용되어서, thematic analysis와 매우 유사한 것처럼 보인다. 그러한 분석은 'full-fat' 근거 이론에서 (분석은 이론 개발에 직접적으로 적용되어야한다는) 이론적 공약을 완전히 따르지는 않는 것으로 보여진다 (Holloway and Todres, 2003). 그러므로 우리는 'named and claimed'주제별 분석은 연구자가 (완전히 연구 된 근거이론 분석을 생산하기를 원하지 않는다면) 근거 이론의 암시 적 이론적 약속에 가입 할 필요가 없다는 것을 의미한다고 주장한다.
However, in our ex- perience, grounded theory seems increas- ingly to be used in a way that is essentially grounded theory ‘lite’  / as a set of proce- dures for coding data very much akin to thematic analysis. Such analyses do not appear to fully subscribe to the theoretical commitments of a ‘full-fat’ grounded theory, which requires analysis to be directed to- wards theory development (Holloway and Todres, 2003). We argue, therefore, that a ‘named and claimed’ thematic analysis means researchers need not subscribe to the implicit theoretical commitments of grounded theory if they do not wish to produce a fully worked-up grounded-theory analysis.

'주제별 DA'라는 용어는 사회 구성론적 인식론 내에서의 주제 분석 (즉, 패턴이 사회적으로 생산 된 것으로 확인되었지만 담론 분석은 수행되지 않음)에서부터 패턴 유형 분석에 이르기까지 광범위하게 사용됩니다. 해석 적 레파토리 형식 DA와 매우 유사한 형태의 분석 (Clarke, 2005). 주제별 분해 분석(Thematic decom- position analysis) (예 : Stenner, 1993; Ussher and Mooney-Somers, 2000)은 'thematic DA'의 특정 형태를 가리키는 말로서, 데이터 내에서 패턴 (주제, 이야기)을 식별하고, 언어를 의미의 구성과 사회적 의미로 이론화하는 방법이다.
The term ‘thematic DA’ is used to refer to a wide range of pattern-type analysis of data, ranging from thematic analysis within a social constructionist epistemology (ie, where patterns are identified as socially produced, but no discursive analyse is conducted), to forms of analysis very much akin to the interpretative repertoire form of DA (Clarke, 2005). Thematic decom- position analysis (eg, Stenner, 1993; Ussher and Mooney-Somers, 2000) is a specifically named form of ‘thematic’ DA, which iden- tifies patterns (themes, stories) within data, and theorizes language as constitutive of meaning and meaning as social.

 

이러한 여러 가지 방법은 내러티브 분석 (예 : Murray, 2003, Riessman, 1993)과 같은 전기 또는 사례 연구 양식의 경우와 같이 개별 인터뷰 또는 한 사람의 인터뷰와 같은 데이터 항목이 아닌 (전체) 데이터 세트 전체에서 특정 테마 또는 패턴을 검색합니다. 이러한 의미에서 주제별 분석과 다소 중복됩니다. 주제 분석은 근거 이론 및 DA와 같은 접근 방식에 대한 자세한 이론 및 기술 지식이 필요하지 않기 때문에 특히 질적 연구 경력 초기에 더욱 접근하기 쉬운 형태의 분석을 제공 할 수 있습니다.

These different methods share a search for certain themes or patterns across an (entire) data set, rather than within a data item, such as an individual interview or interviews from one person, as in the case of biographical or case-study forms of analy- sis, such as narrative analysis (eg, Murray, 2003; Riessman, 1993). In this sense, they more or less overlap with thematic analysis. As thematic analysis does not require the detailed theoretical and technological knowledge of approaches, such as grounded theory and DA, it can offer a more accessible form of analysis, particularly for those early in a qualitative research career.

IPA나 근거 이론 (및 내러티브 분석 DA 또는 CA와 같은 다른 방법)과 달리, 주제별 분석은 기존의 이론적 틀과 결부되어 있지 않으며, 따라서 다양한 이론적 틀 내에서 사용될 수 있으며 그들 안에서 다른 일을 할 수 있다. 주제 분석은

• 참가자의 경험, 의미 및 실체를보고하는 본질 주의적 또는 현실주의적 방법 일 수 있으며,

• 사건, 실재, 의미, 경험 등이 사건의 효과 인 방식을 검사하는 구성주의적 방법 일 수있다.

• 사회 내에서 운영되는 담론의 범위. 그것은 또한 본질주의와 건설의 두 극 사이에 앉아서 개인이 그들의 경험의 의미를 만드는 방법을 인정하는 비판적 리얼리즘 (예 : Willig, 1999)과 같은 이론을 특징으로하는 '상황론적'방법 일 수도있다.

• 그리고 '현실'의 물질적 그리고 다른 한계에 초점을 맞추면서 넓은 의미의 사회적 맥락이 그러한 의미에 영향을 미치는 방식.

• In contrast to IPA or grounded theory (and other methods like narrative analysis DA or CA), thematic analysis is not wedded to any pre-existing theoretical framework, and therefore it can be used within different theoretical frameworks (although not all), and can be used to do different things within them.

• Thematic analysis can be an essentialist or realist method, which reports experiences, meanings and the reality of participants,

• or it can be a constructionist method, which examines the ways in which events, realities, meanings, experiences and so on are the effects of a range of discourses operating within society.

• It can also be a ‘contextualist’ method, sitting between the two poles of essentialism and construction- ism, and characterized by theories, such as critical realism (eg, Willig, 1999), which acknowledge the ways individuals make meaning of their experience, and,

• in turn, the ways the broader social context im- pinges on those meanings, while retaining focus on the material and other limits of ‘reality’.

따라서 주제별 분석은 현실을 반영하는 방법일 수도 있고, '현실'의 표면을 풀거나 해명하기 위한 방법이 될 수 있습니다.
Therefore, thematic analysis can be a method that works both to reflect reality and to unpick or unravel the surface of ‘reality’.

 

 

그러나 주제 분석의 이론적인 입장은 분명히 밝혀져야 한다. 너무나 자주 숨겨지곤 한다 (그리고 이것은 보통 realist인 경우가 일반적이다.) 모든 이론적 체계에는 데이터의 본질, '세계', '현실'등에서 표현되는 내용에 대한 많은 가정이 포함됩니다. 좋은 주제별 분석은 이것을 투명하게 만듭니다.

However, it is important that the theoretical position of a thematic analysis is made clear, as this is all too often left unspoken (and is then typically a realist account). Any theoretical framework carries with it a number of assumptions about the nature of the data, what they represent in terms of the ‘the world’, ‘reality’, and so forth. A good thematic analysis will make this transparent.

 

결정할 것들

A number of decisions

주제 분석은 종종 명시적으로 이루어지지 않았거나 (일반적으로 논문의 method section에서 논의되지는 않음) 많은 선택 사항을 포함하지만, 명시적으로 고려되고 논의되어야 할 필요가있는 선택 사항을 연구하게 된다. 실제로 이러한 질문은 데이터 분석 (그리고 때로는 수집조차도)이 시작되기 전에 고려되어야하며, 분석 프로세스 전반에 걸쳐 이러한 문제와 관련하여 연구자 또는 연구원 측에서 진행중인 reflexive 대화가 필요합니다 . 테일러 (Taylor)와 어셔 (Ussher)의 (2001) 주제별 S & M DA 방법론 섹션은 이 과정을 명시 적으로 제시하는 좋은 연구 사례를 제공한다. Braun and Wilkinson (2003)의 방법 절은 그렇지 않다.

Thematic analysis involves a number of choices which are often not made explicit (or are certainly typically not discussed in the method section of papers), but which need explicitly to be considered and dis- cussed. In practice, these questions should be considered before analysis (and some- times even collection) of the data begins, and there needs to be an ongoing reflexive dialogue on the part of the researcher or researchers with regards to these issues, throughout the analytic process. The method section of Taylor and Ussher’s (2001) thematic DA of S&M provides a good example of research which presents this process explicitly; the method section of Braun and Wilkinson (2003) does not.

무엇이 주제가 될 수 있는가?

What counts as a theme?

주제는 연구 질문과 관련하여 데이터에 대해 중요한 것을 포착하고 데이터 세트 내의 패턴 화 된 응답 또는 의미의 일부 수준을 나타냅니다. 코딩 측면에서 다루어야 할 중요한 질문은 "패턴 / 테마로 간주되는 것은 무엇이며"하나의 theme의 '크기'는 얼마나 되어야 하는가 입니다. 이것은 각 데이터 항목 내의 공간과 전체 데이터 세트에 걸친 보급의 측면에서 보급의 문제입니다. 이상적으로는 데이터 집합 전반에 걸쳐 주제의 여러 번 발견되는 instance들이 있을 것이지만 더 많은 instance가 반드시 더 중요하다는 것을 의미하지는 않습니다. 이 정성 분석 결과, 데이터 세트의 비중이 테마로 간주 될 수있는 테마의 증거를 표시해야하는지에 대한 의문에 대한 단호하고 신속한 답은 없습니다. 하나의 데이터 항목 중 50 %에 존재한다면 그것은 주제가 될 것이지만 47 %만이 존재한다면 주제가 아닐 것이라고 볼 수는 없다. 또한 테마는 많은 데이터 항목이 문장이나 두 문장이 아니라 상당한 관심을 기울이는 부분 일뿐입니다. 테마는 일부 데이터 항목에는 상당한 공간이 주어 지거나, 다른 데이터 항목에는 거의 또는 전혀 없거나 데이터 세트 중 비교적 적은 공간에 나타날 수 있습니다. 따라서 연구가의 판단은 주제가 무엇인지 판단하는 데 필요합니다. 이 문제에 대한 초기 지침은 유연성을 유지해야하며 엄격한 규칙은 실제로 작동하지 않는다는 것입니다. (보급 문제는 테마 및 하위 주제와 관련하여 다시 검토됩니다. 분석의 미세 조정 (후술 참조)은 종종 전반적인 주제 및 하위 주제로 이어질 수 있습니다.

A theme captures something important about the data in relation to the research question, and represents some level of patterned response or meaning within the data set. An important question to address in terms of coding is: what counts as a pattern/theme, or what ‘size’ does a theme need to be? This is a question of prevalence, in terms both of space within each data item and of prevalence across the entire data set. Ideally, there will be a number of instances of the theme across the data set, but more instances do not necessarily mean the is theme itself is more crucial. As this qualitative analysis, there is no hard-and- fast answer to the question of what propor- tion of your data set needs to display evidence of the theme for it to be considered a theme. It is not the case that if it was present in 50%of one’s data items, it would be a theme, but if it was present only in 47%, then it would not be a theme. Nor is it the case that a theme is only something that many data items give considerable attention to, rather than a sentence or two. A theme might be given considerable space in some data items, and little or none in others, or it might appear in relatively little of the data set. So, researcher judgement is necessary to determine what a theme is. Our initial guidance around this is that you need to retain some flexibility, and rigid rules really do not work. (The question of prevalence is revisited in relation to themes and sub- themes, as the refinement of analysis (see later) will often result in overall themes, and sub-themes within those.)

더욱이, 주제의 '중요성'은 반드시 계량 적 측정에 의존하지 않고 전체 연구 문제와 관련하여 중요한 것을 취하는 여부에 달려있다. 예를 들어 빅토리아의 26 개 토크쇼 (Clarke and Kitzinger, 2004)에서 레즈비언과 게이 부모의 표상에 관한 연구에서 여섯 가지 '핵심'주제가 확인되었습니다. 이 6 가지 테마는 반드시 데이터 세트에서 가장 중요한 주제는 아니 었습니다. 26 가지 토크쇼 중 2 가지와 22 가지 사이에 등장했지만, 함께 중요한 요소를 포착했습니다.

