Transcriptie voor kwalitatief onderzoek: conventies, ethiek en tools

Kort samengevat

Bepaal het detailniveau voordat je iets transcribeert: verbatim als je analyse gaat over hoe mensen spraken, intelligent verbatim of schoon als het gaat over wat ze zeiden. Leg de conventie vast vóór het tweede interview. Kijk wat je toestemmingsformulier en ethische goedkeuring zeggen over waar opnames naartoe mogen en vraag elke transcriptiedienst precies wie de audio ontvangt. Automatische transcriptie geeft je in minuten een eerste versie voor een fractie van de kosten van een menselijke dienst; de correctieronde aan de hand van de audio blijft aan jou. Bepaal voor NVivo, ATLAS.ti en MAXQDA de importroute voordat je de tool kiest.

Niemand vertelt je wat de standaard is voor transcriptie in kwalitatief onderzoek, want die ene standaard bestaat niet. Er zijn er meerdere, en welke voor jou geldt, hangt af van wat je met de transcripten gaat doen. Die keuze is methodologisch en hoort vóór de keuze van de tool te komen, niet erna.

Draai je het om, dan zijn de kosten reëel. Je transcribeert zes interviews schoon, begint met je analyse, ontdekt dat je moet weten waar de deelnemer aarzelde, en nu ga je met andere oren terug door zes opnames. Besteed dus eerst een uur aan die vraag.

Bepaal waarvoor het transcript dient voordat je een woord transcribeert

Hoeveel detail een transcript nodig heeft, is een methodologische beslissing, geen kwestie van zorgvuldigheid of grondigheid. Het volgt uit je analytische benadering.

Gaat je analyse over wat er gezegd is, dan volstaat een schoon transcript. Je wilt de woorden, nauwkeurig, toegewezen aan de juiste spreker. Stopwoorden, valse starts en korte pauzes kun je weghalen zonder schade, want ze komen nooit in je codering terecht. Het meeste thematische en inhoudsgerichte werk valt hieronder, en een schoon transcript is sneller te maken, sneller te lezen en sneller te coderen.

Gaat je analyse over hoe iets gezegd is, dan ligt het omgekeerd. Pauzes, overlap, aarzelingen, het moment waarop twee mensen door elkaar praten, de drie seconden voordat een antwoord komt, de zelfcorrectie midden in een zin: dat zijn de data. Een transcript dat ze weghaalt, heeft precies weggehaald wat je onderzoekt. Dat telt vooral bij automatische transcriptie, want het gladstrijken van precies die kenmerken doet die goed. Je krijgt vloeiende, leesbare tekst, en vloeiende leesbare tekst is een verliesgevende weergave van een aarzelend, overlappend gesprek.

Het is verleidelijk om je in te dekken door alles op het fijnste detailniveau te transcriberen, omdat je wat je niet nodig hebt altijd kunt negeren. Meestal is dat de verkeerde zet. Gedetailleerd transcriberen is traag, en traag werk aan twintig interviews vreet maanden die je niet hebt. Het maakt de transcripten ook moeilijker leesbaar, waardoor coderen langzamer gaat. Weet je nog niet of interactie ertoe doet voor je analyse, bespreek dat dan nu met je begeleider in plaats van het met brute kracht op te lossen. Wat je ook besluit: de opnames blijven, en de opname is de eigenlijke data. Het transcript is er een weergave van.

Verbatim, intelligent verbatim en schoon, naast elkaar

De drie termen worden losjes gebruikt, dus hier is één korte, verzonnen uitwisseling in alle drie de vormen. Het is een illustratie, geen data uit een onderzoek.

Verbatim houdt alles wat de recorder hoorde, gemarkeerd volgens je conventie:

I:  Dus hoe heb je, eh, hoe kwam je daar achter?
P3: Nou (.) ik- ik niet, eigenlijk. Mijn zus [vertelde het me]
I:                                          [juist]
P3: vertelde het me na de- na de vergadering. (2.0) Ja.

Intelligent verbatim houdt elk betekenisvol woord en de spreekbeurten, laat stopwoorden en haperingen weg en houdt een pauze alleen waar die betekenis heeft:

I:  Hoe kwam je daar achter?
P3: Ik niet, eigenlijk. Mijn zus vertelde het me na de vergadering. [pauze] Ja.

