学術研究のための文字起こし:2026年実践ガイド

IRB(研究倫理審査委員会)に承認されたあなたの研究では、特定の条件のもとでインタビューの録音・保存・分析が認められています。博士論文の審査委員会は、参加者の発言を正確に裏付けられる、整ったトランスクリプトを期待しています。しかし研究資金に文字起こしの予算は含まれていません。これがほとんどの研究者が直面する状況であり、適切なワークフローがあれば、方法論的な厳密さや研究倫理を損なうことなく乗り切ることができます。このガイドでは、重要な選択を一つひとつ見ていきます。

あらゆる選択を左右する3つの制約

学術研究における文字起こしの判断は、3つの制約が交差する地点にあります。

方法論的制約。 分析手法によって必要なトランスクリプトの形式は異なります。会話分析にはポーズ(間)の表記を含む詳細な逐語トランスクリプトが必要です。テーマ分析であれば、整理されたインテリジェント・トランスクリプトで十分です。形式の選び方については質的研究のための文字起こしガイドで解説しています。

倫理・コンプライアンス上の制約。 IRBの承認内容には、データの取り扱い方法が明記されています。音声を保持したり、それをモデルの学習に使用したりするクラウドサービスは、承認条件に違反する可能性があります。匿名の情報提供者には追加の保護措置が必要です。

予算の制約。 一般的な博士課程のプロジェクトでは、20〜40時間分の音声データが生まれます。プロによる人力の文字起こしは1分あたり$1.50で、この音声量なら$1,800〜$3,600かかります。ほとんどの大学院生には、そんな予算項目はありません。

これら3つの制約がきれいに揃うことはめったにありません。実際に機能するワークフローとは、IRBの承認範囲内に収まる、最も安価で最も厳密な解決策を見つけ出すものです。

AI文字起こしにおけるIRBコンプライアンス

ここが、多くの研究者がデータの取り扱いについて考えを浅くしてしまうポイントです。録音データをいかなるサービスにアップロードする前にも、IRBの承認内容と照らして次の3点を確認してください。

データの保管場所(データレジデンシー)。 IRBの承認は、データを保存できる地理的範囲を制限していますか? EUの資金による研究の多くは、データをEU域内に留めることを求めています。米国の健康関連研究の多くは、米国内のみでの保存を求めています。IRBの文言を確認しましょう。

保持期間。 そのサービスはあなたの音声をどのくらいの期間保持しますか? その保持期間はIRBで許可されていますか? デフォルトで30日間音声を保持するサービスもあれば、即座に削除するサービスもあります。設定で変更できるものもあります。

モデル学習への利用。 あなたのデータはAIモデルの学習に使われますか? ほとんどの学術系IRBでは、答えは「ノー」でなければなりません。参加者は学習データになることに同意していないのです。

英語文字起こしパイプラインを含むCATTのサービスは、ユーザーの音声をモデル学習に使用しません。音声は定められたスケジュールで削除され、それをIRBの要件と照らして確認できます。他のベンダーのポリシーは異なります。一つひとつ確認してください。

本当にセンシティブなデータ(医療、法律、社会的に弱い立場の集団)については、クラウドサービスではなく、Whisperのようなローカルで動作するオープンソースツールで文字起こしを行うのが保守的なデフォルトです。トレードオフは、利便性とコントロールのどちらを取るかです。

博士論文プロジェクトのための現実的なワークフロー

以下の7段階のワークフローは、20〜30件のインタビューを行う単独研究者の博士論文プロジェクトの現実的な進め方をカバーしています。

ステージ1:録音プロトコルの標準化

インタビューを録音する前に、録音プロトコルを文書化しましょう。使用機器、マイク、録音形式(WAV 16-bit/44.1 kHzが学術研究の標準)、ファイル命名規則です。