Furthermore, the ‘keyness’ of a theme is not necessarily dependent on quantifiable measures  / but rather on whether it cap- tures something important in relation to the overall research question. For exam- ple, in Victoria’s research on representa- tions of lesbians and gay parents on 26 talk shows (Clarke and Kitzinger, 2004), she identified six ‘key’ themes. These six themes were not necessarily the most pre- valent themes across the data set  / they appeared in between two and 22 of the 26 talk shows  / but together they captured an important element

우선 순위가 여러 가지 다른 방식으로 결정될 수 있기 때문에 prevalence을 어떻게 측정했는지는 중요합니다. Prevalence은 데이터 항목의 수준에서 계산되었습니다 (즉, 각 개별 토크쇼의 어느 곳에 나 테마가 나타 났습니까?). 또는 전체 데이터 세트에서 테마를 명시한 다른 speaker의 수, 전체 데이터 세트 또는 테마의 개별 발생 (인스턴스가 시작되는 위치에 대한 복잡한 질문을 제기 함)으로 계산했을 수 있습니다. talk / see Riessman, 1993의 확장 된 순서 내에서 끝난다. 유행이 제시된 분석에 중요하지 않았기 때문에 빅토리아는 가장 간단한 형태를 선택했으나 유행을 판별하는 데 옳고 그른 방법이 없다는 점을 유의하는 것이 중요합니다. 주제별 분석의 유연성 중 일부는 여러 가지 방법으로 theme (및 prevalence)를 결정할 수 있다는 것입니다. 중요한 것은 특정 분석 내에서이 작업을 일관되게 수행하는 것입니다.

How she ‘measured’ prevalence is relevant, as pre- valence can be determined in a number of different ways. Prevalence was counted at the level of the data item (ie, did a theme appear anywhere in each individual talk show?). Alternatively, it could have been counted in terms of the number of different speakers who articulated the theme, across the entire data set, or each individual occurrence of the theme across the entire data set (which raises complex questions about where an ‘instance’ begins and ends within an extended sequence of talk  / see Riessman, 1993). Because prevalence was not crucial to the analysis presented, Vic- toria chose the most straightforward form, but it is important to note there is no right or wrong method for determining prevalence. Part of the flexibility of thematic analysis is that it allows you to determine themes (and prevalence) in a number of ways. What is important is that you are consistent in how you do this within any particular analysis.

대부분의 content analysis(Wilkinson, 2000)과는 달리 정량화 된 척도를 제공하지 않는 주제별 (그리고 다른 정 성적) 분석에서 유행을 나타내는 다양한 '협약conventions'이있다. 예를 들면

• '참가자의 대다수'(Meehan et al 2000 : 372),

• '많은 참여자'(Taylor and Ussher, 2001 : 298),

• '다수 등의 참여자'(Braun 2003 : 249).

이러한 기술어는 수사적으로 작동하여 데이터에 실제로 존재하는 주제를 제안하고, 우리에게 그들이 데이터에 대해 진실하게보고하고 있음을 납득시킵니다. 그러나 여기서 얻을 수 있는 정보가 있는가? 이것은 아마도 우리가 데이터에서 주제의 유행을 어떻게 그리고 왜 표현할 수 있는지, 그리고 유행이 특히 중요한지 여부, 유행이 특히 중요한지에 대해 더 많은 논쟁이 필요한 한 영역 일 것입니다.
There are various ‘conventions’ for repre- senting prevalence in thematic (and other qualitative) analysis that does not provide a quantified measure (unlike much content analysis, Wilkinson, 2000)  / for instance: ‘the majority of participants’ (Meehan et al ., 2000: 372), ‘many participants’ (Taylor and Ussher, 2001: 298), or ‘a number of et al ., participants’ (Braun 2003: 249). Such descriptors work rhetorically to suggest a theme really existed in the data, and to convince us they are reporting truthfully about the data. But do they tell us much? This is perhaps one area where more debate is needed about how and why we might represent the prevalence of themes in the data, and, indeed, whether, if, and why prevalence is particularly im- portant.

데이터 세트에 대한 풍부한 설명 vs 특정 측면에 대한 자세한 설명
A rich description of the data set, or a detailed account of one particular aspect

 

데이터 유형과 관련하여 수행하려는 분석 유형과 작성하려는 주장을 결정하는 것이 중요합니다.

It is important to determine the type of analysis you want to do, and the claims you want to make, in relation to your data set.

 

예를 들어, 전체 데이터 세트에 대한 풍부한 주제 설명을 제공하여 독자가 주된 또는 중요한 주제에 대한 이해를 갖도록 할 수 있습니다. 이 경우 식별, 코드화 및 분석하는 테마는 전체 데이터 세트의 내용을 정확하게 반영해야합니다. 그러한 분석에서, 깊이와 복잡성은 반드시 없어지지만 (특히 짧은 단어 또는 엄격한 단어 제한이있는 논문을 쓰는 경우), 전체적으로 풍부한rich 설명이 유지됩니다. 이는 조사가 미흡한 지역을 조사하거나 주제에 대한 의견을 알 수없는 참가자와 함께 일할 때 특히 유용한 방법 일 수 있습니다.
For instance, you might wish to provide a rich thematic description of your entire data set, so that the reader gets a sense of the predominant or important themes. In this case, the themes you identify, code, and analyse would need to be an accurate reflec- tion of the content of the entire data set. In such an analysis, some depth and complex- ity is necessarily lost (particularly if you are writing a short dissertation or article with strict word limits), but a rich overall de- scription is maintained. This might be a particularly useful method when you are investigating an under-researched area, or you are working with participants whose views on the topic are not known.

주제 분석의 또 다른 용도는 데이터 내에서 하나의 특정 주제 또는 주제 그룹에 대해보다 상세하고 미묘한 설명을 제공하는 것입니다. 이는 데이터 내의 특정 질문이나 관심 영역 (의미 론적 접근법 / 아래 참조) 또는 데이터 세트의 전체 또는 대다수에 대한 특정 '잠재 성'주제 (아래 참조)와 관련 될 수 있습니다.
An alternative use of thematic analysis is to provide a more detailed and nuanced account of one particular theme, or group of themes, within the data. This might relate to a specific question or area of interest within the data (a semantic approach  / see below), or to a particular ‘latent’ theme (see below) across the whole or majority of the data set.

귀납적 대 이론적 주제 분석
Inductive versus theoretical thematic analysis

데이터 내의 주제 또는 패턴은 주제 분석에서 두 가지 주된 방법 중 하나, 즉 귀납적인 또는 '상향식' 방식 (예 : Frith and Gleeson, 2004) 또는 이론적 또는 연역적 또는 '하향식' (Boyatzis, 1998; Hayes, 1997) 방식.

Themes or patterns within data can be identified in one of two primary ways in thematic analysis: in an inductive or ‘bot- tom up’ way (eg, Frith and Gleeson, 2004), or in a theoretical or deductive or ‘top down’ way (eg, Boyatzis, 1998; Hayes, 1997).

 

 

귀납적 접근 방식은 확인 된 주제가 데이터 그 자체와 강하게 연계되어 있음을 의미한다 (Patton, 1990) (주제 분석의 이러한 형태는 근거 이론과 유사 함). 이 접근법에서 데이터가 연구를 위해 특별히 수집 된 것이라면 (예 : 인터뷰 또는 포커스 그룹을 통해), 확인된 주제는 참가자에게 질문 된 특정 질문과 거의 관계가 없을 수 있습니다. 그들은 또한 해당 영역이나 주제에 대한 연구자의 이론적인 관심 때문에 움직이지 않을 것입니다. 귀납적 분석은 기존의 코딩 프레임이나 연구자의 분석적 선입견에 맞추려고 노력하지 않으며 데이터를 코딩하는 과정입니다. 이러한 의미에서 주제별 분석의 이러한 형태는 데이터 중심적data driven입니다.
An inductive approach means the themes identified are strongly linked to the data themselves (Patton, 1990) (as such, this form of thematic analysis bears some simi- larity to grounded theory). In this approach, if the data have been collected specifically for the research (eg, via interview or focus group), the themes identified may bear little relation to the specific questions that were asked of the participants. They would also not be driven by the researcher’s theoretical interest in the area or topic. Inductive analysis is therefore a process of coding the data without trying to fit it into a pre- existing coding frame, or the researcher’s analytic preconceptions. In this sense, this form of thematic analysis is data-driven.

그러나 이전에 논의했듯이 연구자들은 이론적, 데이터 인식론적 commitments로부터 스스로를 자유롭게 할 수 없고, 스스로 인식론적 관점과 전혀 무관하게 코드화할 수는 없다는 점에 유의하는 것이 중요하다.
However, it is important to note, as we discussed earlier, that researchers cannot free themselves of their theoretical and data epistemological commitments, and are not coded in an epistemological va- cuum.

대조적으로, '이론적'주제 분석은 연구자의 이론적 또는 분석적 관심사에 의해 주도되는 경향이 있으며, 따라서 분석가에 의해보다 명확하게 분석된다. 이러한 주제별 분석은 전반적으로 데이터에 대한 상세한 설명이 적고 데이터의 일부 측면에 대한 자세한 분석을 제공하는 경향이 있습니다. 또한 귀납적 인지도와 이론적 인지도 사이의 선택은 어떻게 그리고 왜 당신이 데이터를 코딩하고 있는지에 대한 것입니다. 매우 구체적인 연구 질문 (좀 더 이론적 인 접근법에 매핑)을 코딩하거나 특정 연구 질문을 코딩 프로세스 (진화론 접근법에 매핑)를 통해 진화시킬 수 있습니다.

In contrast, a ‘theoretical’ thematic analy- sis would tend to be driven by the research- er’s theoretical or analytic interest in the area, and is thus more explicitly analyst- driven. This formof thematic analysis tends to provide less a rich description of the data overall, and more a detailed analysis of some aspect of the data. Additionally, the choice between inductive and theoretical maps onto how and why you are coding the data. You can either code for a quite specific research question (which maps onto the more theoretical approach) or the specific research question can evolve through the coding process (which maps onto the in- ductive approach).

시맨틱 테마 또는 잠재 테마

Semantic or latent themes

또 다른 결정은 의미 론적 또는 명시 적 수준에서 또는 잠재적 또는 해석 적 차원에서 (주제 1) 주제가 식별 될 수있는 '수준'을 중심으로 진행된다 .6 주제별 분석은 전형적으로 수평.

Another decision revolves around the ‘le- vel’ at which themes are to be identified: at a semantic or explicit level, or at a latent or interpretative level (Boyatzis 1998).6 A thematic analysis typically focuses exclu- sively or primarily on one level.

 

시맨틱 접근법을 사용하면 주제가 데이터의 명시 적 또는 표면적 의미 내에서 식별되며 분석가는 참가자가 말한 것 또는 작성된 것을 넘어서는 것을 찾지 않습니다. 이상적으로, 분석 프로세스에는 progression from description가 포함됩니다. 여기에는 데이터가 시맨틱 컨텐트의 패턴을 보여주기 위한 간단한 organize, 요약, 해석, 패턴의 중요성을 이론화하려는 시도 등을 포함됩니다 의미와 함의 (Patton, 1990), 종종 이전 문헌과 관련되어있다. (이것의 훌륭한 예를 들면, Frith and Gleeson, 2004 참조).

With a semantic approach, the themes are identi- fied within the explicit or surface meanings of the data, and the analyst is not looking for anything beyond what a participant has said or what has been written. Ideally, the analytic process involves a progression from description, where the data have simply been organized to show patterns in seman- tic content, and summarized, to interpreta- tion, where there is an attempt to theorize the significance of the patterns and their broader meanings and implications (Patton, 1990), often in relation to previous literature (for an excellent example of this, see Frith and Gleeson, 2004).

이와 대조적으로 잠재적 수준에서의 주제별 분석은 데이터의 의미 적 의미를 뛰어 넘으며, 의미있는 내용을 형성하거나 알려주는 것으로 이론화 된 기본 아이디어, 가정 및 개념화 / 이데올로기를 식별하거나 조사하기 시작합니다. 자료. 우리가 우리의 데이터를 3 차원 적으로 젤리의 얼룩으로 상상한다면, 시맨틱 접근법은 젤리의 표면, 형태 및 의미를 묘사하려고 할 것이고 잠재 접근법은 특정 형태 및 의미를 부여한 특징을 확인하려고 할 것입니다 . 따라서 잠정적 인 주제 분석을 위해서는 주제 자체의 개발 자체가 해석 적 작업을 필요로하며, 생성 된 해석은 단지 설명이 아니라 이미 이론화되어있다.

In contrast, a thematic analysis at the latent level goes beyond the semantic con- tent of the data, and starts to identify or examine the underlying ideas, assumptions, and conceptualizations  / and ideologies  / that are theorized as shaping or informing the semantic content of the data. If we imagine our data three-dimensionally as blob an uneven of jelly, the semantic approach would seek to describe the surface of the jelly, its form and meaning, while the latent approach would seek to identify the features that gave it that particular formand meaning. Thus, for latent thematic analysis, the development of the themes themselves involves interpretative work, and the ana- lysis that is produced is not just descrip- tion, but is already theorized.