Schoon (soms bewerkt genoemd) maakt ook de grammatica glad tot leesbare zinnen:

I:  Hoe kwam je daar achter?
P3: Ik niet. Mijn zus vertelde het me na de vergadering.

Kijk wat de schone versie kwijt is. De pauze van twee seconden vóór “Ja” en de zelfcorrectie “ik- ik niet” zijn misschien het interessantste van het fragment als je onderzoekt hoe mensen over slecht nieuws praten. Voor een thematisch onderzoek naar hoe nieuws zich door een gezin verspreidde, mist de schone versie niets wat je gaat coderen.

Automatische transcriptie zit ergens tussen intelligent verbatim en schoon. Het laat meestal het “eh” en de herhaalde “ik” weg, schrijft geen pauzemarkeringen en toont overlap als een beurt die op een andere volgt. Heb je verbatim nodig, plan dan in dat je die kenmerken in de correctieronde met de hand toevoegt.

Leg je conventie vast vóór het tweede interview

Heb je het detailniveau bepaald, leg dan de conventies vast in een kort document dat je tijdens het werk binnen handbereik houdt. Ze later wijzigen betekent dat je terug moet door elke opname die je al hebt gedaan, en dat soort klus slokt ongemerkt twee weken op.

Dit loont om vooraf te regelen:

• Of stopwoorden en valse starts worden bewaard, opgeschoond of alleen bewaard waar ze betekenisvol lijken, de optie die het meest waarschijnlijk inconsistentie tussen interviews oplevert.
• Hoe pauzes worden gemarkeerd en of korte en lange pauzes worden onderscheiden.
• Hoe overlappende spraak wordt weergegeven en wat er gebeurt als je niet kunt horen wie het eerst sprak.
• Hoe je passages markeert die je niet kunt verstaan en of je de reden noteert.
• Hoe sprekers worden gelabeld en hoe dat labelen zich verhoudt tot je anonimiseringsschema.
• Waar tijdcodes komen: met een vast interval, bij elke sprekerwissel of alleen bij passages die je denkt te citeren.

Tijdcodes verdienen een eigen moment. Ze maken het mogelijk een citaat in je scriptie terug te voeren tot zijn plek in de opname, waardoor de bewering controleerbaar wordt voor iedereen die toegang heeft tot je data, ook een examinator. Ze onderweg toevoegen kost bijna niets. Ze achteraf aan een af transcript toevoegen betekent dat je de hele opname opnieuw beluistert met een stopwatch. Welke tool je ook gebruikt, zorg dat ze er in de eerste ronde in komen.

Een conventiesjabloon om te kopiëren

Vul de rechterkolom in, bewaar het in de methodebijlage en geef het aan iedereen die voor je transcribeert of corrigeert. De getoonde markeringen zijn gangbare keuzes, geen regels; verander ze gerust, maar schrijf de wijziging op.

Hetzelfde sjabloon als platte tekst, voor je notities:

TRANSCRIPTIECONVENTIE: [project]          versie: [datum]
Detailniveau:        verbatim | intelligent verbatim | schoon
Sprekers:            I = interviewer; P1, P2 ... = deelnemers
Stopwoorden:         bewaard | verwijderd | bewaard als betekenisvol
Valse starts:        bewaard, met koppelteken (ik- ik niet)
Pauzes:              (.) onder 2 s; (3.0) = lengte in seconden
Overlap:             [ aan het begin en ] aan het einde van overlappende spraak
Onverstaanbaar:      [onverstaanbaar uu:mm:ss]
Onzeker:             [woord?]
Non-verbaal:         [lacht] [zucht] [deur dicht]
Nadruk:              niet gemarkeerd | HOOFDLETTERS
Tijdcodes:           elke sprekerwissel | elke 2 min | alleen citaten
Anonimisering:       bij het transcriberen; koppeling apart bewaard op [locatie]
Andere talen:        origineel, daarna {vertaling}
Gecontroleerd met audio door: [naam], op [datum]

Toestemming en ethische goedkeuring bepalen waar de audio naartoe mag

Je toestemmingsformulier is geen papierwerk dat gebeurde voordat het onderzoek begon. Het is een set voorwaarden voor wat je nu met de opnames mag doen, en het gaat meestal over drie dingen: hoe de opname wordt opgeslagen, wie hem mag horen en wanneer hij wordt vernietigd.

