Kebanyakan orang yang menggunakan skala Likert dalam penyelidikan tidak pernah diajar untuk mereka bentuk atau menganalisisnya dengan betul. Panduan ini merangkumi apa yang sebenarnya diukur oleh skala Likert, cara memilih jenis yang betul, cara mereka bentuk item yang menghasilkan data yang bersih dan ujian statistik yang terpakai, jadi tinjauan anda yang seterusnya memberikan anda hasil yang boleh anda ambil tindakan.
Sama ada anda seorang profesional L&D yang mereka bentuk penilaian latihan, pengurus HR yang menjalankan tinjauan penglibatan atau penyelidik dalam sains sosial, prinsip-prinsip di sini terpakai.
Kita akan membincangkan tentang apa yang sebenarnya diukur oleh skala Likert, pelbagai jenis yang boleh anda pilih, cara mereka bentuk soalan skala Likert yang berkesan, cara menganalisis data yang terhasil dan kelemahan biasa yang menjengkelkan walaupun penyelidik yang berpengalaman.
Apakah skala Likert?
Skala Likert ialah alat psikometrik yang digunakan dalam soal selidik dan tinjauan untuk mengukur sikap, pendapat, persepsi dan tingkah laku. Daripada menanyakan soalan ya/tidak yang mudah, ia membolehkan responden meluahkan keamatan perasaan mereka di sepanjang spektrum yang dinilai.
Setiap skala Likert terdiri daripada berbilang pernyataan individu yang dipanggil item Likert. Responden membaca setiap pernyataan dan memilih daripada satu set pilihan respons yang tersusun, biasanya bermula daripada kedudukan negatif yang kuat melalui titik tengah neutral hingga kedudukan positif yang kuat.
Contohnya, skala persetujuan lima mata kelihatan seperti ini:
| Pilihan respons | Nilai berangka |
|---|---|
| Sangat tidak setuju | 1 |
| Tidak bersetuju | 2 |
| Tidak bersetuju mahupun tidak bersetuju | 3 |
| Bersetuju | 4 |
| Sangat bersetuju | 5 |
Prinsip utama di sebalik metodologi asal Likert ialah skor akhir adalah gabungan. Anda tidak menganalisis satu item secara berasingan. Sebaliknya, anda menjumlahkan atau meratakan respons merentasi pelbagai item berkaitan untuk menghasilkan skor skala yang mencerminkan sikap asas yang diukur.
Skala Likert vs item Likert: Perbezaan ini penting. Satu soalan dengan format respons lima mata ialah item Likert. Skala Likert ialah set lengkap item berkaitan (biasanya empat hingga sepuluh) yang direka untuk mengukur satu konstruk. Ramai penyelidik menggunakan istilah ini secara bergantian, tetapi secara teknikalnya, skala ialah ukuran agregat.
Jenis-jenis skala Likert
Memilih jenis skala Likert yang betul bergantung pada apa yang anda ukur dan berapa banyak nuansa yang anda perlukan daripada responden anda.
Skala unipolar vs bipolar
Skala unipolar mengukur satu dimensi dari sifar hingga ekstrem. Ia berfungsi dengan baik apabila anda ingin menilai sejauh mana kualiti tunggal wujud. Contohnya termasuk "langsung tidak berpuas hati" hingga "sangat berpuas hati" atau "tidak pernah" hingga "selalu".
Skala bipolar mengukur dua konstruk yang bertentangan dengan titik tengah neutral. Format setuju/tidak setuju klasik adalah bipolar kerana ia merangkumi daripada perselisihan pendapat yang kuat melalui berkecuali kepada persetujuan yang kuat. Ini sesuai apabila anda perlu menangkap kedua-dua pendirian positif dan negatif mengenai sesuatu isu.
Kajian menunjukkan bahawa skala unipolar menunjukkan prestasi terbaik dengan lima titik tindak balas, manakala skala bipolar paling tepat dengan tujuh titik (tiga pada setiap sisi titik tengah neutral sebenar).
Bilangan mata ganjil vs genap
Skala bernombor ganjil (3, 5, atau 7 mata) termasuk pilihan tengah yang neutral. Versi lima mata dan tujuh mata adalah yang paling biasa digunakan dalam penyelidikan yang diterbitkan. Memasukkan titik tengah itu membolehkan responden yang benar-benar tidak mempunyai pendapat untuk menyatakannya secara jujur dan bukannya terpaksa memilih pihak lain.