이 후자의 전통에서의 분석은 constructionist 패러다임 (예, Burr, 1995)에서 비롯되는 경향이 있으며,이 형태에서 주제 분석은 'DA'의 일부 형태와 겹치기도합니다 (때로는 '주제 DA' 점점 더 많은 담론 분석가들이 심리 분석적 해석의 방식을 재검토한다 (Hollway and Holter, 1999; Taylor and Ussher, 2001)), 그리고 / 또는 더 많은 의미의 가정들, 구조들은 이론적으로 자료에 실제로 표현 된 기초 이론으로 이론화된다. Jefferson, 2000), 잠재적 인 주제 분석은 그 틀과 호환 될 수있을 것이다.

Analysis within this latter tradition tends to come from a constructionist paradigm (eg, Burr, 1995), and in this form, thematic analysis overlaps with some forms of ‘DA’ (which are sometimes specifically referred to as ‘thematic DA’ (eg, Singer and Hunter,1999; Taylor and Ussher, 2001)), where and/or broader meanings assumptions, structures are theorized as underpinning what is actually articulated in the data. Increasingly, a number of discourse analysts are also revisiting psycho-analytic modes of interpretation (eg, Hollway and Jefferson,2000), and latent thematic analysis would also be compatible with that framework. 

인식 론자 : 본질주의자/현실주의자 vs 구성주의자의 주제별 분석

Epistemology: essentialist/realist versus constructionist thematic analysis

 

우리가 주장한 것처럼, 주제별 분석은 결과와 초점이 각각 다르지만 현실주의 / 본질주의와 건설 주의자 패러다임 모두에서 해결 될 수있다. 인식론의 문제는 일반적으로 연구 프로젝트가 개념화 될 때 결정되지만, episte-mology는 분석 중 초점이 데이터의 다른 측면에 대한 관심으로 옮겨 질 때 다시 드러나게 될 수 있습니다. 연구 인식론은 여러분이 데이터와 의미를 이론화하는 방법을 알려줍니다. As we have argued, thematic analysis can beconducted within both realist/essentialistand constructionist paradigms, althoughthe outcome and focus will be different for    each. The question of epistemology is                    usually determined when a research projectis being conceptualized, although episte-mology may also raise its head again during analysis, when the research focus may shiftto an interest in different aspects of the data.The research epistemology guides what youcan say about your data, and informs howyou theorize meaning.

예를 들어, essentialist/realist 방식을 사용하면 의미와 경험 및 언어 사이에서 단순하고 대부분의 단방향 관계가 그대로 유지되기 때문에 동기 부여, 경험 및 의미를 명확히 할 수 있습니다 (언어는 의미와 경험을 명확하게 표현하고 반영합니다). ) (Potter and Wetherell, 1987; Widdicombeand Wooffitt, 1995).

 For instance, with an essentialist/realist approach, you can theo-rize motivations, experience, and meaningin a straightforward way, because a simple,                largely unidirectional relationship is as-sumed between meaning and experienceand language (language reflects and enablesus to articulate meaning and experience)(Potter and Wetherell, 1987; Widdicombeand Wooffitt, 1995). 

대조적으로, constructionist per-spective에서, 의미와 경험은 생산되고 재생산 된 것보다 소극적이다 (Burr 1995). 따라서 constructionist per-spective 내에서 도출 된 주제 분석은 동기 부여나 개인의 심리에 초점을 둘 수 없으며, 개인의 설명account가 있게 한 사회 문화적 맥락과 구조적 조건을 이론화한다. '잠복'주제에 초점을 맞춘 주제 분석은 좀 더 con-structionist한 경향이 있으며, 이 지점 에서 주제별 DA와 중첩되기 시작하는 경향이있다. 그러나 모든 잠재 성 주제 분석이 건설 론자는 아니다.
In contrast, from a constructionist per-spective, meaning and experience are so-cially than produced and reproduced, individuals rather inhering within (Burr 1995),Therefore, thematic analysis ducted within a constructionist framework can not and does not seek to focus on motivation or individual psychologies, but nstead seeks to theorize the socio cultural contexts, and structural conditions, that are enable the individual accounts that provided. Thematic analysis that focuseson ‘latent’ themes tends to be more con-structionist, and it also tends to start to overlap with thematic DA at this point.However, not all ‘latent’ thematic analysisis constructionist. 

질적 연구에 관한 많은 질문들
The many questions of qualitative research

간단히 말해서 질적 연구는 일련의 질문을 포함하고 있으며, 이들 서로 다른 질문들 사이의 관계에 대해 명확히 할 필요가 있음을 간략히 주목할 필요가 있습니다. 먼저, 프로젝트를 추진하는 전반적인 조사 질문지가 있습니다.

It is worth briefly noting that qualitativeresearch involves a series of questions, andthere is a need to be clear about the relation-ship between these different questions.First, there is the overall research questionor questions that drive the project.

 

연구 질문은 '레즈비언과 게이 육아는 어떻게 construct?'와 같이 매우 광범위하고 (실증적인) 질문 일 수 있습니다.
A re-search question might be very broad (and exploratory), such as ‘how is lesbian and gay parenting constructed?’

 

더 좁은 연구 질의는 '어떻게 레즈비언과 게이 육아가 normalize 되었는가?'(Clarke and Kitzinger, 2004),
Narrower researchquestions might be ‘how and why is lesbianand gay parenting normalized?’ (Clarke andKitzinger, 2004),

 이러한 좁은 질문은 광범위한 포괄적 인 연구 질문의 일부일 수 있으며, 그렇다면 분석 결과는 전반적인 질문에 대한 답을 제공합니다. 모든 프로젝트는 연구 질문에 의해 유도되지만 프로젝트가 진행됨에 따라 정교해질 수도 있습니다.
 These narrow questions maybe part of a broader overarching researchquestion, and if so, the analyses they informwould also provide answers to the overallresearch question. Although all projects areguided by research questions, these mayalso be refined as a project progresses. 

둘째, 인터뷰 또는 포커스 그룹의 데이터를 수집 한 경우 참가자가 응답 한 질문이 있습니다. 마지막으로, 데이터의 코딩과 분석을 안내하는 질문이 있습니다. 이 세 가지 사이에는 반드시 관계가 있어야 하는 것은 아니며 , 실제로 이들 사이에 disjuncture가 존재하는 것이 종종 더 바람직하다. 우리가 읽은 '주제' 분석의 최악의 사례는 참가자들에게 던진 질문을 그대로 '주제'로 사용하는 것이다. 이것은 실제로 전혀 분석이 이루어지지 않은 것과 같다

 

Second, if data from interviews or focusgroups have been collected, there are the questions that participants have respondedto. Finally, there are the questions thatguide the coding and analysis of the data.There is no necessary relationship between these three, and indeed, it is often desirablethat there is a disjuncture between them.Some of the worst examples of ‘thematic’analysis we have read have simply usedthe questions put to participants as the /‘themes’ identified in the ‘analysis’ - although in such instances, no analysis has really been done at all!

 

 

요약하면, 주제별 분석은 다수의 인터뷰 또는 포커스 그룹 또는 텍스트의 범위 / 반복 된 패턴의 의미를 찾기 위해 데이터 세트를 검색하는 것과 관련됩니다. 위와 같이 주제별 분석의 정확한 형태와 산출물은 다양하므로 주제별 분석 전과 주제 분석 중에 위에 열거 한 질문을 고려하는 것이 중요합니다.

To sumup, thematic analysis involves the searching across a data set  / be that a number of interviews or focus groups, or a range of texts  / to find repeated patterns of meaning. The exact form and product of thematic analysis varies, as indicated above, and so it is important that the questions outlined above are considered before and during thematic analyses. Those appro- aches which consider specific aspects,

• latent themes and are constructionist tend to often cluster together,

• while those that consider meanings across the whole data set, semantic themes, and are realist, often cluster together.

 

그러나 이와 관련하여 엄격하고 엄격한 규칙은 없으며 서로 다른 조합이 가능합니다. 중요한 것은 최종 결과물에는 수행 된 작업의 세부 사항이나, 수행된 작업을 하게 된 이유가 아닌 것들도 포함될 수 있다는 것입니다. 그래서 실제로 무엇을하나요? 이제 주제별 분석을 수행하는 데 필요한 단계별 가이드를 제공합니다.
However, there are no hard- and-fast rules in relation to this, and differ- ent combinations are possible. What is important is that the finished product con- tains an account not necessarily that  / detailed  / of what was done, and why. So what does one actually do? We nowprovide what is, we hope, a straightforward step- by-step guide to conducting thematic ana- lysis.

주제 분석 수행 : 단계별 가이드
Doing thematic analysis: a step-by-step guide

주제 분석의 일부 단계는 다른 질적 연구의 단계와 유사하므로 이러한 단계가 반드시 주제별 분석에 모두 유일한 것은 아닙니다. 이 프로세스는 애널리스트가 데이터의 잠재적 인 관심과 의미 패턴을 알아 채고 찾아내는 것에서 시작한다 (이 때는 데이터 수집 중일 수 있다). 끝나는 때는 데이터에서 패턴 (테마)의 내용과 의미를 보고하는 것입니다. Analysis는 끊임없이 전체 데이터 세트-분석중인 코드 추출물- 당신이 생산하고있는 데이터를 왔다갔다하게 된다. Some of the phases of thematic analysis are similar to the phases of other qualitative research, so these stages are not necessarily all unique to thematic analysis. The process starts when the analyst begins to notice, and look for, patterns of meaning and issues of potential interest in the data  / this may be during data collection. The endpoint is the reporting of the content and meaning of patterns (themes) in the data, Analysis involves a constant moving back and for- ward between

• the entire data set,

• the coded extracts of data that you are analysing, and

• the analysis of the data that you are produ- cing.

 

작문은 통계 분석과 마찬가지로 끝 부분에서 이루어지는 것이 아니라 분석의 필수적인 부분입니다. 따라서 아이디어는 아이디어와 잠재적 인 코드 체계를 적어두고 1 단계에서부터 작성해야하며 전체 코딩 및 분석 프로세스 동안 계속 진행해야합니다.
Writing is an integral part of analysis, not something that takes place at the end, as it does with statistical analyses. Therefore, writing should begin in phase one, with the jotting down of ideas and potential coding schemes, and continue right through the entire coding/analysis process.

분석과 관련이 있는 문헌 조사를 해야하는 시기와 관련하여 여러 가지 입장이 있습니다.

• 어떤 사람들은 초반의 문헌 조사가 분석 분야를 좁혀 다른 중요한 요소를 희생하여 데이터의 일부 측면에만 집중하게 만들 수 있다고 주장합니다.

• 다른 사람들은 문헌에 대한 참여가 당신을 데이터의 좀 더 미묘한 특징에 민감하게하여 분석을 향상시킬 수 있다고 주장합니다 (Tuckett, 2005).

There are different positions regarding when you should engage with the literature with some relevant to your analysis  / arguing that early reading can narrow your analytic field of vision, leading you to focus on some aspects of the data at the expense of other potentially crucial aspects. Others argue that engagement with the literature can enhance your analysis by sensitizing you to more subtle features of the data (Tuckett, 2005).

 

따라서 분석의 문헌 조사와 관한 한 가지 정답만이 있는 것은 아니며, 문헌 조사를 하지 않음으로써보다 inductive한 접근법이 강화 될 것이지만, 이론적인 접근을 하러면 이전 문헌과의 어떤 관련이 있는지를 알 필요가 있다.
Therefore, there is no one right way to proceed with reading for the- matic analysis, although a more inductive approach would be enhanced by not enga- ging with literature in the early stages of analysis, whereas a theoretical approach requires literature engagement with the prior to analysis.

우리는 여섯 단계의 분석을 통해 가이드를 제공하고 처리 할 예제를 제공합니다 .7 다른 단계는 표 1에 요약되어 있습니다. 정성 분석 가이드 라인은 정확히 / 규칙이 아니라는 점을 인식하는 것이 중요합니다. 기본 교훈에 따라 연구 질문 및 데이터에 맞게 유연하게 적용해야합니다 (Patton, 1990). 게다가 분석은 단순히 한 단계에서 다음 단계로 이동하는 선형 과정이 아닙니다. 대신, 이것은 단계를 거쳐 필요한만큼 앞뒤로 움직임이 이루어지는 재귀 적 과정입니다.
We provide an outline guide through the six phases of analysis, and offer examples to process.7 The different demonstrate the phases are summarized in Table 1. It is important to recognize that qualitative ana- lysis guidelines are exactly that  / they are not rules, and, following the basic precepts, will need to be applied flexibly to fit the research questions and data (Patton, 1990). Moreover, analysis is not a linear process of simply moving from one phase to the next. Instead, it is more recursive process, where movement is back and forth as needed, throughout the phases.