Audio naar een externe transcriptiedienst sturen is een verstrekking. Iemand of iets buiten je project heeft nu een kopie van de stem van een deelnemer. Dat moet verenigbaar zijn met waarmee de deelnemer akkoord ging. Soms is dat duidelijk zo, omdat het formulier ermee rekening hield. Soms duidelijk niet, omdat de deelnemer te horen kreeg dat alleen het onderzoeksteam de opname zou horen. Vaak is het formulier dubbelzinnig, en die dubbelzinnigheid los je beter op met je begeleider of ethische commissie vóórdat je uploadt dan erna.

Ethische goedkeuring gaat vaak verder en bepaalt waar opnames mogen worden opgeslagen, op wat voor apparaat of institutioneel systeem, en hoelang. Het transcript erft die voorwaarden. Dat geldt ook voor alles wat eruit voortkomt: je gecodeerde bestanden, je citaatfragmenten, het werkdocument waarin je tijdens het schrijven passages plakt. Dat zijn allemaal data en ze vallen allemaal onder de opslagregeling waarvoor je goedkeuring kreeg. Dat raak je makkelijk uit het oog als je diep in de analyse zit en kopieën zich vermenigvuldigen over een laptop, een clouddrive en een mail aan jezelf.

In de praktijk beperkt dit je keuze aan tools nog voordat je ze op kwaliteit of prijs hebt vergeleken. Een tool die bestanden op je eigen apparaat verwerkt, is iets anders dan een tool die ze uploadt. Kan een aanbieder je niet duidelijk zeggen welke bedrijven de audio ontvangen, beschouw dat dan als antwoord.

Wat een ethische commissie vraagt over een transcriptiedienst

Commissies verschillen, maar de vragen herhalen zich. Zet de antwoorden in je aanvraag, met de datum waarop je ze hebt gecontroleerd, want aanbieders wisselen van partners.

1. Waar wordt de audio opgeslagen en in welk land?
2. Welke andere bedrijven ontvangen hem en wat ontvangen ze? Een transcriptietool is vaak een voorkant voor de spraakherkenning van een ander. Vraag om de lijst met subverwerkers.
3. Worden de gegevens gebruikt om modellen te trainen? Vraag het over de aanbieder en over elke partner afzonderlijk; één antwoord dekt zelden beide.
4. Wat verwijdert het verwijderen van een bestand en zijn er back-ups die het langer bewaren?
5. Wie kan inloggen en is er een auditrapport, een verwerkersovereenkomst of institutioneel inloggen?

Hier zijn de antwoorden van SozAI, per 25 oktober 2026, zodat je ziet hoe een volledige set eruitziet:

• Opnames en transcripten worden opgeslagen op onze servers. Alles gaat via HTTPS.
• De spraakherkenning wordt gedaan door AssemblyAI, in de VS, dat de audio ontvangt. Gebruik je samenvattingen, notities, quizzen of vragen over een opname, dan gaat de transcripttekst via OpenRouter naar modelaanbieders (Anthropic, Google en xAI, met DeepSeek als reserve). YouTube-links gaan naar de Google Gemini API; je eigen audio niet. Cloudflare verzorgt het verkeer en bewaart onze versleutelde databaseback-ups. De volledige lijst staat op onze pagina met subverwerkers.
• We verkopen opnames niet en onze eigen code gebruikt ze nooit om modellen te trainen. Die belofte kunnen we niet namens de bovenstaande partners doen; hun eigen voorwaarden gelden.
• Je kunt een opname of je hele account zelf verwijderen, in de app of op het web. Dat verwijdert de audio, het transcript, de notities, flashcards en quizzen van onze servers. Versleutelde databaseback-ups bewaren we tot 12 maanden. Verwijderen in SozAI verwijdert niet de kopie bij de partner voor spraakherkenning.
• Inloggen gaat met Google, Apple of een eenmalige e-mailcode. We hebben geen SOC 2-rapport, geen single sign-on en geen beheerdersrollen voor teams, en SozAI is niet HIPAA-compliant. Meer over beveiliging bij SozAI.

Zegt je goedkeuring dat opnames institutionele systemen niet mogen verlaten, dan voldoet geen van de cloudtools op deze pagina, de onze inbegrepen. Gebruik dan de eigen gelicentieerde dienst van je universiteit of transcribeer offline.