Skala bernombor genap (4, 6, atau 8 mata) menghapuskan pilihan neutral sepenuhnya. Pendekatan "pilihan paksa" ini berguna apabila anda secara khusus memerlukan responden untuk memilih satu arah atau yang lain, seperti dalam maklum balas produk di mana respons neutral tidak boleh diambil tindakan.
Berapa banyak mata yang perlu anda gunakan?
Ini adalah salah satu soalan yang paling banyak dibahaskan dalam reka bentuk tinjauan. Inilah yang diberitahu oleh kajian ini:
- Lima hingga tujuh mata secara amnya memberikan keseimbangan terbaik antara kebolehpercayaan, sensitiviti dan kemudahan responden. Kajian mendapati bahawa kebolehpercayaan bertambah baik apabila anda beralih dari dua kepada lima mata tetapi menunjukkan pulangan yang semakin berkurangan melebihi tujuh.
- Kurang daripada lima mata mengurangkan kebutiran data anda dan boleh mengaburkan perbezaan yang bermakna antara responden.
- Lebih daripada tujuh mata menambah beban kognitif tanpa meningkatkan kualiti data dengan ketara. Responden mula menghadapi kesukaran membezakan antara pilihan bersebelahan.
- Responden mudah alih dan tinjauan ringkas manfaatkan lima mata berlabel untuk jawapan yang lebih jelas dan pantas.
Dalam praktiknya: tetapkan skala lima mata secara lalai untuk kebanyakan aplikasi dan beralih kepada tujuh mata apabila anda memerlukan perbezaan yang lebih halus atau semasa mengukur konstruk bipolar.
Dimensi skala biasa
Skala Likert tidak terhad kepada persetujuan. Berikut adalah dimensi respons yang paling kerap digunakan dalam penyelidikan:
| Dimensi | Sauh rendah | Sauh tinggi |
|---|---|---|
| Perjanjian | Sangat tidak setuju | Sangat bersetuju |
| Kekerapan | Jangan sekali-kali | Sentiasa |
| kepentingan | Sama sekali tidak penting | Sangat penting |
| Kepuasan | Sangat tidak puas hati | Sangat berpuas hati |
| Kemungkinan | Sangat tidak mungkin | Kemungkinan besar |
| Kualiti | Sangat miskin | Cemerlang |
Mengapa skala Likert penting dalam penyelidikan
Skala Likert kekal sebagai alat pengukuran tinjauan yang dominan selama lebih 90 tahun atas beberapa sebab praktikal.
kelebihan
Penyeragaman dan perbandingan. Setiap responden menjawab set item yang sama dalam format yang sama, yang menjadikannya mudah untuk membandingkan data merentasi individu, kumpulan dan tempoh masa. Ketekalan ini penting untuk kajian longitudinal dan penyelidikan silang budaya.
Mengukur pengalaman subjektif. Sikap dan pendapat secara semulajadinya bersifat abstrak. Format Likert menukar perasaan subjektif ini kepada data berangka yang boleh dianalisis secara statistik, membolehkan penyelidik mengenal pasti corak, korelasi dan perbezaan yang ketara.
Mengimbangi kedalaman dengan kecekapan. Berbanding dengan soalan terbuka, item Likert lebih cepat dilengkapkan oleh responden dan lebih mudah dianalisis oleh penyelidik. Berbanding dengan soalan binari ya/tidak, ia menangkap lebih banyak nuansa tentang keamatan kedudukan responden.
Kebolehpercayaan yang tinggi apabila direka bentuk dengan baik. Skala Likert berbilang item yang mengukur konstruk yang sama cenderung menghasilkan keputusan yang boleh dipercayai. Apabila anda mengagregatkan respons merentasi beberapa item yang berkaitan, anda mengurangkan kesan sebarang respons luar tunggal atau gangguan seketika.
Fleksibiliti. Format ini sesuai untuk hampir semua domain penyelidikan: kepuasan pesakit dalam penjagaan kesihatan, penglibatan pekerja dalam HR, penilaian kursus pelajar dalam pendidikan, persepsi jenama dalam pemasaran dan tinjauan pendapat umum dalam sains politik.