一貫したプロトコルは一貫した音質を意味し、それは一貫した文字起こし品質につながります。最初のインタビューが95パーセントの精度なのに、マイクを変えたせいで20回目のインタビューが78パーセントになってしまえば、データの一貫性は失われます。

ステージ2:音声を即座にバックアップ

各インタビューの後、音声ファイルを少なくとも2か所にコピーします。1つは暗号化されたローカルストレージ。もう1つはIRBが承認する暗号化されたクラウドストレージです。

これは絶対に譲れません。学術研究における音声データの喪失は、キャリアを左右する問題です。元データの紛失で中断される博士論文の口頭審査は、取り返しがつきません。

ステージ3:バッチで文字起こし

インタビューが5〜6件録音できたら、まとめてアップロードします。AI文字起こしは並列処理されるため、5件のインタビューでも1件とほぼ同じ時間で完了します。

一貫した命名規則を使いましょう。P01_2026-05-15.mp3 のような形式が有効です。参加者IDと日付があれば、音声を同意書、属性アンケート、その他の研究資料と簡単に紐付けられます。英語以外のインタビューには、スペイン語文字起こしツール、フランス語文字起こしパイプライン、アラビア語文字起こしツールが、研究で最もよく使われる言語に対応しています。

ステージ4:確認と修正

これは研究者が最も省略しがちで、後から最も後悔する段階です。音声1時間あたり15〜30分のトランスクリプト確認時間を見込んでください。

トランスクリプトを音声と並べて開きます。再生位置を動かしながら、固有名詞、専門用語、明らかな誤りを修正していきます。CATTの研究インタビューテンプレートを使うと、タイムスタンプ付きの引用とAI要約を含むトランスクリプトが生成され、確認作業は速くなりますが、確認そのものの代わりにはなりません。

センシティブな専門語彙(医療、法律、科学)については、より多くの誤りを想定し、確認時間を多めに見積もってください。

ステージ5:匿名化

トランスクリプトを直接の研究チーム以外の誰かと共有する前に、個人を特定できる情報を取り除きます。場合によっては指導教員と共有する前にも必要です。

説明責任を果たせる匿名化プロセスの例:

• 参加者の名前を仮名またはIDに置き換える。
• 具体的な勤務先を一般的な記述に置き換える(「地域の病院」など)。
• 具体的な日付を相対的な日付に置き換える(「約3年前」など)。
• 参加者の職業上・社会的なネットワーク内の人物に本人だと特定されうる詳細は、削除するか一般化する。

匿名化プロトコルは文書化しておきましょう。IRBから提出を求められることがあります。学術誌の査読者から求められることも少なくありません。

ステージ6:分析ソフトウェアへのインポート

トランスクリプトの確認と匿名化が終わったら、分析ソフトウェアにインポートします。NVivo、MAXQDA、ATLAS.ti、Dedooseはいずれも .docx または .txt の入力に対応しています。

チームプロジェクトの場合は、使用する共同作業ツールのライセンスモデルに対応したインポート方法を使ってください。シングルユーザーライセンスではチームでのコーディングはできません。

