テーマ分析がAI検出でフラグを立てられる理由：Braun & Clarkeの手法が誤判定を招くメカニズムと対策

本来なら極めて人間的で主観的な質的プロセスを、現代のアカデミアで最も紋切り型の受動態定型文を使って記述してしまったからです。 方法論の章で"transcripts were read and re-read,"（逐語録が繰り返し精読された）、"initial codes were generated,"（初期コードが生成された）、"themes emerged from the data,"（データからテーマが創発した）と書くとき、あなたが記述しているのは自身の研究の独自なプロセスではありません。何十万本もの学位論文で一言一句違わず繰り返されてきた「お決まりの台本」を朗読しているにすぎないのです。TurnitinやiThenticateのようなAI検出ツールは、質的研究の認識論を理解しているわけではありません。それらが評価しているのは、連続するテキストセグメントにおける統計的確率、n-gramの分布、そしてパープレキシティ（困惑度）です。方法論の章が標準的な教科書の記述と語彙のばらつきがほとんどない同一の受動態構造に従っていると、連続するトークンごとの数学的確率は極めて高くなります。検出ツールがセクション全体をAI生成と判定してフラグを立てるのは、あなたがAIを使ったからではなく、アカデミアの慣習によって大学院生が統計的言語モデルそっくりの文章を書くように訓練されてしまっているからなのです。

この統計的な罠は、質的研究者にとってとりわけ皮肉な痛手となります。なぜなら、Virginia Braun と Victoria Clarke が提唱する本来の方法論的指針と真っ向から矛盾しているからです。彼女らは2006年の先駆的な論文、ならびにその後の2019年および2021年の著作において、研究者の主体的な関与を無視してテーマが受動的に「創発する」かのように装う「レシピ本」的なアプローチを繰り返し批判してきました。それにもかかわらず、「客観的」に聞こえさせようとする大学や指導教員のプレッシャーから、学生は硬直した没個性的な文章を書かざるを得ない状況に追い込まれがちです。その結果、分類器のあらゆる検出フラグに引っかかると同時に、再帰的テーマ分析（Reflexive Thematic Analysis: RTA）の基本理念にも反した章が出来上がってしまうのです。

質的研究の方法論におけるAIフラグを解消するには、連動する2つのシステムを理解する必要があります。すなわち、テキスト分類器のアルゴリズム的メカニズムと、監査証跡（オーディット・トレイル）が持つ認識論的な健全性です。この問題は、単語を一般的な同義語に置き換えるだけでは解決できません。一般的な手順の1つひとつを独自の研究文脈に根付かせ、研究者自身の能動的な語りを復活させ、分析プロセスの目に見える確かな記録証拠を提示することによって解決するのです。

Braun and Clarkeの6段階フレームワーク――データへの精通、コーディング、初期テーマの生成、テーマの見直し、テーマの定義と命名、報告書の作成――は、社会科学分野において最も広く引用されている質的分析手順です。2006年の論文『Using thematic analysis in psychology』で発表されたこのフレームワークは、質的データに対して体系的でありながら柔軟なアプローチを提供することを目的として設計されました。しかし、教育現場での安易な再生産によって、この柔軟な指針は硬直した学術的テンプレートへと固定化してしまいました。

"Thematic analysis is often treated as a singular, rigid method, with researchers adopting a cookbook recipe approach that ignores the theoretical and subjective choices underpinning Reflexive TA." (Virginia Braun & Victoria Clarke, 2019, Reflecting on reflexive thematic analysis, p. 591)（「テーマ分析は単一で硬直した手法として扱われがちであり、研究者は再帰的テーマ分析の基盤となる理論的・主観的選択を無視して、料理本のレシピに従うようなアプローチを採用してしまう」Virginia Braun & Victoria Clarke, 2019, Reflecting on reflexive thematic analysis, p. 591）