Kelemahan dan bias biasa
Tiada alat pengukuran yang sempurna, dan memahami batasan skala Likert adalah sama pentingnya dengan mengetahui kekuatannya.
Bias persetujuan. Sesetengah responden cenderung bersetuju dengan pernyataan tanpa mengira kandungan. Ini amat menyusahkan apabila semua item disusun mengikut arah yang sama. Menyertakan item berkod terbalik (yang mana persetujuan menunjukkan kedudukan negatif) membantu mengesan dan mengurangkan bias ini.
Bias kecenderungan pusat. Ramai responden mengelakkan pilihan yang ekstrem dan mengelompokkan jawapan mereka di pertengahan skala. Ini memampatkan julat data yang anda kumpulkan dan boleh menutup perbezaan pendapat yang tulen.
Bias keinginan sosial. Apabila topik tinjauan sensitif (budaya tempat kerja, tingkah laku kesihatan peribadi, pandangan politik), responden boleh memilih jawapan yang mereka percaya lebih diterima secara sosial dan bukannya benar. Pentadbiran tanpa nama membantu mengurangkan perkara ini.
Data ordinal, bukan data selang. Secara tepatnya, jarak antara "sangat tidak setuju" dan "tidak setuju" mungkin tidak sama dengan jarak antara "setuju" dan "sangat setuju." Inilah punca perdebatan statistik yang berlarutan tentang sama ada anda boleh menggunakan ujian parametrik (seperti ujian-t dan ANOVA) pada data Likert. Kami akan membincangkannya dengan lebih terperinci dalam bahagian analisis di bawah.
Menganggap spektrum sikap linear. Skala Likert mengandaikan bahawa sikap wujud pada kontinum lurus dari negatif ke positif. Pada hakikatnya, sesetengah sikap lebih kompleks dan berbilang dimensi daripada yang dapat ditangkap oleh skala tunggal.
Cara mereka bentuk soalan skala Likert yang berkesan

Data yang baik bermula dengan soalan yang baik. Prinsip reka bentuk ini terpakai kepada mana-mana tinjauan berasaskan Likert.
1. Mulakan dengan objektif penyelidikan yang jelas
Sebelum menulis satu item, tentukan dengan tepat konstruk yang anda ukur dan keputusan yang akan dimaklumkan oleh data tersebut. Skala Likert yang mengukur "kepuasan pelanggan dengan onboarding" memerlukan item yang berbeza daripada yang mengukur "keyakinan pekerja terhadap kepimpinan."
2. Tulis item yang jelas dan tidak samar-samar
Setiap pernyataan harus membincangkan satu idea sahaja. Elakkan soalan bertindih seperti "Latihan ini bermaklumat dan menarik" kerana responden mungkin bersetuju dengan separuh pendapat dan tidak bersetuju dengan yang lain.
Amalan terbaik penulisan item lain:
- Gunakan bahasa yang mudah dan ringkas. Elakkan jargon melainkan khalayak anda khusus.
- Pastikan penyataan pendek. Sasarkan kurang daripada 20 patah perkataan setiap item.
- Elakkan penggunaan bahasa yang mengarah responden ke arah jawapan tertentu.
- Jangan gunakan negatif berganda ("Saya tidak tidak bersetuju dengan...").
- Sertakan campuran item yang ditulis secara positif dan negatif untuk mengurangkan bias persetujuan.
3. Pilih label respons dengan teliti
Setiap titik pada skala anda memerlukan label yang jelas dan tidak samar-samar. Kajian menunjukkan bahawa skala berlabel (di mana setiap titik mempunyai penerangan perkataan) mengatasi skala bernombor sahaja dari segi kebolehpercayaan dan pemahaman responden.
Pastikan label anda simetri. Untuk skala persetujuan lima mata, "Sangat tidak setuju, Tidak setuju, Tidak setuju mahupun tidak setuju, Setuju, Sangat setuju" mengekalkan jarak konsep yang sama di kedua-dua belah titik tengah neutral.
4. Tentukan titik tengah neutral
Memasukkan titik tengah (seperti "tidak setuju atau tidak setuju") memberi responden peluang untuk berterus terang apabila mereka tidak mempunyai pendapat. Mengecualikannya memaksa pilihan berarah. Kedua-dua pendekatan ini tidak betul secara universal; keputusan yang tepat bergantung pada matlamat penyelidikan anda.
