研究インタビューの文字起こし方法、実践的なパイプライン

パイプライン

研究インタビューの文字起こしをうまくやるには、録音ボタンを押す前の正しい判断がものを言う。後からでは遅い。書面でインフォームドコンセントを取り、クリアに録音し、AIで一次ドラフトを作り、音声と照合して確認し、自分の方法論上の規約を適用し、テキストを匿名化し、IRBプロトコルに従ってすべてを保管する。各段階がデータの妥当性を左右する。これを飛ばしたり順序を変えたりすると、委員会やジャーナル査読者に見抜かれる隙が生まれる。

このガイドでは、パイプライン全体を順番に解説する。文字起こしができた後の扱いについては、テーマ分析と質的コーディングのガイドがそこから引き継いでいる。

ステージ1: 同意と録音のセットアップ

録音を始める前に、参加者から書面での同意を得ることが必須だ。 IRBは厳密で、録音への同意は一般的な研究同意書の片隅に埋もれさせるものではなく、独立した明示的な開示事項となる。同意書には以下を盛り込む必要がある:

• インタビューが音声録音されること
• 誰が文字起こしをするか（自分のチーム、第三者ベンダー、AIツール）
• 録音と文字起こしの保管場所とアクセス権限を持つ者
• 録音を削除するまでの保存期間
• 文字起こしを参加者に送って確認してもらうかどうか（メンバーチェッキング）

2025年以降、一部の大学IRBはAI文字起こしベンダーが参加者データを処理する場合、それを「人を対象とする研究に関与している」とみなす。つまり、同意書に使用ツールの種類（AI支援）を明記するのがより安全な慣行だ。たとえ自分の機関がまだ明示的に要求していなくても。IRBコーディネーターに確認しておこう。

実用的なヒントを一つ: 同意書はインタビュー前にメールで送っておくこと。参加者に読む時間と質問する機会を与え、こちらには受領のタイムスタンプ付き記録が残る。

録音機材について言えば、専用のオーディオレコーダーは、ほとんどの場面でスマートフォンやノートパソコンのマイクより優れている。話者の近くに置き、セッション前にレベルをテストし、バックアップ録音を常に動かしておくこと（多くの研究者はスマートフォンを2台目のデバイスとして使っている）。各ファイルには、参加者コード、日付、インタビュー番号をすぐにラベル付けする。

ステージ2: 文字起こしのレベルを選ぶ

1つのファイルをアップロードする前に、自分の方法論がどのレベルの詳細を必要とするかを決めておくこと。これは文字起こしの決定ではなく、設計上の決定である。

完全な逐語録は、すべての単語、フィラー（えーと、あの、みたいな）、言い間違い、繰り返し、間を捉える。一部の慣例では、笑い、ため息、強調、感情の変化といった非言語的要素も記録する。分析が「どのように言われたか」に依存する場合、つまり会話分析、談話分析、コミュニケーションのパターンや発話行為の研究には、完全な逐語録を使う。

インテリジェントな逐語録（クリーンな逐語録とも呼ばれる）は、完全な内容と意味を保ちながら、フィラー、言い間違い、冗長な繰り返しを取り除く。文法は読みやすさのために軽く整えることもある。これは、テーマ分析やグラウンデッド・セオリーを含むほとんどの質的研究で標準的な選択肢であり、分析の焦点は言葉の質感ではなく、言われた内容にある。

要約的な文字起こしは、インタビューを要点に凝縮する。これは予備的なマッピングや実現可能性の調査に使われ、主要なデータ分析には使われない。

この決定は、文字起こしを始める前に方法論のセクションに記録しておくこと。複数インタビューのプロジェクトの途中で慣例を変えると、一貫性が失われ、ケース間の比較が損なわれる。

ステージ3: AIによる初稿を生成する

録音がクリーンになり、書き起こしレベルが設定できたら、書き起こしツールにアップロードして話者分離を有効にします。話者分離は異なる話者に自動でラベルを割り当てますが、これはインタビューデータにおいて、分析の単位全体が誰が何を言ったかに依存するため、非常に重要です。

英語以外の言語でのインタビューの場合は、処理前に正しい言語を選択してください。ほとんどのツールは50以上の言語に対応していますが、間違った言語を選択すると精度が大幅に低下します。

