Většina lidí, kteří používají Likertovy škály ve výzkumu, se nikdy nenaučila je správně navrhovat ani analyzovat. Tato příručka se zabývá tím, co Likertovy škály skutečně měří, jak vybrat správný typ, jak navrhnout položky, které produkují čistá data, a jaké statistické testy se použijí, aby vám váš příští průzkum poskytl výsledky, na jejichž základě můžete reagovat.
Ať už jste odborník na vzdělávání a rozvoj, který navrhuje hodnocení školení, personalista provádějící průzkumy angažovanosti, nebo výzkumník v oblasti společenských věd, zde uvedené principy platí pro vás.
Projdeme si, co Likertova škála vlastně měří, jaké typy si můžete vybrat, jak navrhnout efektivní otázky s Likertovou škálou, jak analyzovat výsledná data a jaké jsou běžné chyby, na které narážejí i zkušení výzkumníci.
Co je Likertova stupnice?
Likertova škála je psychometrický nástroj používaný v dotaznících a průzkumech k měření postojů, názorů, vnímání a chování. Namísto jednoduché otázky typu ano/ne umožňuje respondentům vyjádřit intenzitu svých pocitů v rámci odstupňovaného spektra.
Každá Likertova škála se skládá z několika jednotlivých tvrzení nazývaných Likertovy položky. Respondent si každé tvrzení přečte a vybere ze sady seřazených možností odpovědi, obvykle od silně negativního postoje přes neutrální střed až po silně pozitivní postoj.
Například pětibodová stupnice souhlasu vypadá takto:
| Možnost odpovědi | Číselná hodnota |
|---|---|
| Rozhodně nesouhlasím | 1 |
| Nesouhlasit | 2 |
| Ani souhlas, ani nesouhlas | 3 |
| Souhlasit | 4 |
| Velmi souhlasím | 5 |
Klíčovým principem Likertovy původní metodologie je, že konečné skóre je složenina. Neanalyzujete jednu položku izolovaně. Místo toho sečtete nebo zprůměrujete odpovědi napříč více souvisejícími položkami, abyste získali skóre na škále, které odráží základní měřený postoj.
Likertova škála vs. Likertova položka: Toto rozlišení je důležité. Jedna otázka s pětibodovým formátem odpovědi je Likertova položka. Likertova škála je kompletní sada souvisejících položek (obvykle čtyři až deset) určených k měření jednoho konstruktu. Mnoho výzkumníků používá tyto termíny zaměnitelně, ale technicky vzato je škála agregovaným měřítkem.
Typy Likertových škál
Výběr správného typu Likertovy škály závisí na tom, co měříte a kolik nuancí od respondentů očekáváte.
Unipolární vs. bipolární škály
Unipolární stupnice měří jeden rozměr od nuly do extrému. Fungují dobře, když chcete posoudit, jak moc se vyskytuje určitá vlastnost. Příklady zahrnují „vůbec nespokojen“ až „extrémně spokojen“ nebo „nikdy“ až „vždy“.
Bipolární váhy změřte dva protichůdné konstrukty s neutrálním středem. Klasický formát souhlasu/nesouhlasu je bipolární, protože sahá od silného nesouhlasu přes neutralitu až po silný souhlas. Tyto jsou ideální, když potřebujete zachytit pozitivní i negativní postoje k danému problému.
Výzkum naznačuje, že unipolární škály fungují nejlépe s pěti body odezvy, zatímco bipolární škály jsou nejpřesnější se sedmi body (tři na každé straně skutečného neutrálního středu).
Sudý vs. lichý počet bodů
Liché váhy (3, 5 nebo 7 bodů) zahrnují neutrální střední možnost. Pětibodová a sedmibodová verze se v publikovaných výzkumech používají nejčastěji. Zahrnutí středního bodu umožňuje respondentům, kteří skutečně nemají žádný názor, jej upřímně vyjádřit, a nebýt nuceni vybrat si stranu.
