Home / 定性と定量 ― 世界を理解する二つの視点とその統合

定性と定量 ― 世界を理解する二つの視点とその統合

定性（Qualitative）と定量（Quantitative）は、調査、研究、情報分析、問題解決などにおいて広く使われている区分です。定性分析は言葉や意味、性質などを扱い、定量分析は数値や数量的な関係を扱うものとして説明されます。研究方法論でも定性研究と定量研究は別々の領域として発展し、それぞれに固有の技法や評価基準が整備されてきました。

しかし、私たちが理解しようとする世界そのものが、定性的な世界と定量的な世界に分かれているわけではありません。物事には性質や特徴があり、同時に大きさ、強さ、頻度、数量などの側面があります。これらをどのように認識し、記述し、比較するかによって、定性的な表現と定量的な表現が生まれます。

例えば、「この材料は硬い」という表現は定性的ですが、「硬さが250 HVである」という表現は定量的です。両者は異なる物事を扱っているのではなく、同じ材料の性質を異なる方法で記述しています。ただし、硬さという概念をどのように定義し、何を測定しているのかを理解しなければ、250という数値の意味もわかりません。

このように、定量的な測定は、多くの場合、何を測ろうとしているのかという定性的・概念的な理解を前提としています。 一方、数量的な変化を詳しく調べることによって、それまで知られていなかった性質の違いや、新しい現象を発見することもあります。

定性と定量は、単純に対立する二つの方法ではありません。両者の特徴を理解し、目的に応じて利用し、必要に応じて行き来することが重要です。

定性と定量は人間の認識とどう関係するのか

人間は、周囲の世界を認識するとき、まず物事を区別します。例えば、ある対象を「金属」「樹脂」「液体」「機械」「生物」などに分類することができます。対象がどのようなものか、他の対象と何が異なるか、どのような働きを持つかという認識は、定性的なものです。

一方、同じ種類の対象について、大きさ、重量、温度、速度、個数などを比較することもできます。こうした比較を一定の規則によって数値化すれば、定量的な情報になります。

しかし、この区別は必ずしも明確ではありません。例えば、温度は数量的に測定できますが、ある温度を境に物質の状態が液体から気体へ変化する場合があります。また、人間の健康状態や顧客満足度のように、複数の性質を含む概念を、一定の測定方法によって数値で表すこともあります。

ここで注意したいのは、現実の対象に存在する性質や数量的な違いと、それを認識するために人間が設定する概念や尺度を区別することです。

例えば、長さや質量の測定は物理的な性質に対応していますが、「顧客満足度」や「組織の創造性」を数値で表すには、それらの概念をどのように定義し、どのような質問や観測値によって測定するかを決める必要があります。

数値で表現したからといって、その概念が客観的に確定したわけではありません。

反対に、言葉によって記述された情報であっても、観察された事実や明確な根拠に基づいていれば、十分に厳密な知識となりえます。

定性は主観的で曖昧、定量は客観的で正確という単純な対比は適切ではありません。 どちらについても、何を対象とし、どのような方法で認識・測定し、どのような根拠によって判断しているのかが重要です。

調査における定性と定量

市場調査や社会調査では、定性調査によって問題や仮説を発見し、その後に定量調査で検証するという流れがよく紹介されます。

例えば、新しい製品を企画するとき、最初に顧客へインタビューを行い、使用上の問題や潜在的なニーズを調べます。そこで得られた情報から仮説を作成し、アンケート調査によって、どの程度の顧客が同じ問題を感じているのかを測定するという進め方です。

この方法は理解しやすく、実務でも利用できます。しかし、実際の調査が常にこの順番で進むわけではありません。

最初に大量の数値データを分析した結果、説明できない現象が見つかり、その理由をインタビューによって調べる場合もあります。また、定性調査と定量調査を並行して行い、結果を比較しながら理解を深める場合もあります。

そもそも、定性調査は必ず仮説を作るだけで、定量調査は必ず仮説を検証するだけというわけでもありません。定量的な探索分析から仮説が生まれることもあれば、定性的な観察から既存の仮説が否定されることもあります。

