テーマ分析 (Thematic Analysis) - テキストファイル群から質的研究のテーマ分析を行うスキル。対象ディレクトリ内のテキストファイル（.txt, .md, .docx等）に対して、ファイル名へのインデックス付与、文単位でのCSV保存、テーマ抽出、深層構造分析を実行する。「テーマ分析して」「thematic analysis」「質的分析」「テキストを分析して」などのリクエストで使用する。
テキストファイル群から質的研究のテーマ分析を実行する。
0. context.md読み込み → 1. ファイル名インデックス付与 → 2. sentences.csv作成 → 3. テーマ抽出 → 4. 深層構造分析（総括） → 5. themes.md作成
対象ディレクトリのルートにcontext.mdがある場合、分析開始前に読み込む。
context.mdの内容例:
このファイルは分析対象データとしては処理されず（インデックス付与・CSV化されない）、分析者がテーマを解釈する際のコンテキストとして使用する。
$SKILL_ROOT/scripts/add_index.pyを実行してファイル名にインデックスを付与。
python "$SKILL_ROOT/scripts/add_index.py" [対象ディレクトリ]
処理内容:
田中太郎.txt → 01_田中太郎.txt
山田花子.md → 02_山田花子.md
$SKILL_ROOT/scripts/create_csv.pyを実行して文単位のCSVを作成。
python "$SKILL_ROOT/scripts/create_csv.py" [対象ディレクトリ] [出力ファイル名]
分割ルール:
CSV形式:
id,content
01-001,最初のファイルの1文目
01-002,最初のファイルの2文目
02-001,2番目のファイルの1文目
id形式: [ファイル番号2桁]-[文番号3桁]
context.mdが存在する場合は、必ず先に読み込んでコンテキストを把握してから分析を開始する。
sentences.csvを読み込み、質的研究のテーマ分析手法に基づき分析。設問やインタビュイーの質問に該当する行はコンテキストとして扱い、テーマ抽出の対象から除外する。:
テーマ数の目安: 内容に応じて5〜15程度
抽出したテーマを単にまとめるのではなく、以下の観点から深層構造を分析する。ただしあくまでデータに基づくようにし、飛躍しすぎないように留意する：
総括は3〜6個程度の「深層構造」として記述する。各深層構造には：
を含める。最後に全体を統合する結論を記述する。
# テーマ分析結果
- **分析対象**: [対象の説明]
- **分析日**: [日付]
---
## T01: [テーマ名]
- 関連するid:
- 01-001, 01-005, 02-003
### テーマに関する記述:
[テーマの説明・解釈]
### 代表的な引用:
- 「[引用文]」(01-001)
- 「[引用文]」(02-003)
---
## T02: [テーマ名]
...
---
## 総括：テーマの深層構造分析
### 1. [深層構造のタイトル]
**関連テーマ:** T01, T03, T05
[背景・メカニズムの分析。単なるテーマの要約ではなく、なぜそのような認識が生まれるのか、その構造や力学を考察する。]
#### 代表的な引用:
- 「[引用文]」(01-001)
- 「[引用文]」(03-005)
---
### 2. [深層構造のタイトル]
...
| ファイル | 内容 |
|---|---|
| sentences.csv | 全文のインデックス付きデータ |
| themes.md | テーマ分析結果（テーマ＋深層構造分析＋テーマ一覧） |
「効率化と本質の二層構造」 AIを効率化可能な領域で活用しつつ、人間固有の領域は守るという認識が共有されている。
「『教育者とは何か』というアイデンティティの再定義」 AIの登場は、教育者たちに「自分の存在価値は何か」という根源的な問いを突きつけている。従来、教育者の価値の一部は「知識を持っている」「情報を整理できる」ことにあった。しかしAIがこれらを代替可能になったとき、教育者は自らの役割を再定義せざるを得なくなる。これは単なる業務分担の話ではなく、専門職としてのアイデンティティの再構築というより深い営みである。