Anonimiseren gebeurt in het transcript

De opname blijft zoals hij is. Je kunt een stem niet anonimiseren door tekst te bewerken en je moet ook niet proberen je primaire data te wijzigen. Anonimiseren doe je met het transcript.

Dat betekent het vervangen van namen, plaatsnamen, werkgevers, functietitels die één persoon identificeren en de kleine bijzonderheden waardoor iemand herkenbaar is voor wie de setting kent. Doe het consequent. Is een collega in het ene interview [Collega A], dan is ze overal [Collega A] waar ze voorkomt, en dezelfde conventie geldt voor je hele set. Inconsistent pseudonimiseren is erger dan niets, want het ziet er geanonimiseerd uit en blijft toch herleidbaar voor wie aandachtig leest.

Bewaar je een koppeling tussen echte identiteiten en vervangingen, bewaar die dan apart van de transcripten, onder de opslagvoorwaarden uit je goedkeuring, en wees helder voor jezelf over waarom je haar bewaart en wanneer ze wordt vernietigd. In sommige projecten is daar een goede reden voor: je moet deelnemers misschien opnieuw benaderen of interviews over meerdere meetmomenten koppelen. In andere niet, en dan is de veiligste koppeling die welke niet bestaat. Bewust beslissen is het punt.

Eén waarschuwing als je dit snel doet. Zoeken en vervangen vangt de voor de hand liggende namen en mist de rest: de bijnaam die twee keer valt, de spelfout, de beschrijving van een gebouw waar maar één plek in de stad aan beantwoordt. De anonimiseringsronde vraagt menselijke ogen op het hele document.

Een praktisch punt bij automatische tools: de sprekernamen die je in een tool typt, worden bij het transcript opgeslagen. Label sprekers vanaf het begin als P1 en P2 in plaats van ze later te hernoemen.

Focusgroepen: zes tot tien sprekers

Een focusgroep is de moeilijkste opname die je zult transcriberen. Automatische sprekerscheiding werkt door spraak die op elkaar lijkt te groeperen, en met acht mensen rond een tafel gaat dat op voorspelbare plekken mis: twee deelnemers met vergelijkbare stemmen worden één spreker, iemand die alleen “mm” of “ja” zegt krijgt nooit een eigen label, en een uitbarsting van door elkaar praten wordt toegeschreven aan wie het hardst sprak.

In SozAI kun je het systeem niet vertellen hoeveel mensen er in de ruimte waren; het beslist op basis van de audio. Verwacht bij elke focusgroep sprekerlabels met de hand te moeten corrigeren en reken daar tijd voor. Bij een groep van acht mensen en een uur is dat een echte middag werk, vooral aan korte beurten.

Wat helpt, op volgorde van effect:

• Open met een rondje waarin iedereen zijn deelnemersnummer en één zin zegt. Dan heb je van elke stem een voorbeeld op een bekend moment en kun je labels aan mensen koppelen.
• Laat de moderator de spreker noemen als het onduidelijk is (“dank je, P4”) en houd een tafelschikking bij met de volgorde van de eerste bijdragen.
• Zet één goede microfoon midden op tafel in plaats van een telefoon aan het uiteinde van de moderator. Afstand is de grootste bron van fouten.
• Laat een tweede recorder aan de andere kant van de tafel meelopen. Is het ene bestand onduidelijk, dan is het andere dat vaak niet.

Hangt je analyse af van wie wat zei in snelle wisselingen (bijvoorbeeld conversatieanalyse van groepsdynamiek), dan bespaart een automatische eerste versie je minder tijd dan bij individuele interviews. Een menselijke dienst die gespecialiseerd is in focusgroepen kan daar zijn prijs waard zijn.

Waar automatische transcriptie echt helpt

Automatische transcriptie levert een eerste versie. Dat is een echte besparing, en haar principieel weigeren betekent meestal dat je urenlang spraak met de hand uittypt zonder methodologische winst. Wat ze niet levert, is een af transcript.

Bij interviewdata hoort de correctieronde aan de hand van de audio bij de methode, het is geen optioneel opruimwerkje aan het eind. Je luistert met de eerste versie voor je, verbetert wat fout is, herstelt wat je conventie vereist en de machine liet vallen, voegt de tijdcodes toe of controleert ze en past je anonimisering toe. Het is langzamer dan lezen en sneller dan typen. Het is ook waar je vertrouwd raakt met het materiaal, en dat is geen bijzaak. Onderzoekers die hun eigen interviews transcriberen, beginnen de analyse al wetend wat erin zit, en de correctieronde koopt een flink deel van die vertrouwdheid terug.