60分のインタビューは、通常3〜5分で初稿が生成されます。静かな環境でのクリアな音声に対するAI書き起こし精度は高いですが、アクセント、専門用語、話者の重なり、または感情的な発言（参加者が静かに、またはためらいながら話すことが多い）では低下します。現実的なベンチマークについては書き起こし精度の解説を参照してください。

AIの初稿は出発点であり、最終的なデータではありません。未確認のAI書き起こしを研究データとして分析することは絶対に避けてください。

ステージ4: 音声と照合して確認

これは最も時間がかかるステップであり、省略はできません。音声を1.0倍から1.25倍の速度で再生しながら、書き起こしを読み進めます。エラーがあればその場で修正してください。

特に注意すべき点は次のとおりです。

• 分野特有またはコミュニティ特有の用語。 AIモデルは一般的な会話の書き起こしは得意ですが、参加者が流暢に使う専門用語には弱いです。レビュー前に用語集を作成し、これらを体系的に修正しましょう。
• 固有名詞。 人名、組織名、場所、文化的な言及は、一貫して誤って書き起こされたり、音声から推測されたりします。
• 感情が高ぶった発言や静かな発言。 参加者が小声で話したり、ためらったり、動揺したりする箇所は、AIが捉えにくいです。こうした箇所は、分析上最も重要であることが多いのです。
• 聞き取れない部分。 これらは明示的に [inaudible 12:34] とマークしてください。推測しないでください。部分的に聞き取れる場合は、[unclear: "資金調達について何か"] と書いてフラグを立ててください。

60分のインタビュー1件の場合、徹底的なレビューは通常90分から2.5時間かかります。一方、手動でゼロから書き起こす場合は4〜6時間かかります。20件のインタビューを扱う研究では、その差は研究者の時間にしておよそ60〜80時間に相当します。

複数のチームメンバーが書き起こしをレビューする場合は、早い段階で一貫性を確認してください。2人に同じ15分間のセクションを独立してレビューさせ、修正内容を比較します。そこでの不一致は、書き起こしの規約にさらなる詳細が必要な箇所を示しています。これは書き起こしプロセス自体の品質チェックであり、コーディングにおける評価者間信頼性のチェックとは別物です（それは後の段階で、質的コーディングで扱います）。

ステージ5: 書き起こし規約を適用する

事実関係の修正後、書き起こしを方法論的な基準に合わせてフォーマットします。

• 話者ラベル。全体で一貫させること: Interviewer: と Participant 3:、または簡潔さを好むなら P3:。どちらか1つの形式を選び、すべてのトランスクリプトでそれを使うこと。
• ポーズマーカー。方法論で必要なら: [pause]、[long pause]、または会話分析を行うならジェファーソン記法。
• 非言語的要素: [laughs]、[sighs]、[becomes emotional]。
• 強調。必要に応じて: 強調語はイタリック、または選択した慣例に従って大文字。
• タイムスタンプ。自然な間隔で、またはQDASソフトウェアが期待するなら各話者ターンごとに。

ここで重要なのは一貫性です。チームがレビューを始める前に、これらの各ポイントを網羅した1ページのスタイルガイドを作成してください。NVivo、MAXQDA、ATLAS.tiはすべて標準形式(TXT、DOCX、SRT、VTT)をインポートでき、一貫した話者ラベルにより話者ごとの自動コーディングが可能になり、分析時間を大幅に節約できます。MAXQDAとATLAS.tiはSRTおよびVTTのタイムスタンプをオーディオクリップに同期してクリップベースのコーディングを行いますが、NVivoは通常DOCXまたはタイムスタンプ付きCSVでより適切に機能します。

ステージ6: トランスクリプトの匿名化

ほとんどの倫理プロトコルでは、分析を開始する前にトランスクリプトの非識別化が求められます。例外はオーラルヒストリー研究で、参加者が名前を明かすことを望む場合が多いです。プロトコルの要件を確認してください。

匿名化と仮名化は同じものではありません。 匿名化は識別子を恒久的に削除し、データを追跡不可能にします。GDPRの下では、完全に匿名化されたデータはもはや規制対象外です。仮名化は識別子をコード(参加者は「P04」または「Maya」になる)に置き換えますが、再識別キーが存在し、データは規制対象のままです。