Sudé stupnice (4, 6 nebo 8 bodů) zcela vyloučit neutrální možnost. Tento přístup „vynucené volby“ je užitečný, když konkrétně potřebujete, aby se respondenti přiklonili k jednomu nebo druhému směru, například u zpětné vazby k produktu, kde neutrální reakce není relevantní.
Kolik bodů byste měli použít?
Toto je jedna z nejdiskutovanějších otázek v oblasti návrhu průzkumů. Zde je to, co nám výzkum říká:
- Pět až sedm bodů obecně poskytují nejlepší rovnováhu mezi spolehlivostí, citlivostí a snadností přístupu respondenta. Studie zjistily, že spolehlivost se zlepšuje s postupem od dvou k pěti bodům, ale po sedmi bodech vykazuje klesající výsledky.
- Méně než pět bodů snižuje granularitu vašich dat a může zakrýt smysluplné rozdíly mezi respondenty.
- Více než sedm bodů zvyšuje kognitivní zátěž, aniž by významně zlepšilo kvalitu dat. Respondenti začínají mít potíže s rozlišováním mezi sousedícími možnostmi.
- Mobilní respondenti a krátké průzkumy Pro jasnější a rychlejší odpovědi využijte pět označených bodů.
V praxi: pro většinu aplikací použijte standardně pětibodovou stupnici a v případě jemnějších rozlišení nebo při měření bipolárních konstruktů přejděte na sedmibodovou.
Běžné rozměry stupnice
Likertovy škály nejsou omezeny na shodu. Zde jsou nejčastěji používané dimenze odpovědí ve výzkumu:
| Dimenze | Nízká kotva | Vysoká kotva |
|---|---|---|
| Dohoda | Rozhodně nesouhlasím | Velmi souhlasím |
| Frekvence | nikdy | Navzájem si |
| Význam | Vůbec ne důležité | Extrémně důležité |
| Spokojenost | Velmi nespokojený | Velmi spokojen |
| Pravděpodobnost | Velmi nepravděpodobně | Pravděpodobně |
| Kvalita | Velmi špatné | vynikající |
Proč je Likertova stupnice důležitá ve výzkumu
Likertova škála zůstává dominantním nástrojem měření v průzkumech již více než 90 let z několika praktických důvodů.
Výhody
Standardizace a srovnatelnost. Každý respondent odpovídá na stejnou sadu položek ve stejném formátu, což usnadňuje porovnávání dat napříč jednotlivci, skupinami a časovými obdobími. Tato konzistence je nezbytná pro longitudinální studie a mezikulturní výzkum.
Kvantifikuje subjektivní zkušenost. Postoje a názory jsou ze své podstaty abstraktní. Likertův formát převádí tyto subjektivní pocity na číselná data, která lze statisticky analyzovat, což umožňuje výzkumníkům identifikovat vzory, korelace a významné rozdíly.
Vyvažuje hloubku s efektivitou. Ve srovnání s otevřenými otázkami jsou Likertovy otázky pro respondenty rychlejší k vyplnění a pro výzkumníky snáze analyzovatelné. Ve srovnání s binárními otázkami ano/ne zachycují mnohem více nuancí o intenzitě postoje respondenta.
Vysoká spolehlivost při dobrém návrhu. Vícepoložkové Likertovy škály, které měří stejný konstrukt, obvykle poskytují spolehlivé výsledky. Když agregujete odpovědi napříč několika souvisejícími položkami, snižujete dopad jakékoli jednotlivé odlehlé odpovědi nebo momentálního rozptýlení.
Flexibilita. Formát se přizpůsobí prakticky jakékoli výzkumné oblasti: spokojenost pacientů ve zdravotnictví, angažovanost zaměstnanců v oblasti lidských zdrojů, hodnocení studentských kurzů ve vzdělávání, vnímání značky v marketingu a průzkumy veřejného mínění v politologii.
Nevýhody a běžné předsudky
Žádný měřicí nástroj není dokonalý a pochopení omezení Likertových škál je stejně důležité jako znalost jejich silných stránek.