心理学、看護学、社会学、教育学をはじめとする分野で、何千人もの大学院生が各フェーズについてほぼ同一の段落を含む学位論文を提出しています。学生の提出物によく見られる教科書通りの定型パターンを見てみましょう。

• フェーズ1（データへの精通）："In the first phase, all interview transcripts were read and re-read multiple times by the researcher to achieve deep familiarity with the data."（第1フェーズでは、データへの深い習熟を得るため、研究者によってすべてのインタビュー逐語録が何度も繰り返し精読された。）
• フェーズ2（初期コードの生成）："In the second phase, initial codes were generated systematically across the entire dataset, identifying meaningful segments relevant to the research questions."（第2フェーズでは、研究課題に関連する意味のあるセグメントを特定しながら、データセット全体にわたって初期コードが体系的に生成された。）
• フェーズ3（テーマの生成）："In the third phase, codes were collated into potential candidate themes, clustering related concepts into broader overarching patterns."（第3フェーズでは、関連する概念をより広範な包括的パターンへとクラスタリングしながら、コードが潜在的な候補テーマへと照合・整理された。）
• フェーズ4（テーマの見直し）："In the fourth phase, candidate themes were reviewed against the coded extracts and the entire dataset to ensure coherence and validity."（第4フェーズでは、一貫性と妥当性を確保するため、コード化された抽出箇所およびデータセット全体に照らし合わせて候補テーマの見直しが行われた。）
• フェーズ5（テーマの定義と命名）："In the fifth phase, themes were refined, clearly defined, and named to encapsulate the conceptual essence of each domain."（第5フェーズでは、各領域の概念的本質を要約するために、テーマが洗練され、明確に定義され、命名された。）
• フェーズ6（報告書の作成）："In the final phase, the analytic narrative was compiled, integrating illustrative empirical quotations to address the core research inquiries."（最終フェーズでは、中核となる研究課題に答えるため、例証となる実証的な引用を統合しながら、分析的記述がまとめられた。）

文章がまさにこの6つのステップの調子に従っている場合、情報としてのサプライズ（驚異度・エントロピー）は事実上ゼロになります。これでは読者に対しても、自動検出ツールに対しても、実際に何が行われたのかが全く伝わりません。どのようなソフトウェアが使われたのか、どんな概念上の意見の相違が生じたのか、参加者の視点が研究者の先入観にどのように異議を突きつけたのかが一切書かれていないのです。それは実証的な探究を記録するためではなく、単に提出要件のチェックボックスを埋めるためだけに作られた、純然たる方法論の定型文にすぎません。

こうした定型文がなぜAI検出ツールをトリガーしてしまうのかを理解するには、分類器（Classifier）がテキストをどのように評価しているかを精査する必要があります。Turnitin独自のモデルを含む最新のAIライティング検出器の多くは、主にパープレキシティ（困惑度）とバースティネス（突発度）という統計的言語モデルの指標を用いてテキストシーケンスを分析します。パープレキシティとは、先行する文脈が与えられたときに、後続の単語列がどれほど予測しやすいかを測る尺度です。もしモデルが98%の確信度で正確に次の単語を予測できる場合、パープレキシティのスコアは極めて低くなります。

大規模言語モデルは、公開された何千もの学術論文、学生の学位論文、オンラインの方法論リポジトリを含む膨大なウェブコーパスで訓練されています。この訓練データにおいて、質的研究手法のつなぎの表現は圧倒的に画一的です。トークン `"transcripts were read and"` の後では、確率分布は `"re-read"` に圧倒的に集中します。`"initial codes were"` の後に予測される上位のトークンは、`"generated"`、`"developed"`、あるいは `"assigned"` です。統計的分類器の目から見れば、このように予測可能な構文は、自己回帰型言語モデルの低サンプリング温度（low-temperature）での生成結果そのものを反映しているように映ります。