Table 1 Phases of thematic analysis

1. Familiarizing yourself with your data: 

2. Generating initial codes: 

3. Searching for themes: 

4. Reviewing themes: 

5. Defining and naming themes: 

6. Producing the report:

1 단계 : 자신의 데이터에 익숙해지기
Phase 1: familiarizing yourself with your data

 

분석에 참여하면 데이터를 직접 수집했거나 제공되었을 수 있습니다. interactive한 방법을 통해 수집 한 경우 데이터에 대한 사전 지식과 초기 분석 관심사 또는 생각을 사용하여 분석하게됩니다. 그러나 그것과 관계없이 콘텐츠의 깊이와 폭을 잘 알고있는 범위에서 데이터에 몰두하는 것immerse이 중요합니다. 집중Immersion은 일반적으로 데이터의 '반복 된 읽기'를 포함하며, 적극적인 방식으로 데이터를 읽거나 의미, 패턴 등을 검색합니다. 코딩을 시작하기 전에 적어도 한 번 이상 전체 데이터 세트를 읽는 것이 이상적입니다. 읽는 동안 가능한 패턴에 대한 아이디어와 identification가 형성되기 때문입니다.

When you engage in analysis, you may have collected the data yourself, or they may have been given to you. If you collected them through interactive means, you will come to the analysis with some prior knowledge of the data, and possibly some initial analytic interests or thoughts. Regardless, it is vital that you immerse yourself in the data to the extent that you are familiar with the depth and breadth of the content. Immersion usually involves ‘repeated reading’ of the data, and reading the data in an active way  / searching for meanings, patterns and so on. It is ideal to read through the entire data set at least once before you begin your coding, as ideas and identification of possible pat- terns will be shaped as you read through.

 

전반적인 vs 세부적인 분석을 목표로 삼고 있는지, 잠정적 vs 의미론적 주제를 찾고 있는지 또는 데이터 vs 이론 중심으로 진행되는지에 따라 어떻게 읽어야 할지가 결정된다. 그럼에도 불구하고 데이터의 모든 측면을 잘 알고 있어야합니다. 이 단계에서 질적 연구가 설문 조사보다 훨씬 작은 샘플을 사용하는 경향이있는 이유 중 하나는 / 데이터의 읽기 및 읽기가 시간 소모적이라는 것입니다. 그러므로 이 단계를 뛰어 넘거나 선택적으로만 읽고 싶은 유혹이 생긴다. 그러나 우리는 이 단계가 나머지 분석을 위한 기반을 제공하기 때문에 이 문제에 대해 강력히 권고합니다.

Whether or not you are aiming for an overall or detailed analysis, are searching for latent or semantic themes, or are data- or theoretically-driven will inform how the reading proceeds. Regardless, it is impor- tant to be familiar with all aspects of your data. At this phase, one of the reasons why qualitative research tends to use far smaller samples than, for example, questionnaire research will become apparent  / the read- ing and re-reading of data is time-consum- ing. It is, therefore, tempting to skip over this phase, or be selective. We would strongly advise against this, as this phase provides the bedrock for the rest of the analysis.

 

이 단계에서 코딩을 위한 노트나 아이디어를 마킹하기 시작하여 이후 단계에 필요시 되돌아올 수 있도록하는 것이 좋습니다. 이 작업을 완료하면보다 공식적인 코딩 과정을 시작할 준비가 된 것입니다. 본질적으로 코딩은 전체 분석을 통해 계속 개발되고 정의됩니다.

During this phase, it is a good idea to start taking notes or marking ideas for coding that you will then go back to in subsequent phases. Once you have done this, you are ready to begin, the more formal coding process. In essence, coding continues to be developed and defined throughout the en- tire analysis.

구두 데이터의 전사
Transcription of verbal data

인터뷰, 텔레비전 프로그램 또는 정치 연설과 같은 verbal 데이터로 작업하는 경우 주제별 분석을 수행하기 위해 서면으로 데이터를 복사해야합니다. 전사 과정은 시간 소모적이고 좌절하며 때로는 지루할 수 있지만 데이터에 익숙해지기 시작하는 훌륭한 방법이 될 수 있습니다 (Riessman, 1993). 나아가 일부 연구자들은 '해석 적 정량 방법론 내에서 데이터 분석의 핵심 단계'(Bird, 2005 : 227)로 보아야하며 단순히 기계적 의미가 아니라 의미가 만들어지는 해석적 행동으로 인식되어야한다고 주장한다 음성을 종이에 두는 행위 (Lapadat and Lindsay, 1999).
If you are working with verbal data, such as interviews, television programmes or poli- tical speeches, the data will need to be transcribed into written form in order to conduct a thematic analysis. The process of transcription, while it may seen time-con- suming, frustrating, and at times boring, can be an excellent way to start familiarizing yourself with the data (Riessman, 1993). Further, some researchers even argue it should be seen as ‘a key phase of data analysis within interpretative qualita- tive methodology’ (Bird, 2005: 227), and recognized as an interpretative act, where meanings are created, rather than simply a mechanical act of putting spoken sounds on paper (Lapadat and Lindsay, 1999).

구어체 텍스트를 서면 텍스트로 변환하기위한 다양한 관습이 존재한다 (Edwards and Lampert, 1993; Lapadat and Lindsay, 1999). 일부 전사 시스템은 CA의 'Jefferson'시스템 (Atkinson and Heritage, 1984; Hutchby and Wooffitt, 1998 참조)과 같은 특정 형태의 분석을 위해 개발되었습니다. 그러나 주제별 분석, 심지어 구성 주의자 주제별 분석도 대화, 담론 또는 내러티브 분석과 같이 transcript 에서 동일한 수준의 세부 사항을 요구하지 않습니다. 주제별 분석을 수행하는 방법이 유일한 것이 아니므로 transcript 를 작성할 때에도 마찬가지로 따를 지침은 없습니다. 그러나 최소한 모든 구두 (때로는 비언어적 / 예 : 기침) 발언에 대해 엄격하고 철저한 '정형화 된' transcript 증명서 / '축 어적'계정을 요구합니다 .8 중요한 것은 verbal account에서 필요한 정보가 transcript에 original nature를 잘 드러내는 '진실'한 방식으로 담겨야 한다는 점이다(예 : '구두점 추가는 데이터의 의미를 바꿀 수 있습니다 / 예를 들어'나는 그것을 싫어합니다. 알고 있습니다. '대'나는 싫어합니다. 폴란드, 2002 : 632), 필사적 인 표상은 실제로 분석 목적에 부합한다는 것 (Edwards, 1993).
Various conventions exist for transforming spoken texts into written texts (see Edwards and Lampert, 1993; Lapadat and Lindsay, 1999). Some systems of transcription have been developedfor specific forms of analysis  / such as the ‘Jefferson’ system for CA (see Atkinson and Heritage, 1984; Hutchby and Wooffitt, 1998). However, thematic analysis, even constructionist thematic analysis, does not require the same level of detail in the transcript as conversation, discourse or even narrative analysis. As there is no one way to conduct thematic analysis, there is noone set of guidelines to follow when producing a transcript. However, at a minimum it re- quires a rigorous and thorough ‘ortho- graphic’ transcript  / a ‘verbatim’ account of all verbal (and sometimes nonverbal  / eg, coughs) utterances.8 What is important is that the transcript retains the information you need, from the verbal account, and in a way which is ‘true’ to its original nature (eg, punctuation added can alter the meaning of data  / for example ‘I hate it, you know. I do’ versus ‘I hate it. You know I do’, Poland, 2002: 632), and that the transcription con- vention is practically suited to the purpose of analysis (Edwards, 1993).

앞서 말했듯이, 전사에 소요 된 시간은 분석의 초기 단계에 알려주기 때문에 낭비되는 것이 아니며, 필사본을 작성함으로써 데이터를 훨씬 더 철저하게 이해할 수 있습니다. 게다가 데이터를 기록하기 위해주의를 기울여야 데이터를 분석하는 데 필요한 긴밀한 읽기 및 해석 기술을 용이하게 할 수있다 (Lapadat and Lindsay, 1999).
As we have noted, the time spent in transcription is not wasted, as it informs the early stages of analysis, and you will develop a far more thorough understanding of your data through having transcribed it. Furthermore, the close attention needed to transcribe data may facilitate the close read- ing and interpretative skills needed to ana- lyse the data (Lapadat and Lindsay, 1999).

2 단계 : 초기 코드 생성
Phase 2: generating initial codes

2 단계는 데이터를 읽고 익히고 데이터에 무엇이 있으며 무엇이 흥미로운 지에 대한 아이디어의 초기 목록을 생성 할 때 시작됩니다. 이 단계는 데이터로부터 초기 코드 생성을 포함합니다. 코드는 애널리스트가 흥미롭게 보이는 데이터의 특징 (의미 적 내용 또는 잠복 성)을 identify하며 '원시 데이터 또는 정보의 가장 기본적인 세그먼트 또는 요소로서, 현상과 관련하여 meaningful way로 평가될 수 있는 것'이다(Boyatzis, 1998 : 63). 짧은 데이터 세그먼트에 적용된 코드 예제는 그림 1을 참조하십시오.

Phase 2 begins when you have read and familiarized yourself with the data, and have generated an initial list of ideas about what is in the data and what is interesting about them. This phase then involves the produc- tion of initial codes from the data. Codes identify a feature of the data (semantic content or latent) that appears interesting to the analyst, and refer to ‘the most basic segment, or element, of the raw data or information that can be assessed in a mean- ingful way regarding the phenomenon’ (Boyatzis, 1998: 63). See Figure 1 for an example of codes applied to a short segment of data.

 

 

 

 

의미있는 그룹으로 데이터를 구성 할 때 코딩 과정은 분석의 일부입니다 (Miles andHuberman, 1994). (Tuckett, 2005). 그러나 coded data는 unit of analysis(연구자의 theme)와 다르며 (종종) 더 넓습니다. Theme의 개발은 다음 단계(3단계)에서 개발되기 시작하며, Theme은 (조사되는 현상에 대한 어떤 논증이 이루어 졌는지에 관하여) 데이터의 interpretative analysis가 발생하는 곳입니다 (Boyatzis, 1998).
The process of coding is part of analysis (Miles andHuberman, 1994), as you are organising your data into meaningful groups (Tuckett, 2005). However, your coded data differ from the units of analysis (your themes), which are (often) broader. Your themes, which you start to develop in the next phase, are where the interpretative analysis of the data occurs, and in relation to which arguments about the phenomenon being examined are made (Boyatzis, 1998).

 

코딩은 테마가보다 '데이터 중심'인지 '이론 중심'인지에 따라 어느 정도 좌우 될 것입니다. 예를 들어, 전자에서 주제는 데이터에 따라 달라 지지만, 후자에서는 code를 하려는 특정 질문을 마음에 두고 데이터에 접근 할 수 있습니다. 또한 전체 데이터 세트의 내용을 코딩할지 여부 또는 데이터 세트의 특정한 특징을 (가능하면 제한된) 식별하기 위해 코딩 중인지 여부에 달려 있습니다. 코딩은 수동 또는 소프트웨어 프로그램을 통해 수행 될 수 있습니다 (예 : Kelle, 2004, Seale, 2000, 소프트웨어 프로그램 설명 참조).

Coding will, to some extent, depend on whether the themes are more ‘data-driven’ or ‘theory-driven’  - in the former, the themes will depend on the data, but in the latter, you might approach the data with specific questions in mind that you wish to code around. It will also depend on whether you are aiming to code the content of the entire data set, or whether you are coding to identify particular (and possibly limited) features of the data set. Coding can be a performed either manually or through software programme (see, eg, Kelle, 2004; Seale, 2000, for discussion of software programmes).