定性調査の柔軟性

インタビューや現場観察などの定性調査では、調査を進める中で新しい視点が生まれることがあります。

例えば、ある製品について「価格が高いことが販売上の問題ではないか」と考えて顧客インタビューを始めたとします。

ところが、顧客の話を詳しく聞くと、価格よりも使用方法がわからないことや、購入後のサポートに対する不安が重要であるとわかるかもしれません。

この場合、調査者は途中から質問内容を変更し、使いやすさやサポート体制について詳しく調べられます。さらに、これまで調査対象に含めていなかった種類の顧客へ調査範囲を広げることも考えられます。

このような柔軟性は、定性調査の重要な特徴の一つです。調査の開始時点では何が重要なのか十分にわかっていない場合でも、観察を続けながら問いそのものを修正できます。

グラウンデッド・セオリーなどの定性研究方法論でも、データ収集と分析を繰り返し、得られた知見によって次の調査対象や質問を変えていく考え方が重視されています。

ただし、柔軟であることと、恣意的であることは異なります。調査中に視点を変更した場合には、なぜ変更したのか、どのような証拠に基づいているのかを記録し、解釈の妥当性を検討する必要があります。

定量調査における事前設計の制約

アンケート調査では、通常、調査票を作成し、質問項目、選択肢、回答方法などを事前に決定します。

例えば、製品の購入理由について「価格」「性能」「デザイン」「ブランド」の四つの選択肢だけを設けたとします。

実際には「購入後のサポート」が重要であっても、調査票にその項目がなければ、その重要性を直接測定できません。

調査後にサポートの重要性に気づいたとしても、すでに収集した回答から、その項目に対する評価を復元することはできません。

自由記述欄を設けていれば、未知の理由が記述される可能性はあります。しかし、回答者全員が自由記述欄に必要な情報を書いてくれるとは限りません。

この意味で、事前に設定した問いによって、得られる情報の範囲が制約されるという問題があります。

ただし、定量調査が必ず硬直的というわけではありません。予備調査によって調査票を改善したり、調査を複数回に分けたり、回答によって質問が変わる適応的な設計を採用したりすることもできます。

また、質問を統一することには、回答者間の比較可能性を高めるという重要な長所があります。調査の途中で質問を自由に変更すると、前半と後半の回答を同じ条件で比較できなくなる可能性があります。

したがって、定量調査における事前設計は、単なる欠点ではありません。比較可能性や測定の一貫性を確保するための仕組みでもあります。

定性調査も「システマティック」であればよいのか

定性調査では、データを体系的に収集・分析することが重視される場合があります。

例えば、インタビューの質問項目を定型化する、観察記録をシート形式にまとめる、発言内容にコードを付与する、情報をあらかじめ定めた分類へ整理する、といった方法です。

こうした手順には重要な長所があります。調査者による記録のばらつきを減らし、情報を比較しやすくし、分析過程を他の人が確認できるようになります。

しかし、システマティックであることを、事前に決めた形式へすべての情報を当てはめることだと理解すると、定性調査の柔軟性が失われる可能性があります。

例えば、製造現場の問題を調べる際に、「設備」「材料」「作業者」「作業方法」という分類を最初から設定したとします。

これらの分類は有用ですが、実際には部門間の情報伝達や設計変更の管理体制が重要な原因であるかもしれません。既存の分類に収まらない情報を無理に当てはめると、重要な発見を妨げることがあります。

KJ法では、観察された情報を最初から既存の分類へ割り当てるのではなく、情報の内容から意味のまとまりを見つけることが重視されます。グラウンデッド・セオリーの本来の狙いにも、既存の理論をデータへ一方的に当てはめず、観察された現象から概念や理論を形成するという考え方があります。

重要なのは、手順を固定することではなく、分析の過程を検討できるようにすることです。

例えば、元の観察記録を保存し、分類を変更した理由や、解釈に至った経緯を記録すれば、柔軟性を保ちながら分析の追跡可能性を高められます。

厳密さとは、必ずしも同じ手順を機械的に繰り返すことではありません。新しい情報によって考え方を修正でき、しかもその修正を根拠に基づいて説明できることも、厳密さの一つです。