Zkreslení souhlasu. Někteří respondenti mají tendenci souhlasit s tvrzeními bez ohledu na jejich obsah. To je obzvláště problematické, pokud jsou všechny položky formulovány stejným způsobem. Zahrnutí položek s obráceným kódováním (kde souhlas značí negativní postoj) pomáhá toto zkreslení odhalit a snížit.
Centrální tendenční zkreslení. Mnoho respondentů se vyhýbá extrémním možnostem a seskupuje své odpovědi kolem středu škály. To zkracuje rozsah shromažďovaných dat a může maskovat skutečné rozdíly v názorech.
Zkreslení sociální žádoucnosti. Pokud jsou témata průzkumu citlivá (kultura na pracovišti, osobní zdravotní chování, politické názory), respondenti si mohou vybrat odpovědi, které považují za společensky přijatelnější než pravdivé. Anonymní administrace pomáhá tento problém zmírnit.
Ordinální, nikoli intervalová data. Přesněji řečeno, vzdálenost mezi „rozhodně nesouhlasím“ a „nesouhlasím“ se nemusí rovnat vzdálenosti mezi „souhlasím“ a „rozhodně souhlasím“. To je zdrojem dlouhodobé statistické debaty o tom, zda lze na Likertova data použít parametrické testy (jako jsou t-testy a ANOVA). Podrobněji se o tom budeme zabývat v níže uvedené analytické části.
Předpokládá lineární spektrum postojů. Likertovy škály předpokládají, že postoje existují na přímém kontinuu od negativního k pozitivnímu. Ve skutečnosti jsou některé postoje složitější a vícerozměrnější, než dokáže jedna škála zachytit.
Jak navrhnout efektivní otázky s Likertovou škálou

Dobrá data začínají dobrými otázkami. Tyto principy návrhu platí pro jakýkoli průzkum založený na Likertově metodě.
1. Začněte s jasnými výzkumnými cíli
Než začnete psát jednotlivé položky, přesně si definujte, jaký konstrukt měříte a jaká rozhodnutí budou data ovlivňovat. Likertova škála měřící „spokojenost zákazníků s nástupem do firmy“ vyžaduje jiné položky než škála měřící „důvěru zaměstnanců ve vedení“.
2. Pište jasné a jednoznačné položky
Každé tvrzení by se mělo zabývat pouze jednou myšlenkou. Vyhněte se dvojí otázce typu „Školení bylo informativní a poutavé“, protože respondent by mohl s jednou polovinou souhlasit a s druhou nesouhlasit.
Další osvědčené postupy pro psaní položek:
- Používejte jednoduchý, běžný jazyk. Vyhýbejte se žargonu, pokud vaše publikum není specializované.
- Pište stručné výroky. Snažte se o méně než 20 slov na položku.
- Vyhněte se sugestivní formulaci, která by respondenty naváděla ke konkrétní odpovědi.
- Nepoužívejte dvojité zápory („Nesouhlasím s...“).
- Zahrňte kombinaci pozitivně i negativně formulovaných položek, abyste snížili zkreslení souhlasu.
3. Pečlivě vybírejte popisky odpovědí
Každý bod na vaší škále potřebuje jasné a jednoznačné označení. Výzkum ukazuje, že škály s popisky (kde každý bod má slovní popis) jsou z hlediska spolehlivosti a porozumění respondentům lepší než škály s pouze čísly.
Ujistěte se, že vaše popisky jsou symetrické. U pětibodové škály souhlasu platí, že možnosti „Rozhodně nesouhlasím, Nesouhlasím, Ani souhlasím, ani nesouhlasím, Souhlasím, Rozhodně souhlasím“ zachovávají stejnou koncepční vzdálenost na obou stranách neutrálního středu.
4. Rozhodněte se pro neutrální střed
Zahrnutí středu (například „ani souhlasím, ani nesouhlasím“) dává respondentům upřímnou možnost se vyjádřit, když nemají názor. Jeho vyloučení nutí k volbě směru. Ani jeden z přístupů není univerzálně správný; správné rozhodnutí závisí na vašich výzkumných cílech.
