Likert-asteikko tutkimuksessa: Käytännön opas suunnitteluun, tyyppeihin ja analyysiin

Useimmat Likert-asteikkoja tutkimuksessa käyttävät ihmiset eivät ole koskaan oppineet suunnittelemaan tai analysoimaan niitä kunnolla. Tämä opas käsittelee sitä, mitä Likert-asteikot oikeastaan ​​mittaavat, miten valita oikea tyyppi, miten suunnitellaan selkeää dataa tuottavia kohtia ja mitä tilastollisia testejä voidaan käyttää, jotta seuraava kyselytutkimuksesi antaa tuloksia, joiden perusteella voit toimia.

Oletpa sitten koulutusarviointeja suunnitteleva oppimisen ja kehittämisen ammattilainen, henkilöstöpäällikkö, joka suorittaa sitoutumiskyselyitä, tai yhteiskuntatieteiden tutkija, nämä periaatteet pätevät.

Käymme läpi, mitä Likert-asteikko oikeastaan ​​mittaa, mitä eri tyyppejä on valittavana, kuinka suunnitellaan tehokkaita Likert-asteikolla tehtäviä kysymyksiä, kuinka analysoidaan saatua dataa ja mitkä ovat yleisimmät sudenkuopat, jotka kompastavat jopa kokeneita tutkijoita.

Mikä on Likert-asteikko?

Likert-asteikko on psykometrinen työkalu, jota käytetään kyselylomakkeissa ja kyselytutkimuksissa asenteiden, mielipiteiden, havaintojen ja käyttäytymisen mittaamiseen. Yksinkertaisen kyllä/ei-kysymyksen sijaan vastaajat voivat ilmaista tunteidensa voimakkuutta porrastetulla skaalalla.

Jokainen Likert-asteikko koostuu useista yksittäisistä väittämistä, joita kutsutaan Likert-kysymyksiksi. Vastaaja lukee jokaisen väittämän ja valitsee joukosta järjestettyjä vastausvaihtoehtoja, jotka tyypillisesti vaihtelevat vahvasta negatiivisesta kannasta neutraalin keskikohdan kautta vahvaan positiiviseen kantaan.

Esimerkiksi viiden pisteen samaa mieltä -asteikko näyttää tältä:

Likertin alkuperäisen menetelmän keskeinen periaate on, että lopullinen pistemäärä on yhdistelmä. Yksittäistä kohtaa ei analysoida erikseen. Sen sijaan useiden toisiinsa liittyvien kohtien vastaukset lasketaan yhteen tai keskiarvoistetaan, jolloin saadaan asteikolla mitattavaa taustalla olevaa asennetta heijastava pistemäärä.

Likert-asteikko vs. Likert-kohde: Tällä erolla on merkitystä. Yksittäinen kysymys, jossa on viiden pisteen vastausmuoto, on Likert-tehtävä. Likert-asteikko on täydellinen joukko toisiinsa liittyviä kysymyksiä (yleensä neljästä kymmeneen), jotka on suunniteltu mittaamaan yhtä konstruktiota. Monet tutkijat käyttävät näitä termejä keskenään, mutta teknisesti ottaen asteikko on yhdistetty mittari.

Likert-asteikkojen tyypit

Oikean Likert-asteikon valinta riippuu siitä, mitä mittaat ja kuinka paljon vivahteita tarvitset vastaajiltasi.

Unipolaariset vs. bipolaariset asteikot

Unipolaariset asteikot mittaa yhtä ulottuvuutta nollasta äärimmäisyyteen. Ne toimivat hyvin, kun haluat arvioida, kuinka paljon yhtä ominaisuutta esiintyy. Esimerkkejä ovat "ei lainkaan tyytyväinen" - "erittäin tyytyväinen" tai "ei koskaan" - "aina".