ほとんどの質的研究では仮名化を使用します。再識別キー(「P04」を実在の人物に結びつけるリスト)はトランスクリプトとは別に保管され、アクセス制限、独自の保持および削除計画が設定されます。

トランスクリプトで置き換えまたは変更すべきもの:

• 参加者が言及した人々の氏名を含むフルネーム
• 具体的な住所、名前の挙がった機関、特定可能な場所
• 文脈上、個人を特定できるほど固有な役職名や肩書き
• 他の情報と組み合わせると身元を絞り込める可能性のある日付
• 参加者がオフレコにしてほしいと要請した直接の引用

匿名化ログを残しましょう。各トランスクリプトについて、何を何に置き換えたかを記録します。これをトランスクリプトとは別に保管してください。このログは監査証跡を支え、承認されたプロトコルに従った証拠となります。

ステージ7：IRB基準に沿った保存と保持

IRBは、録音、トランスクリプト、同意書をどのくらいの期間保管するか、またそれぞれをどう破棄するかについての文書化された計画を求めます。 開始前にこれを正しく設定しておけば、出版やアーカイブの段階でのコンプライアンス問題を回避できます。

米国の機関からの一般的な指針では、研究記録は研究終了後、最低3年間の保持が必要です（45 CFR 46に基づく）。スポンサーや資金提供者の要件によってはこれが延長される場合があり、連邦助成金では5年から7年を求めることがよくあります。自分の助成金の条件を確認してください。

音声録音は、参加者の実際の声が含まれているため、トランスクリプトよりもリスクが高くなります。多くのIRBは、トランスクリプトが音声と照合され、メンバーチェック（該当する場合）が完了したら、録音を破棄することを推奨しています。録音を保持する場合、他の識別可能なデータと同じセキュリティ管理が必要です。

実用的な保管管理：

• 音声ファイルとトランスクリプトを保存時に暗号化し、アクセス制御を使って研究チームのみが開けるようにする。
• 個人のデバイスや消費者向けストレージではなく、機関のサーバーか研究用クラウドサービスに保存する。
• 識別可能なデータ（録音、匿名化前のトランスクリプト）と非識別データを分離する。
• 保管場所、アクセスリスト、保持スケジュール、削除方法を倫理申請書に文書化する。

AI文字起こしツールを使う場合は、ベンダーのプライバシーポリシーを読み、その内容を倫理申請書に記載してください。具体的には、処理後に音声が保持されるかどうかとその期間、コンテンツがAIモデルの学習に使われるかどうか、データが地理的にどこで処理されるか、GDPR準拠のためのデータ処理契約が利用可能かどうかを確認します。EUまたは英国の参加者が研究に含まれる場合は、所属機関のデータ保護責任者に相談してください。

データの痕跡を最小限に抑えた文字起こしが必要な場合、プライバシー重視のツールやローカル・オンプレミス型のソリューションがプロトコルに合うか検討してください。臨床的なPHIを含まない一般的な学術用文字起こしであれば、暗号化され保持期間のないウェブツールで十分なことが多く、それを文書化しておけば問題ありません。

組み込む価値のある品質チェック

各文字起こしを音声と照合するだけでなく、データの信頼性を支える実践が2つあります。

メンバーチェッキング。 LincolnとGubaの1985年の枠組みでは、質的研究の信頼性を確立するための重要な手法として、文字起こしを参加者に送り返して確認してもらうことを挙げています。参加者は発言を明確にし、誤解を訂正し、文字起こしが自分の意図を反映していることを確認できます。これは現象学やグラウンデッド・セオリーの研究では一般的ですが、会話分析ではあまり標準的ではありません。会話分析では、文字起こしは解釈された意味ではなく逐語的な発話を表すからです。

監査証跡。 使用したツール、各文字起こしをレビューした担当者、従った表記規則、曖昧な音声に関する判断を記録してください。この記録は、公表された研究成果の厳密性と、データ取り扱いに関する機関の監査の両方を支えます。

ツール選択に関する注意点

会議ボットのワークフローを避けて、ファイルを直接アップロードしてクリーンな文字起こしを得たいなら、ConvertAudioToTextはMP3、WAV、M4A、MP4、その他ほとんどの形式に対応しており、話者分離と多言語サポートも備えています。倫理コンプライアンスの観点では、他のベンダーと同様に、プライバシーポリシーを注意深く読み、その内容をIRB申請書に記載することを忘れないでください。

よくある質問

学術研究にAI文字起こしを使うべきですか?