Pokud máte podezření, že respondenti by mohli automaticky zvolit neutrální možnost, aby se vyhnuli přemýšlení, zvažte přidání samostatné možnosti „Nevím“ nebo „Nehodí se“, abyste odlišili skutečnou neutralitu od nezapojení.
5. Používejte položky s obráceným kódováním
Zahrnutí některých položek, u kterých souhlas naznačuje negativní postoj (např. „Toto školení je pro mě obtížné dodržovat“), slouží dvěma účelům. Zaprvé to nutí respondenty, aby si každou položku pečlivě přečetli, namísto aby v celém textu označovali stejnou odpověď. Zadruhé to umožňuje kontrolovat vnitřní konzistenci během analýzy ověřením, zda položky s obráceným kódováním negativně korelují s položkami s pozitivním formulováním.
6. Pilotní test s kognitivními rozhovory
Než spustíte kompletní průzkum, otestujte si položky v malé skupině (pět až dvacet pět lidí). Požádejte je, aby při odpovídání přemýšleli nahlas. Tím odhalíte matoucí formulace, nejednoznačné pojmy nebo možnosti odpovědí, které neodpovídají tomu, jak si lidé o daném tématu skutečně myslí.
Jak analyzovat data Likertovy škály
Právě zde mnoho výzkumníků naráží na pochybnosti. Analytický přístup závisí na tom, zda pracujete s jednotlivými položkami Likertovy škály nebo s agregovanými skóre Likertovy škály.
Debata o ordinálním vs. intervalovém
Jednotlivé položky Likertova klasifikace produkují ordinální data. Kategorie odpovědí mají jasné pořadí, ale vzdálenost mezi nimi není matematicky zaručena stejná. „Rozhodně souhlasím“ je pozitivnější než „souhlasím“, ale je rozdíl mezi nimi stejný jako mezi „nesouhlasím“ a „rozhodně nesouhlasím“? Neexistuje způsob, jak si být jistý.
Představte si ordinální data jako umístění v závodě: víte, že první přišel před druhým, ale nemůžete předpokládat, že rozdíl mezi prvním a druhým místem se rovná rozdílu mezi druhým a třetím místem. Složené skóre na Likertově stupnici se přibližuje měřené vzdálenosti, blíže k časovým údajům než k umístění v cíli.
Pokud však agregujete více položek do složeného skóre škály, mnoho výzkumníků považuje výsledná data za přibližně intervalová. Tento postoj má silnou podporu v literatuře. Výzkum Geoffa Normana a dalších ukázal, že parametrické testy (t-testy, ANOVA, Pearsonovy korelace) jsou dostatečně robustní, aby poskytly platné výsledky s daty Likertovy škály, a to i v případě, že je předpoklad o stejných intervalech do jisté míry porušen.
V praxi: pro jednotlivé položky se držte neparametrických metod. Pro agregované skóre škál z dobře navržených vícepoložkových nástrojů jsou obecně přijatelné parametrické testy.
Deskriptivní statistika
U jednotlivých položek Likertova modelu uveďte způsob (nejčastější odpověď) a frekvenční distribuce (procento respondentů v každé kategorii). Sloupcové grafy jsou nejjasnějším způsobem, jak vizualizovat odpovědi na jednotlivé položky.
Pro agregované skóre škály můžete nahlásit střední a standardní odchylka shrnout centrální tendenci a její šíření.
Inferenční statistiky
| Datový typ | Vhodné testy |
|---|---|
| Jednotlivé položky Likertova čísla (ordinální) | Chí-kvadrát, Mann-Whitneyho U, Kruskal-Wallis, Spearmanova korelace |
| Agregované skóre škály (považované za interval) | t-test, ANOVA, Pearsonova korelace, regrese |
Testování spolehlivosti
Než z vaší škály vyvodíte závěry, zkontrolujte její vnitřní konzistenci pomocí Cronbachova alfa. Hodnota nad 0.70 je obecně přijatelná a nad 0.80 je považována za velmi dobrou. Pokud má některá položka korigovanou korelaci mezi položkami a součtem nižší než 0.30, zvažte její odstranění, protože nemusí měřit stejný konstrukt jako ostatní položky.