この問題に拍車をかけているのが、文の長さ、リズム構造、構文の複雑さのばらつきを測るバースティネス（突発度）です。人間が創作的または論証的な文体で執筆する場合、自然とペースに緩急がつきます。短く断定的な所見に続いて、条件節や意表を突いたメタファーを含む複雑な複文が続くといった具合です。しかし、アカデミックな方法論の執筆規範は、バースティネスを構造的に抑制してしまいます。指導教員は学生に対し、一貫して淡々とした客観的なトーンを保つよう指導します。均一な長さの文が、予測可能なn-gramと結びつき、連続する2,000語にわたって続くと、セグメントレベルの分類器は一面真っ赤な検出フラグを出力することになります。

Turnitin自身のエンジニアリングドキュメントでも、このセグメントに基づく挙動が確認されています。技術ガイドに記載されている通り、提出された文書は重複するテキストセグメントに分割され、各セグメントについて機械生成確率がスコア化された上で、評価対象となる通常の文章が重複ウィンドウの集約スコアを継承します。方法論の章全体が単調な文体を維持していると、隣接するセグメント同士にモデルが識別できる差異が生じません。結果として生成されるレポートでそのセクション全体がハイライトされるのは、特定の決定的な言い回しが検出されたからではなく、言語的な質感（テクスチャ）全体が検出器の持つ自動生成テキストのモデルと一致してしまっているためです。

学術的な厳密さを損なうことなく低パープレキシティのプロファイルを打破するには、一般的な定型表現を解体し、Braun and Clarkeの6つのフェーズのそれぞれを自分自身の固有の実証的事実に根付かせなければなりません。再帰的テーマ分析では、研究者の主観的な分析判断に関する透明性が求められます。参加者ID、ソフトウェアのノード、コーディングの例外事例、概念の転換点など、プロジェクトの具体的な実務プロセスを記述することで、汎用言語モデルでは予測できない、高いバースティネスを備えた人間ならではの文章が自ずと生み出されます。

各フェーズにおける標準的な定型記述と、実証研究に基づいた監査に耐えうる（audit-readyな）具体化バージョンを直接比較した以下の表をご覧ください。

語彙の密度、バースティネス、そして具体性の劇的な違いに注目してください。具体化されたバージョンでは、一人称の能動態（"I listened"、"I generated"、"I printed"）を用い、タイムラインを目に見える成果物（14件の録音、142個のオープンコード、NVivo 14、インデックスカード）に紐づけ、理論的調整の知的妥当性を説明しています。この文章は、あなたの学位論文に固有の検証可能な実証的事実を含んでいるため、テンプレートと誤認される余地がありません。

もしあなたの方法論の章がすでにTurnitinや指導委員会からフラグを立てられてしまっている場合、検出器の偽陽性率（誤判定率）について議論するだけでは、研究倫理・学術不正審査委員会（Academic Integrity Panel）を納得させることはまずできません。委員会はアルゴリズムのバイアスに関する理論的な議論では納得しません。彼らが納得するのは、生成AI言語モデルが後から捏造することのできない、研究ライフサイクルの過程で実際に生み出された動かぬ監査証跡（ドキュメント成果物）なのです。