Jika anda mengesyaki responden mungkin memilih pilihan neutral secara lalai untuk mengelakkan pemikiran, pertimbangkan untuk menambah pilihan berasingan "Saya tidak tahu" atau "Tidak berkenaan" untuk membezakan neutraliti tulen daripada ketidakpatuhan.
5. Gunakan item berkod terbalik
Memasukkan beberapa item di mana persetujuan menunjukkan sikap negatif (contohnya, "Saya mendapati latihan ini sukar untuk diikuti") mempunyai dua tujuan. Pertama, ia memaksa responden untuk membaca setiap item dengan teliti dan bukannya menandakan respons yang sama sepanjang masa. Kedua, ia membolehkan anda menyemak ketekalan dalaman semasa analisis dengan mengesahkan bahawa item yang dikodkan terbalik berkorelasi negatif dengan item yang ditulis secara positif.
6. Ujian rintis dengan temu bual kognitif
Sebelum melancarkan tinjauan penuh, uji item anda dengan kumpulan kecil (lima hingga dua puluh lima orang). Minta mereka berfikir dengan kuat semasa menjawab. Ini mendedahkan perkataan yang mengelirukan, istilah yang samar-samar, atau pilihan respons yang tidak sepadan dengan cara orang ramai berfikir tentang topik tersebut.
Cara menganalisis data skala Likert
Di sinilah ramai penyelidik menghadapi kesukaran. Pendekatan analisis bergantung kepada sama ada anda menggunakan item Likert individu atau skor skala Likert agregat.
Perbahasan ordinal vs selang masa
Item Likert individu menghasilkan data ordinal. Kategori respons mempunyai susunan kedudukan yang jelas, tetapi jarak antara mereka tidak dijamin sama secara matematik. "Sangat setuju" adalah lebih positif daripada "setuju", tetapi adakah jurang antara mereka sama seperti antara "tidak setuju" dan "sangat tidak setuju"? Tiada cara untuk memastikannya.
Fikirkan data ordinal seperti kedudukan penamat dalam perlumbaan: anda tahu tempat pertama datang sebelum tempat kedua, tetapi anda tidak boleh menganggap jurang antara tempat pertama dan kedua sama dengan jurang antara tempat kedua dan ketiga. Skor skala Likert komposit bergerak lebih dekat kepada jarak yang diukur, lebih dekat kepada data masa berbanding kedudukan penamat.
Walau bagaimanapun, apabila anda mengagregatkan berbilang item ke dalam skor skala komposit, ramai penyelidik menganggap data yang terhasil sebagai selang anggaran. Pendirian ini mempunyai sokongan yang kuat dalam literatur. Kajian oleh Geoff Norman dan lain-lain telah menunjukkan bahawa ujian parametrik (ujian-t, ANOVA, korelasi Pearson) cukup kukuh untuk menghasilkan keputusan yang sah dengan data skala Likert, walaupun andaian selang sama agak dilanggar.
Dalam praktiknya: untuk item individu, gunakan kaedah bukan parametrik. Bagi skor skala agregat daripada instrumen berbilang item yang direka bentuk dengan baik, ujian parametrik secara amnya boleh diterima.
Statistik deskriptif
Untuk item Likert individu, laporkan mod (respons paling biasa) dan taburan frekuensi (peratusan responden dalam setiap kategori). Carta bar adalah cara paling jelas untuk menggambarkan respons item tunggal.
Untuk skor skala agregat, anda boleh melaporkan bermakna dan sisihan piawai untuk meringkaskan kecenderungan memusat dan penyebaran.
Statistik inferensi
| Jenis data | Ujian yang sesuai |
|---|---|
| Item Likert Tunggal (ordinal) | Khi kuasa dua, Mann-Whitney U, Kruskal-Wallis, korelasi Spearman |
| Skor skala agregat (dirawat sebagai selang) | ujian-t, ANOVA, korelasi Pearson, regresi |
Ujian kebolehpercayaan
Sebelum membuat kesimpulan daripada skala anda, periksa ketekalan dalamannya menggunakan alpha Cronbach. Nilai melebihi 0.70 secara amnya boleh diterima, dan melebihi 0.80 dianggap sangat baik. Jika mana-mana item mempunyai korelasi item-jumlah yang dibetulkan di bawah 0.30, pertimbangkan untuk mengalih keluarnya, kerana ia mungkin tidak mengukur konstruk yang sama seperti item lain.