思考技法・情報分析手法における定性と定量

思考技法についても、定性的な手法と定量的な手法という分類が使われます。

ブレインストーミング、KJ法、SCAMPER、TRIZ、SWOT分析などは、一般に定性的な手法として扱われます。一方、統計的検定、回帰分析、実験計画法、多変量解析などは、定量的な手法です。

しかし、実際には両者の中間に位置する技法や、定性と定量を組み合わせて利用できる技法も多数あります。

手法主な役割定性・定量の関係
ブレインストーミング多様なアイデアの生成主に定性的。案の数や評価を数量化することも可能
KJ法情報の意味的なまとまりと関係の発見主に定性的。形成したカテゴリーの出現頻度などを分析することも可能
5 Whys原因仮説の掘り下げ主に定性的。因果関係の検証には数量的なデータを利用できる
特性要因図原因候補の体系的な整理主に定性的。各要因の影響を実験や統計解析で検証できる
SWOT分析内部・外部環境の整理主に定性的。評価や優先順位付けに数値を利用することも可能
AHP複数の基準による意思決定定性的な判断を数値化し、優先度を計算する
実験計画法要因の効果と交互作用の検証主に定量的。因子や仮説の選択には定性的判断が必要
重回帰分析複数の変数と結果の関係の推定定量的。モデルの設定と結果の解釈には概念的判断が必要
主成分分析多数の変数の情報を集約定量的。主成分の意味は分析者が解釈する
因子分析観測変数に共通する潜在因子を推定定量的なモデルから定性的な概念の構造を考察する
クラスター分析類似性に基づくグループの形成数量的な計算でグループを形成し、その意味を解釈する

例えば、AHPでは、評価者が「価格より性能を重視する」といった判断を行い、その判断を数値として入力します。数学的な計算によって優先度が求められますが、その結果は入力された判断に依存します。計算が正確であっても、判断そのものが客観的に正しいことにはなりません。

主成分分析や因子分析でも同様です。数学的な方法で新しい指標や因子を求められますが、それらが何を意味するのかは、元の変数や分析目的を踏まえて解釈する必要があります。

逆に、定性的な情報からカテゴリーを形成し、それぞれのカテゴリーに属する事例を数えることで、数量的な分析を行うこともできます。

このように、定性と定量の違いは、手法の名称だけでは決まりません。入力情報、分析の操作、得られる結果、解釈の仕方など、複数の側面から考える必要があります。

定性と定量を統合する三つの考え方

定性調査と定量調査を一つの研究の中で組み合わせる方法は、混合研究法（Mixed Methods Research）として体系化されています。

代表的な研究デザインには、次の三つがあります。

探索的逐次デザイン ― 定性から定量へ

最初にインタビューや観察によって、どのような問題や概念が存在するかを探索します。

その結果をもとに質問項目や測定方法を作成し、アンケート調査や統計分析によって、発見された関係がどの程度一般的に見られるかを調べます。

この方法は、研究開始時点では重要な変数や仮説が十分に明確でない場合に適しています。

説明的逐次デザイン ― 定量から定性へ

最初にアンケートや測定データを分析し、そこから特徴的な結果や予想外の関係を見つけます。

次に、その理由を調べるためにインタビューや現場観察を行います。

例えば、顧客満足度が高いにもかかわらず継続利用率が低いという結果が得られた場合、顧客の行動や事情を詳しく調べ、数値だけではわからなかった理由を探索します。

収斂デザイン ― 定性と定量を並行して利用する

定性調査と定量調査を同じ時期に実施し、それぞれの結果を比較・統合します。

例えば、製品の利用ログを分析すると同時にユーザーインタビューを行い、実際の利用行動と、利用者が説明する理由を比較します。

両者の結果が一致すれば解釈を補強できる場合があります。一方、結果が一致しない場合にも重要な発見の可能性があります。

例えば、利用者は「操作が簡単」と答えているのに、利用ログでは何度も操作をやり直しているかもしれません。この違いは、質問の意味、利用状況、本人が認識していない操作上の困難などを再検討するきっかけになります。