Kontroly platnosti
Platnost obsahu zajišťuje, že vaše položky pokrývají celý rozsah konstrukce. Během fáze návrhu se poraďte s odborníky na danou problematiku.
Konstruktní validita lze posoudit pomocí faktorové analýzy, která potvrzuje, zda vaše položky odpovídají očekávaným teoretickým dimenzím.
Platnost kritéria porovnává vaše skóre na škále se zavedenou měrou stejného konstruktu. Silná korelace mezi těmito dvěma hodnotami podporuje validitu.
Reálné aplikace Likertových škál
Akademický výzkum
Ve výzkumu vzdělávání Likertovy škály běžně měří zapojení studentů, jejich sebeúčinnost a postoje k učení. Typický nástroj může zahrnovat 15 až 20 položek měřících různé aspekty akademické motivace, agregovaných do skóre subškál.
Zdravotní péče
Průzkumy spokojenosti pacientů, hodnocení účinnosti léčby a měření kvality života často používají Likertovy formáty. Například škála použitelnosti systému (SUS) je známý desetibodový Likertův nástroj používaný k hodnocení použitelnosti zdravotnických informačních systémů a zdravotnických prostředků.
Zapojení zaměstnanců
Organizace používají pulzní průzkumy založené na Likertově metodě ke sledování spokojenosti zaměstnanců, psychologické bezpečnosti a organizační angažovanosti v průběhu času. Standardizovaný formát usnadňuje porovnávání výsledků napříč odděleními a čtvrtletími.
Průzkum trhu
Studie vnímání značky, průzkumy zákaznické zkušenosti a nástroje pro zpětnou vazbu k produktům se silně spoléhají na Likertovy škály. Net Promoter Score (NPS), ačkoli je technicky vzato jiný formát, sdílí stejný koncepční základ měření sentimentu na stupňovitém spektru.
Živá zpětná vazba od publika
Právě zde se objevují nejsilnější aplikace. Při pořádání školení, workshopu nebo konferenční prezentace vám sběr zpětné vazby na Likertově škále v reálném čase umožňuje měřit porozumění a spokojenost publika v průběhu prezentace, spíše než se spoléhat na vzpomínky po akci.
AhaSlides, komplexní platforma pro živé ankety, hodnotící škály, otázky a odpovědi, slovní mraky a kvízy, to činí praktickým tím, že umožňuje prezentujícím vkládat otázky s hodnocením na Likertově škále přímo do živých prezentací s okamžitou vizualizací odpovědí. Není potřeba žádný samostatný nástroj pro průzkumy.
Časté chyby, kterým je třeba se vyhnout
Použití jedné položky jako „měřítka“. Jedna otázka nestačí k vytvoření Likertovy škály. Jednotlivé položky jsou náchylnější k chybám měření a vlivům kontextu. Pro spolehlivé měření použijte alespoň čtyři až šest položek na konstrukt.
Ignorování rozdílu mezi Likertovými položkami a Likertovými škálami. Analýza jednotlivých položek pomocí parametrické statistiky (například výpočet průměru z jedné pětibodové otázky) je technicky nevhodná. Tyto metody si vyhraďte pro agregované skóre více položek.
Považání všech čísel za stejná. Přiřazení hodnot 1 až 5 k možnostem odpovědi automaticky neznamená, že data jsou na úrovni intervalu. V části o metodách buďte transparentní ohledně toho, jak s daty zacházíte a proč.
Zanedbání reverzního kódování. Pokud všechny vaše položky směřují stejným směrem, nedokážete rozlišit skutečný souhlas od zkreslení souhlasem.
Přílišné komplikování stupnice. Desetibodová stupnice s neoznačenými středními body vytváří zmatek a významně nezlepšuje kvalitu dat oproti dobře navržené pětibodové nebo sedmibodové verzi.