Kaksisuuntainen mielialahäiriö mittaa kahta vastakkaista konstruktiota neutraalilla keskipisteellä. Klassinen samaa/eri mieltä -muoto on kaksisuuntainen, koska se ulottuu vahvasta erimielisyydestä neutraalisuuden kautta vahvaan yksimielisyyteen. Nämä ovat ihanteellisia, kun sinun on otettava huomioon sekä myönteiset että kielteiset kannat jostakin asiasta.

Tutkimukset viittaavat siihen, että unipolaariset asteikot toimivat parhaiten viidellä vastepisteellä, kun taas bipolaariset asteikot ovat tarkimpia seitsemällä pisteellä (kolme pisteellä todellisen neutraalin keskipisteen kummallakin puolella).

Pariton vs. parillinen määrä pisteitä

Parittomat asteikot (3, 5 tai 7 pistettä) sisältävät neutraalin keskikohdan vaihtoehdon. Viiden ja seitsemän pisteen versiot ovat yleisimmin käytettyjä julkaistuissa tutkimuksissa. Keskikohdan sisällyttäminen antaa vastaajille, joilla ei todellakaan ole mielipidettä, mahdollisuuden ilmaista se rehellisesti sen sijaan, että heidän olisi pakko valita puolensa.

Parilliset asteikot (4, 6 tai 8 pistettä) poista neutraali vaihtoehto kokonaan. Tämä "pakotetun valinnan" lähestymistapa on hyödyllinen, kun vastaajien on erityisesti kallistuttava jompaankumpaan suuntaan, kuten tuotepalautteessa, jossa neutraali vastaus ei ole käytännöllinen.

Kuinka monta pistettä sinun pitäisi käyttää?

Tämä on yksi kyselytutkimusten suunnittelussa eniten keskustelua herättäneistä kysymyksistä. Tässä on mitä tutkimus kertoo meille:

• Viisi–seitsemän pistettä tarjoavat yleensä parhaan tasapainon luotettavuuden, herkkyyden ja vastaamisen helppouden välillä. Tutkimukset ovat osoittaneet, että luotettavuus paranee siirryttäessä kahdesta viiteen pisteeseen, mutta tulokset pienenevät seitsemän jälkeen.
• Alle viisi pistettä vähentää datasi tarkkuutta ja voi hämärtää merkityksellisiä eroja vastaajien välillä.
• Yli seitsemän pistettä lisää kognitiivista taakkaa parantamatta merkittävästi datan laatua. Vastaajilla alkaa olla vaikeuksia erottaa vierekkäisiä vaihtoehtoja toisistaan.
• Mobiilivastaajat ja lyhyet kyselyt Hyödynnä viisi merkittyä kohtaa selkeämpien ja nopeampien vastausten saamiseksi.

Käytännössä: käytä useimmissa sovelluksissa oletusarvoisesti viiden pisteen asteikkoa ja siirry seitsemään pisteeseen, kun tarvitset tarkempia eroja tai mitattaessa bipolaarisia rakenteita.

Yleiset mittakaavat

Likert-asteikot eivät rajoitu yksimielisyyteen. Tässä ovat tutkimuksessa yleisimmin käytetyt vastausdimensiot:

Miksi Likert-asteikko on tärkeä tutkimuksessa

Likert-asteikko on pysynyt hallitsevana kyselytutkimusten mittaustyökaluna yli 90 vuoden ajan useista käytännön syistä.

edut

Standardointi ja vertailukelpoisuus. Jokainen vastaaja vastaa samoihin kysymyksiin samassa muodossa, mikä tekee datan vertailun yksilöiden, ryhmien ja ajanjaksojen välillä helpoksi. Tämä johdonmukaisuus on olennaista pitkittäistutkimuksissa ja kulttuurienvälisessä tutkimuksessa.

Määrittää subjektiivisen kokemuksen. Asenteet ja mielipiteet ovat luonnostaan ​​abstrakteja. Likert-formaatti muuntaa nämä subjektiiviset tunteet numeeriseksi dataksi, jota voidaan analysoida tilastollisesti, jolloin tutkijat voivat tunnistaa malleja, korrelaatioita ja merkittäviä eroja.