ただし、二種類の調査を実施しただけでは、十分な統合とは言えません。

重要なのは、片方の分析で得られた知識によって、もう片方の分析の問いや解釈がどのように変化したのかということです。

実践例 ― 顧客サポートの問題を調べる

ある企業で、顧客サポートへの問い合わせ件数が増えているとします。

最初に問い合わせ記録を集計すると、特定の製品について問い合わせが集中していることがわかりました。

この段階では、数量的な問題として「問い合わせ件数が多い」という現象を把握しています。

しかし、件数が多い理由はまだ明らかではありません。

そこで、問い合わせ記録の文章や顧客へのインタビューを詳しく調べます。その結果、単に操作方法が難しいのではなく、特定の例外的な状況で、必要な情報を見つけられないことがわかったとします。

この発見をもとに、問い合わせ内容を「通常操作」「例外的な処理」「機能上の不具合」などに分類し、それぞれの件数や処理時間を調べます。

さらに、例外的な処理に関する問い合わせが多い理由を5 Whysや特性要因図で検討し、入力画面の変更や情報提供方法の改善について仮説を立てます。

必要に応じて、異なる画面や案内方法を比較する実験を行い、問い合わせ件数や作業時間が変化するかを測定します。

このような分析では、定量と定性が次のように行き来しています。

数量的な異常の発見 → 内容の定性的な調査 → 新しいカテゴリーの形成 → カテゴリー別の数量分析 → 原因仮説の形成 → 実験による検証

最初から調査票の項目を固定していた場合、「例外的な状況で必要な情報が見つからない」という問題自体を発見できなかった可能性があります。

一方、定性的な調査だけでは、その問題がどの程度の頻度で発生し、どれほど大きな影響を与えているのかを十分に判断できないかもしれません。

両方の方法を使うことによって、問題の内容と、その広がりや影響を理解しやすくなります。

数値化することの意味と限界

定性的な情報を数値化することには、大きな価値があります。

例えば、「顧客が操作方法に困っている」という観察だけでは、その問題がどの程度広がっているのかわかりません。

調査対象を定め、操作上の困難をどのように定義するかを決めれば、発生頻度や影響の程度を数量的に調べることができます。

しかし、数値化するには、何を同じ種類の問題とみなすか、どのような事象を数えるかという判断が必要です。

例えば、「問い合わせ件数」は比較的単純な指標に見えますが、同じ顧客が同じ問題で3回連絡した場合、それを3件と数えるのか、1件の問題として数えるのかによって結果が異なります。

また、「顧客満足度」を5段階で評価した場合、5と4の差が、3と2の差と同じ意味を持つとは限りません。

数値そのものには明確な計算規則があっても、その数値が何を表しているかは、概念や測定方法に依存します。

このため、定性と定量の統合では、単に文章を数値へ変換するだけでなく、数値と元の観察情報を対応づけて保持することが重要になります。

定量分析の結果から元の事例に戻り、なぜそのような結果になったのかを確認できれば、分析によって失われた文脈を再検討できます。

量的変化と質的変化 ― ヘーゲルとマルクス主義の視点

定性と定量の関係を考える際には、哲学における「質」と「量」の議論も参考になります。

ヘーゲルは『大論理学』などにおいて、質と量、および両者の関係を表す「度（Measure）」について論じました。ある範囲では量が変化しても対象の性質は保たれますが、一定の限界を超えると性質が変化する場合がある、という考え方です。

この議論は、後にマルクスやエンゲルスによって展開され、とくにエンゲルスは「量から質への転化、およびその逆」という弁証法的な考え方を明示しました。

よく知られた例は、水の温度と状態の関係です。一定の圧力のもとでは、水は温度の変化によって液体から気体へ、あるいは固体へと状態を変化させます。

ここでは、温度という量的な変化と、物質の状態という質的な変化が関係しています。

この考え方には、対象の性質と数量的な条件が無関係ではなく、互いに関連しているという重要な示唆があります。

ただし、定性調査と定量調査を組み合わせることと、自然現象において量的変化が質的変化を引き起こすことは、同じ問題ではありません。

前者は人間が現象を認識し、調査する方法についての区別です。後者は現実の現象がどのように変化するかについての哲学的な考察です。

また、あらゆる現象が同じ仕組みで質的転換を起こすという主張を、科学的な普遍法則として受け入れる必要もありません。実際の変化がどのような条件で生じるかは、それぞれの現象について調べる必要があります。