 

전체 데이터 세트를 통해 체계적으로 작업하여, 각 데이터 항목에 완전하고 동등한 관심을 기울이고, 데이터 세트에서 반복되는 패턴 (테마)의 기초를 형성 할 수 있는 데이터 항목의 흥미로운 측면을 identify합니다. Extract을 실제로 코딩하는 데는 여러 가지 방법이 있습니다. 수동으로 코딩하는 경우, 분석중인 텍스트에 노트를 쓰거나 하이라이트 또는 펜을 사용하여 잠재적 인 패턴을 나타내거나 '포스트잇'노트를 사용하여 데이터 세그먼트를 식별함으로써 데이터를 코딩 할 수 있습니다. 처음에 코드를 식별 한 다음 해당 코드를 보여주는 데이터 추출과 일치시킬 수 있지만이 단계에서는 모든 실제 데이터 추출이 코딩되고 각 코드 내에서 한 번에 한 부씩 인쇄되도록하는 것이 중요합니다. 여기에는 개별 성적표의 데이터 추출물을 복사하거나 인쇄 된 데이터의 사본을 복사하여 개별 코드 또는 파일 카드를 사용하여 각 코드를 대조하는 작업이 포함될 수 있습니다. 컴퓨터 소프트웨어를 사용하는 경우 각 데이터 항목의 텍스트 선택에 태그를 지정하고 이름을 지정하여 코딩하십시오.

Work systematically through the entire data set, giving full and equal attention to each data item, and identify interesting aspects in the data items that may form the basis of repeated patterns (themes) across the data set. There are a number of ways of actually coding extracts. If coding manually, you can code your data by writ- ing notes on the texts you are analysing, by using highlighters or coloured pens to indicate potential patterns, or by using ‘post-it’ notes to identify segments of data. You may initially identify the codes, and then match them with data extracts that demonstrate that code, but it is important in this phase to ensure that all actual data extracts are coded, and then collated to- gether within each code. This may involve copying extracts of data from individual transcripts or photocopying extracts of printed data, and collating each code to- gether in separate computer files or using file cards. If using computer software, you code by tagging and naming selections of text within each data item.

이 단계에 대한 주요 조언은 다음과 같습니다 :

• (a) 가능한 한 많은 잠재적 인 주제 / 패턴을위한 코드 (시간 허용) / 나중에 재미 있을지 모를;

• (b) 데이터 추출물을 포괄적으로 코드화한다. 즉 관련성이있는 경우 주변 데이터를 약간 유지한다. 코딩에 대한 공통적인 비판은 문맥이 손실된다는 것이다 (Bryman, 2001);

• (c) 추출물이 코딩되지 않았거나, 한 번 코딩되거나, 여러 번 코딩 될 수 있으므로 관련된 여러 가지 '주제'로 개별 추출물을 코딩 할 수 있음을 기억하십시오.
  Key advice for this phase is:

• (a) code for as many potential themes/patterns as possible (time permitting)  / you never know what might be interesting later;

• (b) code extracts of data inclusively  / ie, keep a little of the surrounding data if relevant, a common criticism of coding is that the context is lost (Bryman, 2001); and

• (c) remember that you can code individual extracts of data in as many different ‘themes’ as they fit into  / so an extract may be uncoded, coded once, or coded many times, as relevant.

 

모순이 없는 data set은 없으며, 최종적으로 생산하게 될 만족스러운 주제의 '지도' 또는 데이터 패턴의 전반적인 개념화 및 그것들 사이의 관계가 반드시 smooth out해야한다거나, tension을 무시해야 한다거나, inconsistency가 없어야 하는 것은 아니다. 분석을 할 때 지배적인 이야기에서 벗어나는 설명을 유지하는 것이 중요합니다. 따라서 코딩에서 이를 무시하지 마십시오.

Note that no data set is without contradiction, and a satisfactory thematic ‘map’ that you will eventually produce  / an overall conceptua- lization of the data patterns, and relation- ships between them9  / does not have to smooth out or ignore the tensions and within and across data inconsistencies items. It is important to retain accounts that depart from the dominant story in the analysis, so do not ignore these in your coding.

3 단계 : 테마 검색

Phase 3: searching for themes

3 단계는 모든 데이터가 처음에 coded and collated 되고, 데이터 세트로부터 나온 여러 code들의 긴 목록이 형성된 이후 시작됩니다. 코드가 아닌 주제의 더 넓은 차원에서 분석을 다시 집중시키는 이 단계에서는, 서로 다른 코드를 잠재적인 테마로 정렬하고, 식별된 테마 내의 모든 관련 코드화 된 데이터 추출을 대조합니다.

Phase 3 begins when all data have been initially coded and collated, and you have a long list of the different codes that you have identified across the data set. This phase, which re-focuses the analysis at the broader level of themes, rather than codes, involves

• sorting the different codes into potential themes, and

• collating all the relevant coded data extracts within the identified themes.

 

본질적으로, 코드를 분석하기 시작하고 서로 다른 코드가 결합하여 form an overarching theme에 어떻게 결합 할 수 있는지 고려해야합니다. 시각적 표현을 사용하여 다른 코드를 테마로 정렬하는 데이 단계에서 도움이 될 수 있습니다. 테이블이나 마인드 맵을 사용하거나 각 코드 (및 간단한 설명)의 이름을 별도의 종이에 써서 테마 파일로 구성하여 놀 수 있습니다. 초기 단계의 주제별지도는 그림 2에서 볼 수 있습니다.

Essentially, you are starting to analyse your codes and consider how different codes may combine to forman overarching theme. It may be helpful at this phase to use visual representations to help you sort the differ- ent codes into themes. You might use tables, or mind-maps, or write the name each code (and a brief description) on a separate piece of paper and play around with organizing them into theme-piles. A thematic map of this early stage can be seen in Figure 2

 

이것은 코드 간, 다른 theme 간, level of themes (예 : 주요 테마 및 하위 테마) 사이에서 생각하기 시작한 것입니다. 일부 초기 코드는 주 테마를 형성하기도하고, 다른 초기 코드는 하위 테마를 형성 할 수도 있고, 나머지는 여전히 버려 질 수 있습니다. 이 단계에서는 아무 데나 속하지 않는 코드 세트를 가질 수도 있다. 또한 주요 테마에 맞지 않는 code를 만드는 것, 즉 code 생성에 있어 miscellaneous한 (적어도 일시적으로라도)'테마'를 만드는 것이 완벽하게 수용 할 수 있습니다 .

This is when you start thinking about the relationship between codes, between between different themes, and levels of themes (eg, main overarching themes and sub-themes within them). Some initialcodes may go on to form main themes,whereas others may form sub-themes, andothers still may be discarded. At this stage, you may also have a set of codes that do not seem to belong anywhere, and it is perfectly acceptable to create a ‘theme’ called ‘mis-cellaneous’ to house the codes  / possibly temporarily  / that do not seem to fit into your main themes. 

이 단계는 후보자 주제 및 하위 주제 모음과 관련하여 코딩 된 데이터의 수집으로 종료됩니다. 이 시점에서, 당신은 개별 테마의 중요성을 인식하기 시작할 것입니다. 그러나 모든 단계의 추출물을 상세하게 (단계적으로) 고려하지 않고서는, theme들을 그대로 존재하게 둘 것인지, 일부를 결합/정제/분리하거나 버려야하는지 여부가 불투명하기 때문에, 이 단계에서는 아무 것theme도 버리지abandon 마십시오.

You end this phase with a collection of candidate themes, and sub-themes, and all extracts of data that have been coded in relation to them. At this point, you will start to have a sense of the significance of individual themes. However, do not aban-don anything at this stage, as without looking at all the extracts in detail (the next phase) it is uncertain whether the themes hold as they are, or whether some need to be combined, refined and separated,or discarded.

 

 

4 단계 : 주제 검토

Phase 4: reviewing themes

4 단계는 후보자 테마candidate theme를 고안했을 때 시작됩니다. 이 단계에서 일부 candidate 테마는 실제로 테마가 아닐 수 있습니다 (예 : 지원할 데이터가 충분하지 않거나 데이터가 너무 다양 할 경우). 여러 theme들이 서로 collapse 할 수 있습니다 (예 : 두 개의 theme이 합해져서 하나가 될 수 있음). 어떤 것들을 각기 다른 주제로 분해될 수 있다. 내부 동질성과 외부 이질성 internal homogeneity and ex-ternal heterogeneity  에 대한 패튼 (1990)의 두 가지 심사 기준은 여기서 고려할 가치가있다. 하나의 주제 내에 들어 있는 데이터들는 meaningfully 일치해야하며 테마는 명확하고 식별 가능하게 구별되어야 합니다.

Phase 4 begins when you have devised a setof candidate themes, and it involves therefinement of those themes. During thisphase, it will become evident that some candidate themes are not really themes (eg,if there are not enough data to support them,or the data are too diverse), while others might collapse into each other (eg, two apparently separate themes might form need one theme). Other to be broken down into separate themes.Patton’s (1990) for dual criteria judging categories  / internal homogeneity and ex-ternal heterogeneity  / are worth consider-ing here. Data within themes should cohere together meaningfully, while there shouldb e clear and identifiable distinctions be-tween themes. 

 

이 단계는 주제를 검토하고 개선하는 두 단계로 구성됩니다.

This phase involves two levels of review-ing and refining your themes.

 

레벨 1은 코드화 된 추출된 데이터 수준에서 검토합니다. 즉, 각 주제에 대해 조합 된 추출물을 읽어야하며, 일관된 패턴을 형성하는지 여부를 고려해야합니다. 후보 주제가 일관된 패턴을 형성하는 것처럼 보이면 두 번째 단계로 이동하십시오. Candidate theme이 적합하지 않은 경우 주제 자체에 문제가 있는지 또는 해당 데이터 추출물의 일부가 단순히 적합하지 않은지 여부를 고려해야 합니다. 후자의 경우에는 theme을 새로 만들고, 지금 가지고 있는 theme에 잘 어울리지 않는 code를 찾아, 적절한 곳에 다시 배치해주거나, 이 code를 분석에서 배제할 수도 있다.

Level one involves reviewing at the level of the codeddata extracts. This means you need to readall the collated extracts for each theme, andconsider whether they appear to form acoherent pattern. If your candidate themesdo appear to form a coherent pattern, youthen move on to the second level of thisphase. If your candidate themes do not fit,you will need to consider whether the theme itself is problematic, or whether some of the data extracts within it simply do not fit there  / in which case, you would rework your theme,

• creating a new theme,

• finding a home for those extracts that do not currently work in an already-existing theme, or

• discarding them from the analy-sis

 

Candidate 'thematic map'을 가지고 있다고 확신하면 - 즉 coded data의 윤곽contour를 잘 보여주는 theme의 후보들에 대해서 만족한다면 - 이 단계의 레벨 2로 이동할 준비가됩니다. 이 세분화 프로세스의 결과는 그림 3에 나와있는 주제에서 볼 수 있습니다.

Once you are satisfied that your candi-date themes adequately capture the once you contours of the coded data  / have a candidate ‘thematic map’  / youare ready to move on to level two of thisphase. The outcome of this refinementprocess can be seen in the thematic mappresented in Figure 3. 

 

레벨 2는 유사한 프로세스를 포함하지만 전체 데이터 세트와 관련됩니다. 이 단계에서는 데이터 집합과 관련하여 개별 테마의 유효성을 고려해야하지만 Candidate thematic map이 '정확하게' 전체적으로 설정된 데이터의 의미를 반영하는지 여부도 고려해야합니다. 어느 정도까지, '정확한 표현'으로 간주되는 것은 이론적이고 분석적인 접근에 달려 있습니다. 그러나 이 단계에서는 두 가지 목적으로 전체 데이터 세트를 다시 읽습니다.

• 첫 번째는 설명 된대로 데이터 세트와 관련하여 theme들이 작동work 하는지를 확인하는 것입니다.

• 두 번째는 초기 코딩 단계에서 벗어난 테마 내의 모든 추가 데이터를 코딩하는 것입니다. 코딩은 지속적이고 유기적인 과정이기 때문에 데이터 세트로부터의 재 코딩이 필요할 수 있다

Level two involves a similar process, butin relation to the entire data set. At this level, you consider the validity of indivi-dual themes in relation to the data set, butalso whether your candidate thematic map‘accurately’ reflects the meanings evident inthe data set as a whole. To some extent,what counts as ‘accurate representation’ depends on your theoretical and analytic approach. However, in this phase you re-read your entire data set for two purposes.

• The first is, as discussed, to ascertain whether the themes ‘work’ in relation to the data set.