Tasapainottaa syvyyttä tehokkuuden kanssa. Avoimiin kysymyksiin verrattuna Likert-kysymykset ovat nopeampia vastaajille ja helpompia tutkijoille analysoida. Binäärisiin kyllä/ei-kysymyksiin verrattuna ne kuvaavat paljon enemmän vivahteita vastaajan kannan intensiteetistä.

Korkea luotettavuus, kun se on hyvin suunniteltu. Usean kohdan Likert-asteikot, jotka mittaavat samaa konstruktiota, tuottavat yleensä luotettavia tuloksia. Kun yhdistät vastauksia useista toisiinsa liittyvistä kohdista, vähennät yksittäisten poikkeavien vastausten tai hetkellisten häiriötekijöiden vaikutusta.

Joustavuus. Muoto mukautuu käytännössä mihin tahansa tutkimusalueeseen: potilastyytyväisyyteen terveydenhuollossa, työntekijöiden sitoutumiseen henkilöstöhallinnossa, opiskelijoiden kurssiarviointeihin koulutuksessa, brändiymmärrykseen markkinoinnissa ja mielipidemittauksiin valtiotieteessä.

Haitat ja yleiset vinoumat

Mikään mittaustyökalu ei ole täydellinen, ja Likert-asteikkojen rajoitusten ymmärtäminen on aivan yhtä tärkeää kuin niiden vahvuuksien tunteminen.

Myöntymisvinouma. Jotkut vastaajat ovat usein samaa mieltä väittämistä niiden sisällöstä riippumatta. Tämä on erityisen ongelmallista, kun kaikki kohdat on muotoiltu samaan suuntaan. Käänteisesti koodattujen kohtien (joissa samaa mieltä oleminen osoittaa kielteistä kantaa) sisällyttäminen auttaa havaitsemaan ja vähentämään tätä vinoumaa.

Keskeinen taipumusharha. Monet vastaajat välttävät äärimmäisiä vaihtoehtoja ja ryhmittelevät vastauksensa asteikon keskivaiheille. Tämä supistaa kerättävän tiedon kirjoa ja voi peittää aitoja mielipide-eroja.

Sosiaalisen haluttavuuden vinouma. Kun kyselyn aiheet ovat arkaluontoisia (työpaikkakulttuuri, henkilökohtaiset terveystottumukset, poliittiset näkemykset), vastaajat saattavat valita vastauksia, joiden mielestään ne ovat sosiaalisesti hyväksyttävämpiä kuin totuudenmukaisia. Anonyymi kysely auttaa lieventämään tätä.

Järjestysluku-, ei intervallidataa. Tarkkaan ottaen etäisyys "täysin eri mieltä" ja "eri mieltä" välillä ei välttämättä ole yhtä suuri kuin etäisyys "samaa mieltä" ja "täysin samaa mieltä". Tämä on pitkään jatkuneen tilastollisen keskustelun lähde siitä, voidaanko parametrisia testejä (kuten t-testejä ja ANOVAa) käyttää Likert-datassa. Käsittelemme tätä yksityiskohtaisemmin alla olevassa analyysiosiossa.

Olettaa lineaarisen asennespektrin. Likert-asteikot olettavat, että asenteet esiintyvät suoralla jatkumolla negatiivisesta positiiviseen. Todellisuudessa jotkut asenteet ovat monimutkaisempia ja moniulotteisempia kuin yksi asteikko pystyy kuvaamaan.

Kuinka suunnitella tehokkaita Likert-asteikolla tehtäviä kysymyksiä

Hyvä data alkaa hyvistä kysymyksistä. Nämä suunnitteluperiaatteet pätevät kaikkiin Likert-pohjaisiin kyselyihin.