この区別を保つならば、質と量の関係についての哲学的な議論は、定性・定量を固定した二分法として考えないための一つの視点になるでしょう。

AI時代の定性・定量の統合

LLMや機械学習の発展によって、従来は別々のソフトウェアで扱われてきた定性的な情報と定量的な情報を、同じ分析環境で利用できる可能性が広がっています。

例えば、文献、インタビュー記録、顧客の自由記述などから、LLMによって概念や特徴を抽出できます。その結果を構造化すれば、カテゴリー別の集計や統計解析が可能になります。

また、文章から埋め込みベクトルを取得すれば、文書間の類似性を数値的に扱い、クラスタリングや次元削減によって情報のまとまりを探索できます。

これらの結果から、定性的な意味のまとまりや、予想していなかった特徴を発見できる可能性があります。

反対に、統計解析や機械学習によって見つかった特徴的なグループについて、元の文献や事例を読み直し、その背景や意味を調べることもできます。

例えば、研究開発における技術テーマ探索では、次のような分析が考えられます。

文献の収集 → 技術要素の抽出 → 特徴の数値表現 → 類似性・構造の分析 → 注目するグループの発見 → 元の文献の再検討 → 新しい技術仮説の形成

ここでは定性的な理解と数量的な分析が繰り返し行われます。

しかし、AIが文章を分類した結果や、埋め込み空間で近い位置に配置された結果が、正しい意味的な関係を表しているとは限りません。

例えば、文脈の異なる二つの文書が、共通する専門用語によって類似していると判断される場合があります。逆に、異なる用語で表現された共通の原理が、適切に捉えられない場合もあります。

重要なのは、機械が生成した数値やカテゴリーを最終結果とみなさず、元の情報に戻って意味を確認できることです。

また、分析の途中で新しい観点が生まれた場合には、抽出する情報、分類方法、数値表現、分析方法などを修正できることが望まれます。

AIによる定性・定量の統合は、文章を数値へ変換することだけではありません。数値的な分析から新しい問いを発見し、元の情報を再検討するという往復を支援することに価値があります。

ThinkNaviでの位置づけ

ThinkNaviでは、定性分析と定量分析を、互いに独立した二つの製品分野として扱うのではなく、思考と問題解決に利用する方法の違いとして位置づけます。

例えば、問題発見の段階ではKJ法などを利用し、原因の探索では5 Whysや特性要因図を利用できます。原因候補の検証には実験計画法を用い、複数の変数の関係を調べるには重回帰分析や多変量解析を利用できます。複数の選択肢を比較する際には、意思決定マトリクスやAHPなどを利用できます。

このような方法を定性・定量という区分だけで分離するよりも、利用者が何を明らかにしたいのかという目的によって整理する方が、実際の問題解決には適していると考えられます。

ただし、定性と定量の区別をなくすわけではありません。それぞれの方法には異なる特徴、必要なデータ、分析上の仮定、結果の解釈方法があります。

ThinkNaviでは、手法ごとの特徴を示しながら、必要に応じて複数の方法を連続して利用できることを目指します。

さらに、LLMを利用した分析では、自然言語による問題設定、情報の抽出、仮説形成、数値的な分析結果の説明、追加調査の提案などを統合することが考えられます。これらは今後の機能開発の方向性であり、現在提供されているすべての機能を示すものではありません。

定性と定量のどちらが優れているかという問題ではありません。また、すべての問題に両方の方法を使う必要があるわけでもありません。

重要なのは、調査や分析の開始時点で設定した問いや分類に拘束されず、新しい事実によって問題の見方を修正できることです。定性的な理解から数値的な検証へ進み、数値的な結果から新しい定性的な理解へ戻る。この往復によって、単独の方法では見つけられなかった知識を得られる可能性があります。

関連ページ

参考文献・関連資料