• コードブックの進化ログ（The Codebook Evolution Log）：複数の時点（例：2か月目の初期オープンコーディングと、5か月目の統合されたアクシス・テーマの対比など）におけるコーディング構造をエクスポートしてください。NVivo、MAXQDA、Atlas.tiなどのCAQDAS（質的データ分析支援ソフト）を使用している場合は、タイムスタンプ付きのXMLプロジェクト履歴、ノード階層のスクリーンショット、いつノードが統合・改名・破棄されたかを示すコードブック変更ログを書き出します。
• 書き込み入りタイムスタンプ付き逐語録（Timestamped Transcripts with Marginalia）：最初の自動または手動の文字起こしデータと照合できるよう、作成時の元メタデータが残った生の音声ファイルを保持しておきます。手書きの余白コメント、色分けされたハイライト、初期の分析段階で記録された即時的な分析所感を書き留めた作業ドラフトを保管してください。
• 省察日誌・メモ（The Reflexivity Journal / Reflexivity Memos）：自身の主観的位置性（ポジショナリティ）、感情的な反応、役割の葛藤、解釈上のジレンマを記録した包括的な研究日誌です。指導教員のテーマ分類案を採用しなかった理由や、自身の個人的な背景があいまいな参加者の引用の解釈にどう影響を与えたかを記録した日付入りの記録は、人間が執筆した動かぬ証拠となります。
• 指導教員との指導プロセスの記録（Supervisory Supervision Trails）：数か月にわたって特定のコーディング枠組み、コードの定義、テーマ構造について議論・検討・段階的な改訂が行われてきたことを示す、メールのやり取り、指導教員との面談議事録、変更履歴付きのWordドラフトをまとめておきます。

学術不正審査の準備をする際は、これら4つの要素を時系列順の証拠書類一式（ドシエ）としてまとめましょう。数か月にわたるタイムスタンプ付きのNVivoエクスポート履歴、インタビューへの手書きの書き込み、個人的な省察メモを精査すれば、委員会は研究に注ぎ込まれた認知的な労力を明確に見て取ることができます。この圧倒的なドキュメントの厚みを前にすれば、Turnitinの45%という検出数値は、学術不正の告発から「紋切り型の手法記述によって生じた統計的アーティファクト（見かけ上のノイズ）」という本来の姿へと崩れ去るはずです。

学位論文の方法論セクションで高いAI割合が検出されると、パニックに陥ってしまうのが通例です。そして多くの学生が、章全体をウェブ上の一般的なパラフレーズツール（言い換えツール）に丸ごと投入するという致命的な過ちを犯してしまいます。このアプローチは質的研究の学位論文にとって致命傷となります。一般的な言換えツールは、専門的な方法論の語彙を破壊し、確立された理論的枠組みに対して歪んだ類義語を紛れ込ませ、研究倫理審査の承認上決して変更が許されない参加者の逐語引用を乱暴に改ざんしてしまうからです。

厳密な修正作業は、外科手術のような正確な切り分けから始まります。文脈の再構築が必要なテキストと、決して手を加えてはならない実証的な基盤とを明確に区別しなければなりません。インタビューの逐語引用、参加者の人口統計学的属性の表、正式な倫理審査承認番号、機関や文献の正確な引用記述は厳格に保護されるべきです。書き換えるべき対象は、低パープレキシティの原因となっている紋切り型の移行段落――手順をただつなぐためだけの記述――のみです。

フラグが立てられたセクションを含む原稿に対しては、学術文書の整合性を保つために特化したツールが構造化されたワークフローを提供します。Turnitin または iThenticate のレポートを読み込み、指摘された箇所だけを書き換えます。同じ形式の編集可能なファイルを受け取れます。この的を絞ったアプローチにより、文書の基本的な構成、文献引用、質的データの表、参加者のインタビュー逐語録は完全に維持されたまま、フラグが立てられた定型文だけが、人間が執筆した精密な学術的記述へと改稿されます。

フラグが立てられたセクションを特定したら、一般的な定義を研究固有の具体的な実施記録へと置き換えることで修正を進めます。教科書に載っているようなフェーズの受動的な要約を、自分自身の分析的判断の能動的な記述へと置き換えるのです。内容分析や修正版グラウンデッド・セオリーではなく再帰的テーマ分析を選択した理由を明確にし、自身の認識論的立場（批判的実証主義や社会構成主義など）を述べ、データ飽和やテーマの十分性（thematic sufficiency）が達成された正確な転換点を記述します。これにより、攻撃されやすかった平凡な方法論セクションが、反論の余地のない確固たる実証的ナラティブへと生まれ変わります。