• The second is to code any additional data within themes that has been missed in earlier coding stages. The need for re-coding from the data set is to be expected as coding is an ongoing organic process. 

Thematic map이 작동하면 다음 단계로 이동합니다. 그러나 맵이 데이터 세트에 맞지 않으면 만족스러운 주제 맵을 고안 할 때까지 코딩을 검토하고 다시 작성해야합니다. 그렇게 할 때 잠재적인 새로운 테마를 식별 할 가능성이 있으며 interest and relevent 하다면, 이 테마들도 코딩을 시작합니다. 그러나 경고의 말이 있다. 데이터를 코딩하고 테마를 생성하는 것이 무한히 진행될 수 있으므로, 끝없는 재코딩을 하느라 over-enthusiastic하지 않는 것이 중요합니다. 중단해야 할시기에 대한 명확한 가이드 라인을 제공하는 것은 불가능하지만, refinement가 더 이상 substantial하지 않다면 중단하십시오! 재코딩 과정이 단지 fine-tuning만 할 뿐이고, 이미 작동하는 코딩 프레임을 더 미세하게 조정하기만 하는 경우라면, 즉, 데이터에 잘 fit한다고 인식된다면 중지하십시오. 작문을 편집하는 것과 비슷하다고 생각해보십시오. 문장과 단락을 끝없이 편집 할 수 있지만, 몇 번의 편집 후 더 많은 작업은 불필요한 refinement일 뿐이고 / 이미 멋지게 꾸며진 케이크에 수백에서 수천을 다시 배열하는 것과 비슷합니다.

If the thematic map works, then you moves on to the next phase. However, if the map does not fit the data set, you need to return to further reviewing and refining of your coding until you have devised a satisfactory thematic map. In so doing, it is possible that you will identify potential new themes, and you will need to start coding for these as well, if they are of interest and relevent. However, a word of warning: as coding data and generating themes could go on ad infinitum, it is important not to get over-enthusiastic with endless re-coding. It is impossible to pro- vide clear guidelines on when to stop, but when your refinements are not adding any- thing substantial, stop! If the process of recoding is only fine-tuning and making more nuanced a coding frame that already works  / ie, it fits the data well  / recognize this and stop. Consider it as similar to editing written work  / you could endlessly edit your sentences and paragraphs, but after a few editing turns, any further work is usually unnecessary refinement  / similar to rearranging the hundreds and thousands on an already nicely decorated cake.

이 단계가 끝나면 서로 다른 theme가 무엇인지, 어떻게 서로 어울리는지, 그리고 그들이 데이터에 대해 알리는 전반적인 이야기에 대해 상당히 잘 알고 있어야합니다.

At the end of this phase, you should have a fairly good idea of what your different themes are, how they fit together, and the overall story they tell about the data.

 

 

5 단계 : 테마 정의 및 이름 지정

Phase 5: defining and naming themes

 

5 단계는 데이터에 대한 만족스러운 thematic map이 있을 때 시작됩니다. 그림 4는 버지니아의 주제별지도에 대한 최종 개선 사항을 보여줍니다. 이 시점에서 분석을 위해 제시할 테마를 정의하고 더욱 세분화하고 그 안의 데이터를 분석합니다. '정의하고 구체화define and refine'한다는 것은 각 주제가 무엇인지에 대한 '본질'을 파악하고 (주제 전반적으로) 각 주제에서 캡처하는 데이터의 측면을 결정하는 것을 의미합니다. 너무 많은 theme을 만들거나, theme을 너무 다양하거나 복잡하게 하려고 하지 않는 것이 중요합니다. 각 테마에 대한 조합 data extract로 돌아가서 내러티브와 함께 일관성 있고 내부적으로 일관된 설명account으로 구성할 수 있습니다. 제시된 data extract의 내용을 단순히 paraphrase하는 것이 아니라 자신에 대한 관심사와 이유를 파악하는 것이 중요합니다.

Phase 5 begins when you have a satisfactory thematic map of your data  / see Figure 4 for the final refinements of Virginia’s thematic map. At this point, you then define and further refine the themes you will present for your analysis, and analyse the data within them. By ‘define and refine’, we mean identifying the ‘essence’ of what each theme is about (as well as the themes overall), and determining what aspect of the data each theme captures. It is important not to try and get a theme to do too much, or to be too diverse and complex. You do this by going back to collated data extracts for each theme, and organizing them into a coherent and internally consistent account, with accompanying narrative. It is vital that you do not just paraphrase the content of the data extracts presented, but identify what is of interest about them and why.

 

각 개별 주제에 대해 상세한 분석을 수행하고 작성해야합니다. 각 주제가 말하는 '이야기'를 식별하는 것뿐만 아니라 연구 질문 또는 질문과 관련하여 데이터에 대해 말하는 전반적인 '이야기'에 맞는 방법을 고려하여, 테마 사이에 지나친 overlap이 없게 해야합니다. 따라서 주제 자체를 고려해야 하며, 주제를 다른 주제와 관련하여 고려할 필요가 있습니다. Refinement의 일부로 테마에 하위 테마sub-theme가 포함되어 있는지 여부를 식별해야합니다. 하위 주제는 본질적으로 주제 내 주제입니다. 특히 크고 복잡한 주제에 구조를 부여하고 데이터 내의 의미 계층을 나타낼 때 유용 할 수 있습니다.

For each individual theme, you need to conduct and write a detailed analysis. As well as identifying the ‘story’ that each theme tells, it is important to consider how it fits into the broader overall ‘story’ that you are telling about your data, in relation to the research question or ques- tions, to ensure there is not too much overlap between themes. So it is necessary to consider the themes themselves, and each theme in relation to the others. As part of the refinement, you will need to identify whether or not a theme contains any sub-themes. Sub-themes are essentially themes-within-a-theme. They can be useful for giving structure to a particularly large and complex theme, and also for demon- strating the hierarchy of meaning within the data.

이 단계가 끝나면 자신의 테마가 무엇인지, 혹은 무엇이 아닌지 명확하게 정의 할 수 있어야합니다. 이를 검사하는 한 가지 방법은 두세 개 문장으로 각 주제의 범위와 내용을 설명 할 수 있는지 여부를 확인하는 것입니다. 그렇지 않다면, 그 주제를 더 세분화해야 할 수도 있습니다. 당신이 이미 당신의 주제에 작품 제목을 부여했을지라도, 이것은 또한 최종 분석에서 당신이 그들에게 줄 이름에 대해 생각하기 시작할 때입니다. 이름은 간결하고 펀치감punchy이 있어야 합니다
It is important that by the end of this phase you can clearly define what your themes are and what they are not. One test for this is to see whether you can describe the scope and content of each theme in a couple of sen- tences. If not, further refinement of that theme may be needed. Although you will already have given your themes working titles, this is also the point to start thinking about the names you will give them in the final analysis. Names need to be concise,punchy, and immediately give the re

 

6 단계 : 보고서 작성

Phase 6: producing the report

6 단계는 완전히 완성된 주제가 있고 보고서의 최종 분석 및 작성이 포함될 때 시작됩니다. 주제별 분석의 글쓰기 작업은 가지고 있는 데이터의 복잡한 이야기를, 독자에게 연구자가 한 분석의 장점과 타당도를 convince할 수 있게 말하는 것입니다. 분석 (data extract를 포함하는 글)은 within and across theme에 걸쳐서 간결하고, 일관성 있고, 논리적이며, 반복적이지 않으며 흥미로운concise, coher-ent, logical, non-repetitive and interesting account  이야기를 제공하는 것이 중요합니다. 글은 반드시 data내의 theme에 대한 충분한 증거를 제공해야합니다. 즉, 그 theme의 prevalence를 보여주는데 충분한 data extract가 있어야 합니다

Phase 6 begins when you have a set of fully worked-out themes, and involves the final analysis and write-up of the report. The task of the write-up of a thematic anal-ysis, is to tell the complicated story of your data in away which convinces the reader of the merit and validity of your analysis. It is important that the analysis (the write-up of it, includ-ing data extracts) provides a concise, coher-ent, logical, non-repetitive and interestingaccount of the story the data tell  / withinand across themes. Your write-up must provide sufficient evidence of the themes within the data  / ie, enough data extracts to demonstrate the prevalence of the theme.

 

 

 

필요하지 않은 복잡성없이 시연중인 포인트의 본질을 포착하는 생생한 예제 또는 extract를 선택하십시오. Extract는 특정 이슈의 예로서 명확하게 식별 가능해야합니다. 단순한 데이터 제공에 머물러서는 안 된다. Extract는 데이터에 대한 이야기를 강력하게 설명하는 analytic narrative에 삽입되어야 하며, analytic narrative는 데이터의 설명을 넘어 설 필요가 있으며 연구 질문과 관련한 argument을 제기해야합니다.

Choose particularly vivid examples, or ex-tracts which capture the essence of thepoint you are demonstrating, without un-necessary complexity. The extract should be easily identifiable as an example of the issue. However, your write-up needs to do more than just provide data. Extracts needto be embedded within an analytic narrativethat compellingly illustrates the story youare telling about your data, and your analy-tic narrative needs to go beyond descriptionof the data, and make an argument inrelation to your research question. 

해석 적 분석이 실제로 수반하는 것을 줄이기pinning down

Pinning down what interpretative analysis actually entails

 

 

특히 인터 프리 티브 분석의 구체적인 내용은 연구마다 다를 수 있기 때문에, 인터 프리 티브 분석이 실제로 수반하는 것이 무엇인지 정확하게 기술하기는 어렵습니다. 첫 번째 단계로, 우리는 당신이 사용하려고하는 특정 버전의 thematic analysis에 대해서 분석 된 출판물의 예를 살펴볼 것을 권장합니다

It is difficult to specify exactly what inter-pretative analysis actually entails, particu-larly as the specifics of it will vary from study to study. As a first step, we recom-mend looking at published examples ofthematic analysis, particularly of the speci-fic version you are planning to use

당신이 당신의 데이터에 대해 묻고자하는 종류의 질문에 대한 감각을 제공하고 당신이 만들어야 할 분석적 주장들의 종류를 제공하기 위해, 우리는 인간의 관계에 대한 경험을 더 넓은 social context와 연결짓는 귀납적인 분석의 좋은 예를 특별히 토의 할 것이다 (Frith andGleeson, 2004 참조).
In order to provide a sense of the sorts ofquestions you should be asking of your data,and the sorts of analytic claims you should be seeking to make, we will discuss a particularly good example of an inductive thematic analysis, which emphasizes un-derstanding men’s experiences in relation to the broader social context (see Frith andGleeson, 2004). 

Frith plore와 Gleeson (2004)이 전인적 인 감정을 목표로 한 것은 그들의 복장 실천에 영향을 미치고, 75 명의 남성들의 정성적인 질문에 수집 된 데이터를 사용하여 응답합니다. 의류 선택의 실용성 4 가지를보고하십시오. 외관에 대한 관심 부족; 몸을 은폐하거나 드러내 기위한 옷감 사용; 문화적 이상에 맞는 옷을 사용하십시오. 각각의 주제는 명확하게 연관되어 있지만 전반적으로 각각의 주제가 명확하게 구분되어 있습니다. 연구 질문 : 조합 분석 및 설명 적 데이터 추출을 사용하여 각 분석가 주제의 범위와 다양성에 대한 분명한 인식을 제공합니다. 관련성이있는 곳에서는 해석을 넓히고 해석 적 수준 (종종 기존의 문헌에 대한 주장을 관련 시킴)으로 설명을 옮깁니다.

Frith plore and how Gleeson (2004) aim about to ex-men’s feelings theirbodies influence their clothing practices,and they use data gathered in qualitative questionnaires from They 75 men to answer themes: this question. report four

 

• practicality of clothing choices;

• lack of concern about appearance;

• use of cloth-ing to conceal or reveal the body;

• use of clothing to fit cultural ideals.

 

Each theme is clearly linked back but to each the is overall research question. , They provide a clear sense of the scope and diversity of of each analyst theme, using a combination narrative and illustrative data extracts. Where relevant,they from broaden their analysis out, moving a descriptive to an interpretative level (often relating their claims to exist-ing literature). 