1. Aloita selkeillä tutkimustavoitteilla

Ennen kuin kirjoitat yksittäisen kohdan, määrittele tarkalleen, mitä rakennetta mittaat ja mihin päätöksiin tiedot perustuvat. Likert-asteikko, joka mittaa "asiakastyytyväisyyttä perehdytykseen", vaatii erilaisia ​​kohtia kuin "työntekijöiden luottamusta johtajuuteen" mittaava asteikko.

2. Kirjoita selkeitä ja yksiselitteisiä kohtia

Kunkin väittämän tulisi käsitellä vain yhtä ajatusta. Vältä kaksijakoisia kysymyksiä, kuten "Koulutus oli informatiivinen ja mukaansatempaava", koska vastaaja saattaa olla samaa mieltä toisen osan kanssa ja eri mieltä toisen kanssa.

Muita parhaita käytäntöjä artikkelien kirjoittamiseen:

• Käytä yksinkertaista, arkikieltä. Vältä ammattikieltä, ellei kohdeyleisösi ole erikoistunut.
• Pidä lauseet lyhyinä. Pyri alle 20 sanaan per lause.
• Vältä johdattelevaa kieltä, joka ohjaa vastaajia kohti tiettyä vastausta.
• Älä käytä kaksoiskieltoja ("En ole eri mieltä...").
• Sisällytä sekä myönteisesti että kielteisesti muotoiltuja kohtia vähentääksesi suostumusvinoumaa.

3. Valitse vastausotsikot huolellisesti

Jokainen asteikon piste tarvitsee selkeän ja yksiselitteisen nimikkeen. Tutkimukset osoittavat, että numeroidut asteikot (joissa jokaisella pisteellä on sanallinen kuvaus) ovat luotettavuutta ja vastaajan ymmärtämistä parempia kuin pelkät numeroidut asteikot.

Varmista, että otsikot ovat symmetriset. Viisiportaisessa samaa mieltä -asteikossa "Täysin eri mieltä, Eri mieltä, En samaa eikä eri mieltä, Samaa mieltä, Täysin samaa mieltä" pysyy käsitteellisesti yhtä kaukana neutraalin keskipisteen molemmilta puolilta.

4. Päätä neutraali keskipiste

Keskikohdan (kuten "ei samaa eikä eri mieltä") sisällyttäminen antaa vastaajille rehellisen vastauksen, jos heillä ei ole mielipidettä. Sen poisjättäminen pakottaa suuntaa antavaan valintaan. Kumpikaan lähestymistapa ei ole universaalisti oikea; oikea päätös riippuu tutkimustavoitteistasi.

Jos epäilet, että vastaajat saattavat valita neutraalin vaihtoehdon välttääkseen ajattelemista, harkitse erillisen "En tiedä"- tai "Ei sovelleta" -vaihtoehdon lisäämistä erottaaksesi aidon neutraaliuden vastaamattomuudesta.

5. Käytä käänteisesti koodattuja esineitä

Joidenkin kohtien sisällyttäminen, joissa samaa mieltä oleminen osoittaa kielteistä asennetta (esim. "Minun on vaikea seurata tätä koulutusta"), palvelee kahta tarkoitusta. Ensinnäkin se pakottaa vastaajat lukemaan jokaisen kohdan huolellisesti sen sijaan, että he merkitsisivät saman vastauksen läpi koko ajan. Toiseksi se antaa mahdollisuuden tarkistaa sisäisen johdonmukaisuuden analyysin aikana varmistamalla, että käänteisesti koodatut kohdat korreloivat negatiivisesti positiivisesti muotoiltujen kohtien kanssa.

6. Pilottikoe kognitiivisilla haastatteluilla

Ennen kuin käynnistät täyden kyselyn, testaa kysymyksiäsi pienellä ryhmällä (viidestä kahteenkymmeneenviisi henkilöä). Pyydä heitä ajattelemaan ääneen vastatessaan. Tämä paljastaa hämmentäviä sanamuotoja, monitulkintaisia ​​termejä tai vastausvaihtoehtoja, jotka eivät vastaa sitä, miten ihmiset todellisuudessa ajattelevat aiheesta.