はい、ただし人間によるレビュー工程が必須です。AI文字起こしは、数時間かかる作業を数分で強力な初稿に仕上げ、大規模なインタビューセット全体の文字起こし時間を大幅に短縮します。重要なのは、データとして扱う前に、必ず元の音声と照合して出力を確認することです。レビューされていないAI文字起こしは草案であり、データセットではありません。

研究方法論でAI文字起こしをどう開示すればよいですか?

方法セクションでプロセスを説明してください。初期の文字起こしはAI文字起こしソフトウェアで生成されたこと(方法論セクションの内容に応じてツール名を明記)、その後すべての文字起こしを研究チームが元の音声録音と照合して確認・修正したことを記載します。一部のジャーナルやIRBでは、参加者データにAIツールをどう使用したかを具体的に尋ねる場合があるため、所属機関の最新のガイドラインに合わせて開示内容を調整してください。

録音・文字起こしにはどのファイル形式を使うべきですか?

WAVは最高の音声忠実度を提供し、ロスレスです。ほとんどの研究目的では、128 kbps以上のMP3で十分であり、ファイルサイズもはるかに扱いやすくなります。AI文字起こしの精度には、ファイル形式よりも録音環境の質、特に背景ノイズやマイクからの距離が重要です。

聞き取れない、または不明瞭な部分はどう扱えばよいですか?

タイムスタンプを付けて記録する: [inaudible 23:45]。内容が部分的に聞き取れる場合は、聞こえた部分を書き出し、不確かさを注記する: [unclear: "something about the funding"]。推測はしないこと。聞き取れない箇所の頻度と位置を方法論のセクションに記録しておく。これらは分析の完全性に影響を与える可能性があり、分析上重要な箇所に該当する場合は特にフラグを立てること。

研究インタビューの録音と書き起こしはどのくらいの期間保存すべきか?

米国のほとんどの機関では、45 CFR 46に基づき、研究記録を研究終了後少なくとも3年間は保管することが求められている。連邦政府の助成金要件では、これが5年から7年に延長されることも多い。音声録音は個人を特定できる音声データを含むため、匿名化された書き起こしよりもリスクが高い。多くのIRBは、書き起こしが完了し検証された時点で録音を破棄することを推奨している。資金提供者の要件、自身のIRBプロトコル、所属機関のデータ保存ポリシーはそれぞれ異なる場合があるため、必ず確認すること。

出典

• ペンシルベニア州立大学IRBガイドラインXI：研究参加者の音声、映像、またはデジタル録画を含む研究：https://researchsupport.psu.edu/orp/irb/irb-resources-training-and-events/irb-guidelines/irb-guideline-xi-research-involving-audio-video-or-digital-recordings-of-research-participants/
• GoTranscript：人を対象とする研究におけるAI文字起こしの使用：IRBリスクチェックリストと管理策：https://gotranscript.com/en/blog/ai-transcription-human-subjects-research-irb-risk-checklist-controls
• GoTranscript：録音・録画と文字起こしの保存期間（IRB対応プラン）：https://gotranscript.com/en/blog/retention-timeline-recordings-transcripts-irb-friendly-plan-template
• GoTranscript：音声録音インタビュー用IRB同意書スクリプト：https://gotranscript.com/en/blog/irb-consent-script-audio-recorded-interviews-template
• Skimle：質的研究データの匿名化と仮名化の方法：https://skimle.com/blog/how-to-anonymise-qualitative-research-data-irb-compliant-pseudonymisation
• Statistics Solutions：質的研究におけるメンバーチェッキング：https://www.statisticssolutions.com/member-checking-in-qualitative-research/
• ATLAS.ti：質的研究におけるデータ匿名化：https://atlasti.com/research-hub/data-anonymization-qualitative-research
• フロリダ大学IRB：研究データ保持に関する研究者の要件：https://irb.ufl.edu/index/data/investigator-requirements-for-retaining-research-data.html
• Qualtranscribe：EU AI法がAI文字起こしを利用する研究者に与える影響：https://www.qualtranscribe.com/post/eu-ai-act-ai-transcription-researchers