 

분석가로서 그들이하는 일은 남성의 반응에서 의미의 패턴을 어떻게 행동하는지 학술적 분석과 관련 짓고 있습니다. 그렇게 함으로서 그들은 분석가들이 취해야 할 두 가지 입장, 즉 문화적 구성원과 문화적 논평가로서의 논점을 보여준다. 그들의 'discus-sion'섹션은 테마가 인간과의 관계에 대해 이야기하는 전반적인 이야기에 대해 더 폭 넓은 분석적 설명을합니다. 이 이야기는 전통적으로 여성과 관련된 방식으로 남성적 문화적 이상을 충족시키기 위해 '고의적으로 전략적으로 옷을 사용하여 옷을 사용하여'(Frith and Gleeson, 2004 : 45) 계시합니다. 이 분석은 의복 / 등장 인물과 남성성에 대한 지혜에 도전하게하는 중요한 기여를합니다.

What they do, as analysts, is relate the patterns of meaning in men’sresponses to an academic analysis of howgender operates. In so doing, they de-monstrate the dual position that analysts need to take: as both cultural members and cultural commentators. Their ‘discus-sion’ section makes broader analyticstatements about the overall story thatthe themes tell us about men’s relation-ship that with men clothing. This story reveals  ‘deliberately and strategically      use clothing to manipulate their appear-ance to meet cultural ideals of masculi-nity’ (Frith and Gleeson, 2004: 45), in a    way more traditionally associated with        women. This analysis makes an impor-tant contribution in that it challengesperceived wisdom about clothing/appear-ance and masculinity.       

 

이 예에서 알 수 있듯이, 분석에 근거한 주장은 '의미론적'수준의 분석 수준에서 조차도 데이터의 '표면'을 넘어서야 할 필요가 있습니다. 분석의 마지막 단계에 대해 묻고 싶은 질문은 '이 테마는 무엇을 의미합니까?' '그 주제를 이루고있는 가정은 무엇입니까?' '이 주제의 내용은 무엇입니까? "어떤 조건으로 인해 어떤 조건이 생길 것인가?" "Whydo 사람들은 (다른 방식으로는 반대되는 방식으로)이 주제로 이야기 할 것인가?"그리고 "이 topic에 대해서 다양한 주제들이 말하고자 하는 전반적인 이야기는 무엇인가?" 당신이 당신의 thematic map에 대한 명확한 이해를 갖게되면, 이런 종류의 질문들이 분석을 인도해야 합니다.

 

As this example demonstrates, your ana-lytic claims need to be grounded in, but go beyond, the ‘surface’ of the data, even for a‘semantic’ level analysis. The sort of ques-tions you need to be asking, towards the endphases of your analysis, include: ‘What does                  this theme mean?’ ‘What are the assump-tions underpinning it?’ ‘What are the im-plications of this theme?’ ‘What conditions            are likely to have given rise to it?’ ‘Whydo people talk way about (as this thing in thisother    particular opposed to ways)?’ and ‘What is the overall story the different themes reveal about the topic?’.These sorts of questions should guide the analysis once you have a clear sense of your thematic map. 

thematic analysis을 할 때 피해야 하는 함정

Potential pitfalls to avoid when doing thematic analysis 

주제별 분석은 상대적으로 직설적인 정성 분석 형식으로 이론과 기술 및 기술에 대한 상세한 지식이 필요하지 않습니다. DA 또는 CA와 같은 ap-isproaches. 비록 당신이 아직 정성적인 기술을 배우고 있을지라도 질적 인 데이터에 대한 좋은 주제 분석을 수행하는 것은 상대적으로 쉽습니다. 그러나 빈약 한 분석을 가져올 수있는 많은 것들이 있습니다..

Thematic analysis is a relatively straight-forward form of qualitative analysis, which does not require the same detailed theore-tical and technical knowledge that do. ap-is proaches such as DA or CA It relatively easy to conduct a good thematicanalysis on qualitative data, even when youare still learning qualitative techniques.However, there are a number of things thatcan result in a poor analysis.

첫 번째 함정은 실제로 데이터를 실제로 분석하지 못한 것입니다! 주제별 분석은 분석 서사가 거의 없거나 전혀없는 추출물 모음이 되어서는 안 된다. 또한 내용을 단순히 paraphrase한 analytic comment와 함께 extract를 선택해놓은 것들의 모음도 아니다. Thematic analysis의 extract는 연구자가 데이터에 대해 만드는 분석 포인트의 예이며, 구체적인 내용을 넘어서는 분석을 illustrate/support하거나, data에 대해서 make sense하거나, 독자들에게 data가 무엇을 의미하는지 알려주기 위한 목적으로 활용되어야 한다.
The first of these is a failure to actuallyanalyse the data at all! Thematic analysis isnot just a collection of extracts strung together with little or no analytic narrative. Nor is it a selection of extracts with analytic comment that simply or primarily para-phrases their content. The extracts in the-matic analysis are illustrative of the analytic points the researcher makes about the data, and should be used

• to illustrate/support an analysis that goes beyond their specific content,

• to make sense of the data, and

• tell the reader what it does or might mean  / as discussed above.

 

두 번째로 연관된 함정은 '주제'로 데이터 수집 질문 (예 : 인터뷰 스케쥴로부터)을 사용하는 것입니다. 이 경우, 전체 데이터 세트에서 주제를 식별하거나 응답 패턴을 이해하는 데 필요한 분석 작업을 수행하지 않은 것과 같습니다.

A second, associated pitfall is the using of the data collection questions (such as from an interview sche-dule) as the ‘themes’ that are reported. Insuch a case, no analytic work has been carried out to identify themes across theentire data set, or make sense of the pattern-ing of responses. 

 

세 번째는 theme가 작동하지 않는 약하거나 설득력없는 분석으로, 주제가 너무 겹치거나 테마가 내부 일관성 있고 일관성이 없는 경우가 될 수 있다. 주제의 모든 측면은 중심 아이디어 또는 개념을 중심으로 구성되어야 합니다. 이 함정은 분석의 목적에 따라 데이터의 대부분을 포착 할 수 없거나 데이터의 하나 이상의 측면에 대한 설명 / 해석을 제공하지 못한 경우에 발생합니다. 약하거나 설득력없는 분석은 데이터에서 적절한 예를 제공하지 못함으로 인해 발생할 수 있습니다 (예 : 주제에 대해 하나 또는 두 개의 추출 만). 이 점은 본질적으로 표현의 수사학rhetorics of presentation에 관한 것이며, 전체 데이터 세트를 읽지 않은 사람에게도 분석이 convincing해야 할 필요성에 대한 것이다.

The third is a weak or unconvincinganalysis, where the themes do not appear to work, where there is too much overlap between themes, or where the themes are not internally coherent and consistent. All aspects of the theme should cohere around acentral idea or concept. This pitfall has occurred if, depending on what the analysisis trying to do, it fails adequately to capturethe majority of the data, or fails to provide arich description/interpretation of one ormore aspects of the data. A weak or un-convincing analysis can also stem from a failure to provide adequate examples from the data  / for example, only one or two extracts for a theme. This point is essen- tially about the rhetorics of presentation, and the need for the analysis to be convin- cing to someone who has not read the entire data set:

 

'자료의'분석 '은 ... 의도적 인 것입니다 연구자가 스스로 의식적으로 교묘하게 창조하며, 독자에게 주장의 plausibility를 설득해야한다. '(Foster Parker, 1995 : 204).

‘The ‘‘analysis’’ of the material...is a deliberate and self-consciously artful crea- tion by the researcher, and must be con- structed to persuade the reader of the and plausibility of an argument’ (Foster Parker, 1995: 204).

 

그렇게함으로써 브리맨 (Bryman, 1988)이 질적 연구에서 일화 (anecdotalism)라고 불렀던 현상을 피할 수 있다고 하였다. 이것은 몇 가지 사례가 흥미롭거나 드러나지 않을 수 없다는 것을 말하는 것이 아닙니다. 하지만 일부 사례를 overarching theme으로 잘못 표현하지 않는 것이 중요합니다.

In so doing, one avoids (the appearance of) what Bryman (1988) has referred to as ‘anecdotalism’ in qualitative research  / where one or a fewinstances of a phenomenon are reified into a pattern or theme, when it or they are actually idiosyn- cratic. This is not to say that a few instances cannot be of interest, or revealing; but it is important not to misrepresent them as an overarching theme.

네 번째 함정은 데이터와 그에 대한 분석적 주장이 일치하지 않는 것입니다. 그러한 (근거없는) 분석에서, 클레임은 데이터에 의해 뒷받침 될 수 없으며, 최악의 경우, 제시된 데이터 추출은 다른 분석을 제안하거나 심지어 클레임과 모순된다. 연구자는 해석와 분석 포인트가 데이터 추출물과 일치하도록 해야 합니다. 약한 분석은 데이터의 다른 명백한 대안적 해석을 고려하지 않거나 만들어낸 설명의 변이성variation(및 심지어는 모순)을 고려하지 않습니다. 데이터의 패턴이 100 % 완전하고 비 모순이되는 경우는 거의 없으므로 철저한 설명없이 없다면, 의심에 대해서 열려있어야 합니다. 주제를 보여주기 위해 설득력있는 예를 선택하는 것이 중요하다.

The fourth pitfall is a mismatch between the data and the analytic claims that are made about it. In such an (unfounded) analysis, the claims cannot be supported by the data, or, in the worst case, the data extracts presented suggest another analysis or even contradict the claims. The researcher needs to make sure that their interpretations and analytic points are con- sistent with the data extracts. A weak analysis does not appear to consider other obvious alternative readings of the data, or fails to consider variation (and even contra- diction) in the account that is produced. A pattern in data is rarely, if ever, going to be 100%complete and non-contradicted, so an analysis which suggests that it is, without a thorough explanation, is open to suspicion. It is important to pick compelling examples to demonstrate the themes, so give this considerable thought.

다섯 번째는 이론과 분석적 주장 사이의, 또는 연구 질문과 사용된 주제 분석의 형식 사이의 불일치를 포함합니다. 좋은 주제별 분석은 자료의 해석이 이론적 체계theoretical framework와 일치하는지 확인해야합니다. 예를 들어,

• experiential framework 안에서 일하는 경우, 일반적으로 연구 주제의  social construction 에 대한 주장을 하지 않을 것이며,

• 당신이 constructionist의 입장에서 주제 분석을 수행한다면, 사람들의 경험담을 세상을 보는 투명한 창문마냥 취급하지 않을 것입니다

 

The fifth involves a mismatch between theory and analytic claims, or between the research questions and the form of thematic analysis used. A good thematic analysis needs to make sure that the interpretations of the data are consistent with the theoretical framework. So, for instance,

• if you are work- ing within an experiential framework, you would typically not make claims about the social construction of the research topic, and

• if you were doing constructionist thematic analysis, you would not treat people’s talk of experience as a transparent window on their world.

 

마지막으로, 이론적 가정을 설명하거나, 방법을 명확히하지 못하고, 어떤 목적으로 중요한 정보가 부족한 (Holloway and Todres, 2003) 심지어는 좋은 이해력있는 분석조차도 한 측면에서 실패합니다.

Finally, even a good and inter- esting analysis which fails to spell out its theoretical assumptions, or clarify howit was undertaken, and for what purpose, is lacking crucial information (Holloway and Todres, 2003), and thus fails in one aspect.

좋은 주제분석이란?

What makes good thematic analysis?

외부의 사람들에 대한 질적 연구에 대한 비판 중 하나는 '무엇이든'이라는 인식입니다. 예를 들어,이 감정은 Laubschagne (2003) 초록의 첫 번째 문장에서 반복된다.

 

정량적 연구를하는 데 사용 된 많은 과학자들이 질적 연구의 전체 개념은 불분명하고, 거의 외국이거나, '공기가 많은 요정'/ 아니라 '

‘For many scientists used to doing quantitative studies the whole concept of qualitative research is unclear, almost foreign, or ‘‘airy fairy’’  / not ‘‘real’’ research.’

One of the criticisms of qualitative research from those outside the field is the percep- tion that ‘anything goes’. For instance, this sentiment is echoed in the first sentence of Laubschagne’s (2003) abstract: ‘For many scientists used to doing quantitative studies the whole concept of qualitative research is unclear, almost foreign, or ‘‘airy fairy’’  / not ‘‘real’’ research.’