なぜTurnitinは質的調査結果にある参加者の逐語引用にフラグを立てるのですか？ TurnitinのAIライティング検出器は、対象となる文章（qualifying text）全体にわたって通常の文を評価し、類似度チェック（Similarity Index）とは異なり、引用符で囲まれたテキストを自動で除外するトグル機能を提供していません。インタビュー対象者が完全で整った文章で話している場合や、発言内容が標準的な英語の文章へと翻訳されている場合、分類器はそれらの行を通常の評価対象テキストとして扱い、他の文章と同様に統計的確率を評価します。フラグが立てられた引用がフィールドワークによる実証データであることを証明できるよう、生のインタビュー音声録音とタイムスタンプ付き逐語録を手元に準備しておきましょう。

Braun & Clarke の引用は2006年の論文にすべきですか、それとも2019年／2021年の著作にすべきですか？ 両方を引用すべきですが、概念的な違いを明確にしておく必要があります。2006年の論文では6つのフェーズが提示されたのに対し、Braun and Clarkeの2019年および2021年の著作では、再帰的テーマ分析（RTA）がコーディングの信頼性アプローチやコードブックアプローチとは明確に区別されています。近年の文献を引用することは、研究者の主観性に対する最新の理解を示し、方法論の章で一般的な受動態の定型文ではなく、能動態と個人的な省察を用いるための理論的根拠となります。

指導教員から第3章では受動態を使うよう強く指示されています。どうすればよいですか？ APA第7版やBraun & Clarke自身の再帰的フレームワークなど、現代の質的研究の報告基準では、研究者の説明責任を反映させるために一人称の能動態（「私は〜をコード化した」「私たちは〜を構築した」）の使用が明示的に推奨されていることを説明してください。それでも指導委員会が三人称の受動態を厳格に求めてくる場合は、受動態の構文を維持しつつ、具体的な参加者数、ソフトウェアのノード数、具体的なコーディング上の葛藤といった詳細な実証的ディテールを盛り込みましょう。これにより、大学側のフォーマット要件に違反することなく、アルゴリズムによる予測可能性を崩すことができます。

NVivoやMAXQDAのような質的分析ソフトウェアを使用するとAI検出の対象になりますか？ いいえ。AI検出器が分析するのは言語的なテキストパターンであり、ソフトウェアのメタデータではありません。NVivo、MAXQDA、Atlas.tiを使用してもAI検出がトリガーされることはなく、むしろ誤判定に対処するために必要なまさにその監査証跡を生み出すことができます。プロジェクト履歴、コード階層、コーディングストライプの視覚化データをエクスポートすることは、質的調査結果が人間の体系的な分析を通じて導き出されたものであるという、反論の余地のないタイムスタンプ付きの証拠となります。

Turnitinが公表している誤判定率（偽陽性率）を学術不正審査の場に持ち込んでもよいですか？ Turnitinは、AIによる執筆が20%を超える文書においてベースラインの偽陽性率が1%未満であることや、特定の条件下ではそれ以上の割合になることを認めていますが、ベンダーの一般的な限界を引用するだけでは説得力に欠けます。審査委員会は技術的な議論を「論点そらし」と見なしがちです。ベンダーの限界はあくまで補足的な背景説明にとどめ、バージョン履歴、生の逐語録、コーディングの進化記録、省察日誌といった具体的な監査証跡を中心に対処を進めてください。

フラグが立てられた方法論セクションを書き直せば、全体のAIスコアはゼロになりますか？ 検出器のアルゴリズムや分類閾値は独自のものであり継続的に更新されているため、信頼できるいかなるサービスやツールであっても、Turnitinでの特定の数値を保証することはできません。フラグが立てられた方法論の段落を書き直すことで、低パープレキシティの定型文が研究固有の真正な叙述的記述へと置き換えられます。これにより定型的な予測可能性が大幅に低減され、学術的健全性が回復されますが、恣意的な「0%」という数値を目標にすることは、機械学習分類器の統計的な性質を見誤るものです。