Met de SozAI-app voor iPhone, Android en Mac of de webversie krijg je een opgenomen interview terug met sprekerlabels en een tijdcode bij elke passage; tik erop en de audio speelt vanaf die regel af, en dat is het grootste deel van wat een correctieronde nodig heeft. De tekst kun je corrigeren in de iPhone- en Android-app; de web- en Mac-versie tonen hem maar bewerken hem nog niet. Meer over interviews transcriberen in het algemeen. Het is één optie uit meerdere, en de opslag- en toestemmingsvragen van een ethische commissie moeten je shortlist filteren vóór de kwaliteit.

AI of menselijke academische transcriptie: kosten, doorlooptijd, nauwkeurigheid

De meeste pagina’s die scoren op “academische transcriptie” zijn menselijke diensten, dus hier is de vergelijking die zij weglaten. Prijzen zijn zoals elke aanbieder ze op 25 oktober 2026 publiceerde.

Reken het door voor een typisch onderzoek: twintig interviews van een uur, 1.200 minuten audio. Tegen bovenstaande prijzen is dat $2.388 bij Rev, $2.100 bij Ditto en vanaf $948 bij TranscribeMe. Met een SozAI-abonnement past de hele set ruim binnen de uren, en de eerste versies zijn dezelfde middag terug.

De nauwkeurigheidscijfers zijn niet vergelijkbaar, en het is goed te weten waarom. De menselijke diensten vermelden een garantie op hun eigen voorwaarden. Het onze is een meting met een gepubliceerde methode: 200 korte zinnen, voorgelezen in stille ruimtes, uit de open dataset FLEURS. Interviews zijn moeilijker dan dat, en sommige talen veel moeilijker (19,6% voor Arabisch, 50% voor Kazachs in dezelfde test). De eerlijke ruil is dus deze: automatische transcriptie kost veel minder en is bijna direct, en in ruil doe je zelf de correctieronde. Een menselijke dienst laat je betalen voor het grootste deel van die ronde, en de citaten controleer je alsnog.

Wanneer menselijke transcriptie de betere koop is: verbatimconventies met pauzetiming, slechte audio, focusgroepen waar de toewijzing aan sprekers het punt is, of een financier die ervoor betaalt terwijl jouw tijd schaars is.

Transcriptiesoftware voor kwalitatief onderzoek

Zes realistische opties, met waar elk goed in is. Details zoals elke aanbieder ze op 25 oktober 2026 publiceerde.

Onze aanbeveling, als je kunt kiezen. Heb je al een MAXQDA- of NVivo-licentie en zijn je interviews in een taal die ze dekken, gebruik dan de ingebouwde transcriptie: het transcript komt al aan de audio gekoppeld in het project en je slaat de importstap helemaal over. Zijn je interviews in een taal buiten hun lijsten, zijn ze in het veld met een telefoon opgenomen, of wil je samenvattingen en vertaling naast het transcript, dan is SozAI de betere tool, met één importstap. Sluit je ethische goedkeuring AI-verwerking door derden uit, betaal dan een menselijke dienst die je vertrouwelijkheidsvoorwaarden tekent, of transcribeer zelf.

Transcripten in NVivo, ATLAS.ti en MAXQDA krijgen

SozAI exporteert geen Word-bestanden (DOCX). Alles hieronder werkt met wat het wel exporteert: TXT, SRT, VTT en JSON (ook PDF, maar geen analysepakket wil een PDF-transcript). De telefoon- en Mac-apps exporteren dit allemaal; de webversie exporteert TXT, SRT en VTT. Hernoem je sprekers naar P1, P2 enzovoort voordat je exporteert; die namen worden geschreven in VTT, JSON en de TXT van de app. SRT bevat nooit sprekernamen, dus sla die over voor onderzoek.

ATLAS.ti

Voeg eerst het audiobestand toe aan je project en importeer daarna het transcript erbij. De handleiding van ATLAS.ti noemt VTT, SRT, TXT, DOCX en RTF als ondersteunde transcriptformaten en zegt dat het sprekers herkent en codeert in VTT-bestanden die sprekerinformatie bevatten. Exporteer dus VTT uit SozAI: je krijgt de tekst gesynchroniseerd met de audio en sprekercodes in één stap. (ATLAS.ti-handleiding, gecontroleerd op 25 oktober 2026.)