ステージ7:IRBに従って保持または破棄

IRBの承認内容には、研究終了後に音声とトランスクリプトを保持すべき期間が定められています。一般的な期間は3年、5年、または7年です。

その全期間分のストレージを計画してください。継続的なクラウド費用をかけずに長期保存する手段としては、暗号化された外付けドライブが最も一般的です。

典型的な博士課程プロジェクトのコスト計算

典型的な質的研究の博士論文では、1件あたり45〜75分のインタビューを20〜30件行います。仮に音声25時間としましょう。

自分で手作業の文字起こし。 タイピングに100〜150時間。自分の時間を控えめに時給$20と見積もっても、$2,000〜$3,000相当の自己負担です。

プロによる人力の文字起こし。 平均で音声1分あたり$1.50。25時間で$2,250です。

月額$9.99のCATT無制限プランによるAI文字起こし。 これに加えて確認作業に6〜12時間。総コスト:$30未満+自分の時間6〜12時間です。

AIの選択肢はお金と時間の両方を節約します。トレードオフは、文字起こし業者にお金を払う代わりに、精度の修正作業に自分の確認時間を使うという点です。

人力の文字起こしが今も優位な場面

人力の文字起こしにお金を払う価値がある場面は、依然として3つあります。

会話分析または談話分析。 詳細な転写規則(ジェファーソン式表記、GAT表記)を必要とする手法は、AIには向いていません。こうしたトランスクリプトには、その規則の訓練を受けた文字起こし担当者が必要です。

低リソース言語の強い訛りのある音声。 AIのカバー範囲は、主要なヨーロッパ言語、中国語(普通話)、日本語、韓国語、アラビア語では充実しています。話者の少ない言語では結果にムラが出ます。ウォロフ語などのアフリカ諸言語については、パイプラインは劇的に改善されていますが、それでも人間による確認のほうが他のどの方法よりも高い精度を取り戻せます。

法的にセンシティブな資料。 トランスクリプトが法的手続きの証拠になりうる場合、人間の文字起こし担当者による文書化された管理の連鎖(チェーン・オブ・カストディ)が重要になります。学術研究に当てはまることはまれですが、調査報道や法人類学的な研究では該当することがあります。

多言語データセット

言語をまたぐ研究には、さらなる複雑さが加わります。標準的なワークフローは次のとおりです。

• 適切な言語パイプラインを使って、元の言語で文字起こしする。
• 翻訳する前に、ネイティブスピーカーにトランスクリプトを確認してもらう。
• 引用する予定のセグメントだけを翻訳する。
• 誰が何を翻訳したかを記録する。

AI翻訳を一次トランスクリプトとして扱うのは、よくある間違いです。翻訳には解釈上の選択が入り込みます。それは分析の段階で明示的に扱うべきものであって、覆い隠すべきものではありません。

社会的に弱い立場の集団を対象とする研究

社会的に弱い立場の集団(子ども、トラウマ経験者、非正規滞在者など)を対象とする研究では、文字起こしに影響する倫理的な層が加わります。

こうした対象集団については、ローカルのみで完結する文字起こしを使うのが保守的なデフォルトです。研究者自身のマシン上で動くWhisperなら、第三者のサーバーに一切触れることなくトランスクリプトを生成できます。トレードオフはスピードと利便性ですが、倫理面での説明はより強固になります。

インタビュー文字起こしの倫理ガイドでは、ジャーナリズムに限らずすべてのインタビュー研究に当てはまる、より広い倫理的側面を扱っています。

研究者がよく犯す間違い

博士論文の口頭審査や学術誌の査読で、繰り返し現れるパターンが3つあります。

トランスクリプトをデータそのものとして扱う。 データは音声です。トランスクリプトは解釈です。出版前に引用を音声と照合してください。

確認段階を省略する。 AIのトランスクリプトには誤りがあります。確認せずにそのままNVivoにインポートすると、誤りが分析全体に伝播します。

匿名化の不足。 名前を削除するだけでは不十分です。具体的な勤務先、具体的な役職、具体的な職歴、その他の個人を特定しうる詳細にも注意が必要です。名前を削除しただけのトランスクリプトから、査読者が参加者を特定できてしまうことがあるのです。

学術研究における文字起こしの規律は、地味な段階にこそ宿ります。一貫した録音プロトコル。徹底した確認。規律ある匿名化。テーマを発見するという華やかな段階は、これらの土台の上に築かれます。土台を省けば、分析は精査に耐えられず崩れます。

具体的な手法のガイダンスとしては、トランスクリプトからのテーマ分析ガイドが最も一般的な質的分析アプローチを扱っています。本ガイドで扱った準備作業は、ほとんどの手法に当てはまります。土台を正しく整えれば、分析は厳密であるための余地を得られます。