Likert-asteikon datan analysointi

Tässä kohtaa monet tutkijat kompastuvat. Analyysitapa riippuu siitä, työskenteletkö yksittäisten Likert-kohteiden vai yhdistettyjen Likert-asteikon pisteiden kanssa.

Ordinaali vs. intervalli -keskustelu

Yksittäiset Likert-kohdat tuottavat ordinaalidataa. Vastausluokilla on selkeä järjestys, mutta niiden välistä etäisyyttä ei ole matemaattisesti taattu olevan sama. "Täysin samaa mieltä" on positiivisempi kuin "samaa mieltä", mutta onko niiden välinen ero sama kuin "eri mieltä" ja "täysin eri mieltä" välillä? Tästä ei ole mitään varmuutta.

Ajattele ordinaalidataa, kuten kilpailun loppusijoituksia: tiedät, että ensimmäinen tuli ennen toista, mutta et voi olettaa, että ensimmäisen ja toisen välinen ero on yhtä suuri kuin toisen ja kolmannen välinen ero. Yhdistelmä-Likert-asteikolla saadut pisteet liikkuvat lähempänä mitattua etäisyyttä, lähempänä ajoitusdataa kuin loppusijoituksia.

Kuitenkin, kun useita kohtia yhdistetään pistemääräksi, monet tutkijat käsittelevät tuloksena olevaa dataa likimääräisesti intervallina. Tällä näkemyksellä on vahva tuki kirjallisuudessa. Geoff Normanin ja muiden tutkimukset ovat osoittaneet, että parametriset testit (t-testit, ANOVA, Pearsonin korrelaatiot) ovat riittävän luotettavia tuottaakseen valideja tuloksia Likert-asteikolla, vaikka yhtäläisen aikavälin oletusta rikottaisiin jossain määrin.

Käytännössä: yksittäisten kysymysten kohdalla kannattaa käyttää ei-parametrisia menetelmiä. Hyvin suunniteltujen monikohtaisten mittausvälineiden aggregoitujen asteikkojen pistemäärien osalta parametriset testit ovat yleensä hyväksyttäviä.

Kuvailevia tilastoja

Yksittäisten Likert-kohteiden osalta ilmoita tila (yleisin vastaus) ja taajuusjakauma (vastaajien prosenttiosuus kussakin kategoriassa). Pylväsdiagrammit ovat selkein tapa visualisoida yksittäisten kysymysten vastauksia.

Yhdistettyjen asteikkojen pisteiden osalta voit raportoida tarkoittaa ja standardipoikkeama tiivistää keskeinen taipumus ja leviäminen.

Alkuperäiset tilastot

Luotettavuustestaus

Ennen kuin teet johtopäätöksiä asteikostasi, tarkista sen sisäinen johdonmukaisuus Cronbachin alfan avulla. Yli 0.70:n arvo on yleensä hyväksyttävä, ja yli 0.80:n arvoa pidetään erittäin hyvänä. Jos jonkin yksittäisen kohdan korjattu kohdan ja kokonaiskorrelaatio on alle 0.30, harkitse sen poistamista, koska se ei välttämättä mittaa samaa käsitettä kuin muut kohdat.

Voimassaolotarkastukset

Sisällön kelpoisuus varmistaa, että tuotteesi kattavat koko rakennelman. Ota yhteyttä asiantuntijoihin suunnitteluvaiheessa.

Rakennevaliditeetti voidaan arvioida faktorianalyysin avulla, joka varmistaa, vastaavatko kohteesi odotettuja teoreettisia ulottuvuuksia.

Kriteerien pätevyys vertaa asteikon pisteitäsi saman rakenteen vakiintuneeseen mittariin. Vahva korrelaatio näiden kahden välillä tukee validiteettia.