MAXQDA

MAXQDA importeert transcripten met tijdcodes via Import, Transcripts, en noemt VTT onder de formaten die het leest, naast SRT-ondertitels en Word- of RTF-bestanden. Kies VTT en wijs MAXQDA het bijbehorende audiobestand aan als het erom vraagt. SRT importeert ook, maar MAXQDA-gebruikers melden een versnipperde opmaak, één ondertitelregel per alinea, en je verliest de sprekers. (MAXQDA-help, gecontroleerd op 25 oktober 2026.)

NVivo

NVivo 14 voor Windows importeert een aan audio gekoppeld transcript uit een platte tekstbestand dat is opgemaakt als een door komma’s of tabs gescheiden tabel, of uit Word of RTF. (NVivo-help, gecontroleerd op 25 oktober 2026.) De bestanden van SozAI hebben die opmaak niet, dus je hebt twee routes:

• Snel: exporteer TXT vanuit web.sozai.app met tijdcodes en sprekers ingeschakeld. Elke alinea leest als “[04:12] P3: tekst”. Importeer het in NVivo als gewoon document. Je kunt het meteen coderen; het is alleen niet gesynchroniseerd met de audio.
• Gesynchroniseerd: exporteer JSON uit de app. Elk segment heeft een begin- en eindtijd in seconden, de tekst en de sprekernaam. Open het in een spreadsheet (of vraag een collega met een paar regels script) om drie kolommen te maken: tijdspanne, spreker, tekst. Sla op als door tabs gescheiden tekst en importeer het als transcript, met de kolommen gekoppeld wanneer NVivo erom vraagt.

Welke route je ook kiest, doe de correctieronde als het kan vóór de import. Correcties in de telefoon-app reizen met het transcript mee naar elke latere export, terwijl bewerkingen in je analysepakket daar blijven.

Wat de eerste versie niet voor je doet

Verwacht dat de eerste versie het zwakst is precies waar interviews het moeilijkst zijn. Door elkaar praten verwart de sprekerscheiding, en twee mensen die tegelijk praten komen vaak naar voren als één persoon die iets enigszins onsamenhangends zegt. Sterke accenten, stille deelnemers, achtergrondgeluid van een café of gang en vakspecifieke woordenschat verlagen allemaal de nauwkeurigheid. Sprekerlabels zitten er meestal dichtbij maar zijn aan de randen niet betrouwbaar, vooral rond korte tussenwerpsels.

En prosodie krijg je niet. Geen enkel automatisch transcript bewaart de lengte van een pauze of markeert het punt waarop de stem van de deelnemer veranderde. Heeft je analyse dat nodig, dan is de machineversie alleen een steiger voor de woorden en moet je je tijd daarop plannen. Een collega die aan hetzelfde corpus werkt met een inhoudsgerichte vraag, is in een fractie van de tijd klaar, en niet omdat die minder zorgvuldig werkt. Zijn transcript beantwoordt een andere vraag.

Interviews die van taal wisselen, zijn een bijzonder geval. Automatische tools, SozAI inbegrepen, herkennen meestal één taal per opname, dus de passages in de tweede taal komen het slechtst uit de verf. Markeer ze in je conventie en controleer ze eerst.

Plan ook meer tijd in dan de rekensom suggereert. De correctieronde is niet één keer door de audio op normale snelheid; het is stoppen, terugspoelen, de zes seconden opnieuw beluisteren die je niet goed verstaat. Dit doen voor een volledige set interviews is aanzienlijk werk, en dat hoort zo. Wil je zien hoe de onderdelen over een heel project in elkaar passen, kijk dan naar een uitwerking van de werkwijze van een scriptieonderzoeker die één set opnames volgt van bestand tot citeerbaar transcript. Koop je in voor een onderzoeksgroep of afdeling, schrijf dan naar [email protected] over Team- en Education-abonnementen; we sturen een factuur.

Het laatste om vast te houden: het transcript is een weergave, en elke conventie die je koos is een beslissing over wat je bewaart en wat je kwijtraakt. Schrijf die beslissingen in je methodehoofdstuk. Een examinator die weet waarom je transcripten eruitzien zoals ze eruitzien, leest ze als doordacht. Eén die dat niet weet, gaat zich afvragen waarom.