Semakan kesahihan
Kesahan kandungan memastikan item anda meliputi skop penuh binaan. Rujuk pakar subjek semasa fasa reka bentuk.
Kesahan binaan boleh dinilai melalui analisis faktor, yang mengesahkan sama ada item anda dimuatkan pada dimensi teori yang dijangkakan.
Kesahan kriteria membandingkan skor skala anda dengan ukuran yang telah ditetapkan bagi konstruk yang sama. Korelasi yang kuat antara kedua-duanya menyokong kesahan.
Aplikasi skala Likert di dunia sebenar
penyelidikan akademik
Dalam penyelidikan pendidikan, skala Likert biasanya mengukur penglibatan pelajar, keberkesanan kendiri dan sikap terhadap pembelajaran. Instrumen biasa mungkin merangkumi 15 hingga 20 item yang mengukur pelbagai aspek motivasi akademik, yang diagregatkan ke dalam skor subskala.
Healthcare
Tinjauan kepuasan pesakit, penilaian keberkesanan rawatan dan ukuran kualiti hidup kerap menggunakan format Likert. Skala Kebolehgunaan Sistem (SUS), sebagai contoh, ialah instrumen Likert sepuluh item yang terkenal yang digunakan untuk menilai kebolehgunaan sistem maklumat kesihatan dan peranti perubatan.
Penglibatan pekerja
Organisasi menggunakan tinjauan nadi berasaskan Likert untuk menjejaki kepuasan pekerja, keselamatan psikologi dan komitmen organisasi dari semasa ke semasa. Format piawai memudahkan perbandingan keputusan merentasi jabatan dan suku tahunan.
Penyelidikan pasaran
Kajian persepsi jenama, tinjauan pengalaman pelanggan dan instrumen maklum balas produk sangat bergantung pada skala Likert. Skor Promoter Bersih (NPS), walaupun secara teknikalnya formatnya berbeza, berkongsi asas konseptual yang sama untuk mengukur sentimen pada spektrum yang dinilai.
Maklum balas penonton secara langsung
Di sinilah aplikasi terkuat muncul. Apabila anda menjalankan sesi latihan, bengkel atau pembentangan persidangan, pengumpulan maklum balas skala Likert dalam masa nyata membolehkan anda mengukur pemahaman dan kepuasan khalayak semasa sesi berlangsung dan bukannya bergantung pada ingatan selepas acara.
AhaSlides, platform semua-dalam-satu untuk tinjauan langsung, skala penilaian, Soal Jawab, awan perkataan dan kuiz, menjadikannya praktikal dengan membenarkan penyampai membenamkan soalan penilaian skala Likert terus ke dalam pembentangan langsung, dengan respons divisualisasikan serta-merta. Tiada alat tinjauan berasingan diperlukan.
Kesilapan biasa yang perlu dielakkan
Menggunakan satu item sebagai "skala". Satu soalan tidak membentuk skala Likert. Item individu lebih mudah terdedah kepada ralat pengukuran dan kesan konteks. Gunakan sekurang-kurangnya empat hingga enam item setiap konstruk untuk pengukuran yang boleh dipercayai.
Mengabaikan perbezaan antara item Likert dan skala Likert. Menganalisis item individu dengan statistik parametrik (contohnya, mengira min bagi soalan lima mata tunggal) adalah tidak sesuai secara teknikal. Gunakan kaedah tersebut untuk skor berbilang item agregat.
Melayan semua nombor sebagai sama. Menetapkan 1 hingga 5 kepada pilihan respons tidak menjadikan data berada pada tahap selang secara automatik. Bersikap telus dalam bahagian kaedah anda tentang cara anda mengendalikan data dan sebabnya.
Mengabaikan pengekodan terbalik. Jika semua item anda menunjukkan arah yang sama, anda tidak dapat membezakan persetujuan tulen daripada bias persetujuan.
Merumitkan skala. Skala sepuluh mata dengan titik tengah yang tidak dilabel menimbulkan kekeliruan dan tidak meningkatkan kualiti data secara bermakna berbanding versi lima atau tujuh mata yang direka bentuk dengan baik.