Likert-asteikkojen reaalimaailman sovellukset

Akateeminen tutkimus

Koulutustutkimuksessa Likert-asteikot mittaavat yleisesti opiskelijoiden sitoutumista, itseluottamusta ja asenteita oppimista kohtaan. Tyypillinen väline voi sisältää 15–20 kysymystä, jotka mittaavat akateemisen motivaation eri osa-alueita ja jotka on koottu ala-asteikoiksi.

Terveydenhuolto

Potilastyytyväisyyskyselyissä, hoitojen tehokkuuden arvioinneissa ja elämänlaadun mittaamisessa käytetään usein Likert-muotoja. Esimerkiksi järjestelmän käytettävyysasteikko (SUS) on tunnettu kymmenkohtainen Likert-mittari, jota käytetään terveystietojärjestelmien ja lääkinnällisten laitteiden käytettävyyden arviointiin.

Työntekijöiden sitoutuminen

Organisaatiot käyttävät Likert-pohjaisia ​​pulssikyselyitä seuratakseen työntekijöiden tyytyväisyyttä, psykologista turvallisuutta ja organisaation sitoutumista ajan kuluessa. Standardoitu muoto helpottaa tulosten vertailua osastojen ja neljännesvuosien välillä.

Markkinatutkimus

Brändin käsitystutkimukset, asiakaskokemuskyselyt ja tuotepalautemittarit perustuvat vahvasti Likert-asteikkoihin. Vaikka Net Promoter Score (NPS) on teknisesti erilainen muoto, se käyttää samaa käsitteellistä perustaa mielipiteen mittaamiseen porrastetulla skaalalla.

Live-yleisön palaute

Tässä kohtaa vahvimmat sovellukset nousevat esiin. Kun pidät koulutustilaisuutta, työpajaa tai konferenssiesitelmää, Likert-asteikolla kerätty palaute reaaliajassa antaa sinulle mahdollisuuden mitata yleisön ymmärrystä ja tyytyväisyyttä tilaisuuden edetessä sen sijaan, että luottaisit tapahtuman jälkeisiin muistikuviin.

AhaSlides, joka on kaikenkattava alusta reaaliaikaisille kyselyille, arviointiasteikoille, kysymys- ja vastausosioille, sanapilville ja tietokilpailuille, tekee tästä käytännöllisen antamalla esittäjille mahdollisuuden upottaa Likert-asteikolla tehtyjä arviointikysymyksiä suoraan reaaliaikaisiin esityksiin, ja vastaukset visualisoidaan välittömästi. Erillistä kyselytyökalua ei tarvita.

Yhteinen virheitä välttää

Yhden kohteen käyttäminen "asteikkona". Yksi kysymys ei muodosta Likert-asteikkoa. Yksittäiset kohdat ovat alttiimpia mittausvirheille ja kontekstivaikutuksille. Käytä vähintään neljästä kuuteen kohtaa rakennetta kohden luotettavan mittauksen saavuttamiseksi.

Likert-kohteiden ja Likert-asteikkojen välisen eron jättäminen huomiotta. Yksittäisten kysymysten analysointi parametristen tilastojen avulla (esimerkiksi yhden viiden pisteen kysymyksen keskiarvon laskeminen) on teknisesti sopimatonta. Varaa nämä menetelmät usean kohdan yhdistettyihin pistemääriin.

Kaikkien lukujen kohteleminen tasavertaisina. Asteikkojen 1–5 antaminen vastausvaihtoehdoille ei automaattisesti tee datasta aikavälitason. Ole menetelmäosiossasi avoin siitä, miten käsittelet dataa ja miksi.

Käänteisen koodauksen laiminlyönti. Jos kaikki kysymyksesi osoittavat samaan suuntaan, et voi erottaa aitoa samaa mieltä olemista myötäilyvinoumasta.

Skaalan liiallinen monimutkaisuus. Kymmenen pisteen asteikko, jossa ei ole nimettömiä keskipisteitä, aiheuttaa hämmennystä eikä paranna merkittävästi datan laatua hyvin suunniteltuun viiden tai seitsemän pisteen versioon verrattuna.

‍