 

 

그러나 실제적으로 '정량적'접근법과 동일한 기준을 적용 할 수는 없지만, '정성적'연구에도 엄격하게 적용되어야하는 분석 방법이 있다. 또한 양질의 연구 / 자료 수집과 분석을 수행하기위한 기준이 존재한다 (Elliott et al., 1999; Parker, 2004; Seale, 1999; Silverman, 2000; Yardley, 2000). 영국 심리 학회 (British Psycholological Society)는 준 연구에서 질을 평가하기위한 상대적으로 간결한 온라인 지침을 제공한다 (http://www.bps.org.uk/publications/journals/joop/qualitative-guidelines.cfm 참조).

However, although ‘quali- tative’ research cannot be subjected to the same criteria as ‘quantitative’ approaches, it does provide methods of analysis that should be applied rigorously to the data. Furthermore, criteria for conducting good qualitative research  / both data collection and analysis  / do exist (eg, Elliott et al ., 1999; Parker, 2004; Seale, 1999; Silverman, 2000; Yardley, 2000). The British Psycholo- gical Society offers relatively succinct on- line guidelines for assessing quality in qua- litative research (see http://www.bps.org.uk/publications/journals/joop/qualitative- guidelines.cfm).

 

질적 연구를 평가하기 위한 '기준'은 논쟁의 여지가없는 주제가 아니며, 자유를 제한하고 방법론적 개발을 방해하는 엄격한 기준에 대한 우려가 있다 (Elliott et al., 1999; Parker, 2004; Reicher, 2000). Reicher (2000)는 엄청나게 다양한 범위의 질적 인 접근이 동일한 기준에 종속 될 수 있는지 여부를 묻는 것으로 더 비판을 취한다.
‘Criteria’ for assessing qualitative research is a not uncontroversial topic, with concerns raised about rigid criteria limiting freedom and stifling methodological development (Elliott et al ., 1999; Parker, 2004; Reicher, 2000). Reicher (2000) takes the critique further, by asking whether the incredibly diverse range of qualitative approaches can and should be subject to the same criteria.

이러한 비판을 회피하면서 많은 일반적인 질적 연구 평가 기준에서 제기 된 문제는 주제 분석 형식에 어느 정도 적용될 수 있습니다. 주제별 분석은 유연한 방법이기 때문에 자신이하는 일에 대해 명확하고 명료하게 말할 필요가 있으며 자신이하고있는 말은 실제로하는 일과 일치해야합니다. 이러한 의미에서 이론과 방법은 엄격하게 적용될 필요가 있으며, '전제가 주제를 개념화하는 방식과 일치하는 체계적인 방법을 고안하는 것이 엄격하다.'(Reicher and Taylor, 2005 : 549). 좋은 주제 분석을 생성했는지 여부를 결정할 때 고려해야 할 기준에 대한 간략한 체크리스트가 표 2에 나와 있습니다.

Bracketing these critiques off, the issues raised in many general qualitative research assessment criteria can be more or less applied to thematic forms of analysis. As thematic analysis is a flexible method, you also need to be clear and explicit about what you are doing, and what you say you are doing needs to match up with what you actually do. In this sense, the theory and method need to be applied rigorously, and ‘rigour lies in devising a systematic method whose assumptions are congruent with the way one conceptualizes the subject matter’ (Reicher and Taylor, 2005: 549). A concise checklist of criteria to consider when deter- mining whether you have generated a good thematic analysis is provided in Table 2.

 

 

Table 2 A 15-point checklist of criteria for good thematic analysis

Thematic analysis가 심리학자들에게 제공하는 것은?

So what does thematic analysis offer psychologists?

이제 주제 분석의 장점과 단점에 대한 간략한 설명과 함께 마칩니다. 본 논문에서 보여준 것처럼 주제별 분석은 복잡한 방법이 아닙니다. 사실, 표 3에서 볼 수 있듯이 그 장점은 많습니다. 그러나 단점이 없는 것은 아닙니다. 이제 간단히 살펴 보겠습니다. 많은 단점은 방법 자체보다는 부적절한 분석이나 부적절한 연구 문제에 더 많이 기인합니다. 또한 광범위한 분석 옵션을 허용하는 방법의 유연성은 데이터에 대해 언급 할 수있는 잠재적 인 범위가 광범위하다는 것을 의미합니다. 이것이 장점이긴하지만, 고차 분석을 위한 특정 지침을 개발하는 것이 어렵고, 연구자가 데이터의 어떤 부분을 집중할 것인지 결정하려고 할 때 마비 될 수있는 단점이 있습니다. 고려해야 할 또 다른 문제는 주제별 분석이 분석적 주장analytical claims을 뒷받침하는 기존의 이론적 틀theoretical framework 내에서 사용되지 않는다면 단순한 묘사mere description 이상의 해석력을 제한한다는 점입니다.

We now end this paper with some brief comments on the advantages and disadvan- tages of thematic analysis. As we have shown throughout this paper, thematic ana- lysis is not a complex method. Indeed, as you can see from Table 3, its advantages are many. However, it is not without some disadvantages, which we will now briefly consider. Many of the disadvantages de- pend more on poorly conducted analyses or inappropriate research questions than on the method itself. Further, the flexibility of the method  / which allows for a wide range of analytic options  / means that the poten- tial range of things that can be said about your data is broad. While this is an advan- tage, it can also be a disadvantage in that it makes developing specific guidelines for higher-phase analysis difficult, and can be potentially paralysing to the researcher try- ing to decide what aspects of their data to focus on. Another issue to consider is that a thematic analysis has limited interpretative power beyond mere description if it is not used within an existing theoretical frame- work that anchors the analytic claims that are made.

 

다른 단점은 정 성적 분석이 다른 정 성적 분석 방법의 일부와 관련하여 고려 될 때 나타난다. 예를 들어 내러티브 나 다른 전기적인 접근법과 달리 어떤 개인 계정을 통해서도 연속성과 모순을 유지할 수 없으며 개별 계정에 대한 이러한 모순과 일관성이 드러날 수 있습니다. DA 및 CA와 유사한 방법과는 달리 간단한 주제 분석을 통해 연구자는 언어 사용이나 대화의 미세 기능에 대한 주장을 할 수 없습니다.
Other disadvantages appear when the- matic analysis is considered in relation to some of the other qualitative analytic meth- ods. For instance, unlike narrative or other biographical approaches, you are unable to retain a sense of continuity and contradic- tion through any one individual account, and these contradictions and consistencies across individual accounts may be reveal- ing. In contrast to methods similar to DA and CA, a simple thematic analysis does not allow the researcher to make claims about language use, or the fine-grained function- ality of talk.

 

마지막으로 주제별 분석은 현재 명확한 명성이 없다는 점에 주목할 필요가 있습니다. 이 분석 방법은 경계가 명확하지 않고 주장되지만, 그럼에도 널리 사용되고 있습니다. 이것은 주제별 분석이 더 자주 또는 정교하지 않고 확실히 더 명예 롭고 '브랜드화 된'형태의 분석을 수행 할 수있는 지식이나 기술이없는 사람에 의해 수행되는 것, 즉 나타나는 것처럼 보입니다. / 근거 이론, IPA 또는 DA.

Finally, it is worth noting that thematic analysis currently has no particular kudos  / this, we argue, as an analytic method stems from the very fact that it is poorly demarcated and claimed, yet widely used. This means that thematic analysis is fre- quently, or appears to be, what is simply carried out by someone without the knowl- edge or skills to perform a supposedly more sophisticated  / certainly more kudos-bear- ing ‘branded’ form of analysis like  / grounded theory, IPA or DA.

 

우리는 엄격한 주제 접근법이 특정 연구 질문에 대답하는 통찰력있는 분석을 산출 할 수 있다고 주장하면서이 논문이 이러한 관점을 바꿀 것으로 기대합니다. 중요한 것은 주제 / 내용 또는 연구 질문이 아니라 방법에 전념하는 '방법론'에 희생당하는 것이 아니라 연구 질문에 적합한 방법을 선택하는 것입니다 (Holloway and Todres, 2003). 사실, 당신의 분석 방법은 당신의 연구 문제와 더 넓은 이론적 인 가정에 의해 주도되어야합니다. 우리가 증명했듯이, 주제별 분석은 다양한 인식론과 연구 문제에 사용할 수있는 유연한 접근 방식입니다.
We hope this paper will change this view as, we argue, a rigorous thematic approach can produce an insightful analysis that answers particular research questions. What is important is choosing a method that is appropriate to your research question, rather than falling victim to ‘methodolatry’, where you are committed to method rather than topic/ content or research questions (Holloway and Todres, 2003). Indeed, your method of analysis should be driven by both your research question and your broader theore- tical assumptions. As we have demon- strated, thematic analysis is a flexible approach that can be used across a range of epistemologies and research questions.

 

 

Notes

5. 내용 분석은 질적 데이터를 통한 패턴을 식별하는 데 사용할 수있는 또 다른 방법이며 때로 주제별 접근법과 유사하게 취급됩니다 (예 : Wilkinson, 2000). 그러나 내용 분석은보다 미세한 수준에 집중하는 경향이 있으며 종종 빈도 카운트를 제공하고 (Wilkinson, 2000) 초기 정성 데이터의 정량적 분석을 허용합니다 (Ryan and Bernard, 2000). Thematic analysis는 주제가 정량화되지 않는 경향이 있지만, Boyatzis (1998)는 주제별 분석을 사용하여 정 성적 데이터를 정량적 형태로 변형하고 통계 분석을 실시 할 수 있다고 제안하고, 분석 단위가 일반적으로 내용 분석에 사용되는 단어word 또는 구phrase 이상인more than 경향이 있습니다.

5. Content analysis is another method that can be used to identify patterns across qualitative data, and is sometimes treated as similar to thematic approaches (eg, Wilkinson, 2000). How- ever, content analysis tends to focus at a more micro level, often provides (frequency) counts (Wilkinson, 2000), and allows for quantitative analyses of initially qualitative data (Ryan and Bernard, 2000). Thematic analysis differs from this in that themes tend not to be quantified (although sometimes they may be; and Boyatzis (1998) suggests thematic analysis can be used to transform qualitative data into a quantitative form, and subject them to statistical analyses; and the unit of analysis tends to be more than a word or phrase, which it typically is in content analysis.

7. 우리는 귀하가 '양질의'데이터 자료 및 데이터 세트로 작업 할 것으로 가정합니다. 우리는 '좋은 데이터'가 무엇을, 왜, 어떻게 수집했는지에 대한 일련의 기준에 의해 정의되고 주제에 대해 풍부하고 상세하며 복잡한 설명을 제공한다고 주장합니다. 좋은 데이터는 단순히 관심있는 주제에 대한 표면적 오버뷰만 제공한다거나 단순히 상식적인 말을 반복하지 않습니다. 초보자 연구원이 당면하는 문제 중 하나는 연구 참여자와 상호 작용하여 풍부하고 복잡한 통찰력을 창출하는 것입니다. 숙련되고 전문적인 분석가가 수행 할 수는 있지만 품질이 떨어지는 데이터를 잘 분석하는 것은 애널리스트에게 훨씬 까다로운 작업입니다.
7. We are assuming that you will be working with a ‘good quality’ data corpus and data set. We would argue that ‘good data’ are defined by a particular set of criteria regarding what, why, and how they were collected, and offer rich, detailed and complex accounts of the topic. Good data do not just provide a surface over- view of the topic of interest, or simply reiterate a commonsense account. The challenge for the novice researcher is to interact with research participants in such a way that they generate rich and complex insights. Producing a good analysis of poor quality data is a far more demanding task for the analyst, although it can potentially be performed by a skilled and ex- perienced analyst.

Taylor, G.W. and Ussher, J.M. 2001: Making sense of S&M: a discourse analytic account. Sex- ualities 4, 293 /314.

 

 

 

 

 

 

 

---

Abstract

Thematic analysis is a poorly demarcated, rarely acknowledged, yet widely used qualitative analytic method within psychology. In this paper, we argue that it offers an accessible and theoretically flexible approach to analysing qualitative data. We outline what thematic analysis is, locating it in relation to other qualitative analytic methods that search for themes or patterns, and in relation to different epistemological and ontological positions. We then provide clear guidelines to those wanting to start thematic analysis, or conduct it in a more deliberate and rigorous way, and consider potential pitfalls in conducting thematic analysis. Finally, we outline the disadvantages and advantages of thematic analysis. We conclude by advocating thematic analysis as a useful and flexible method for qualitative research in and beyond psychology.

Key words: epistemology, flexibility, patterns, qualitative psychology, thematic analysis