De meeste mensen die Likert-schalen in onderzoek gebruiken, hebben nooit geleerd hoe ze deze correct moeten ontwerpen of analyseren. Deze handleiding behandelt wat Likert-schalen nu eigenlijk meten, hoe je het juiste type kiest, hoe je items ontwerpt die betrouwbare data opleveren en welke statistische tests van toepassing zijn, zodat je volgende enquête resultaten oplevert waar je iets mee kunt doen.
Of u nu een professional op het gebied van leren en ontwikkeling bent die trainingsevaluaties ontwerpt, een HR-manager die medewerkersbetrokkenheidsonderzoeken uitvoert, of een onderzoeker in de sociale wetenschappen, de principes die hier worden beschreven, zijn van toepassing.
We bespreken wat een Likert-schaal precies meet, de verschillende typen waaruit je kunt kiezen, hoe je effectieve Likert-vragen ontwerpt, hoe je de resulterende gegevens analyseert en de veelvoorkomende valkuilen waar zelfs ervaren onderzoekers in trappen.
Wat is een Likert-schaal?
Een Likert-schaal is een psychometrisch instrument dat wordt gebruikt in vragenlijsten en enquêtes om attitudes, meningen, percepties en gedragingen te meten. In plaats van een simpele ja/nee-vraag te stellen, laat het respondenten de intensiteit van hun gevoelens uitdrukken op een schaal van waarden.
Elke Likert-schaal bestaat uit meerdere afzonderlijke beweringen, Likert-items genaamd. Een respondent leest elke bewering en kiest uit een reeks geordende antwoordopties, die doorgaans variëren van een sterk negatief standpunt via een neutraal middenpunt tot een sterk positief standpunt.
Een vijfpunts schaal voor overeenstemming ziet er bijvoorbeeld zo uit:
| Antwoordoptie | Numerieke waarde |
|---|---|
| Helemaal niet mee eens | 1 |
| Het oneens zijn | 2 |
| niet eens, niet oneens | 3 |
| Instemmen | 4 |
| Sterk mee eens | 5 |
Het kernprincipe achter de oorspronkelijke Likert-methode is dat de eindscore een samengestelde score is. Je analyseert niet één item op zichzelf. In plaats daarvan tel je de antwoorden op meerdere gerelateerde items bij elkaar op of middel je ze om een schaalscore te verkrijgen die de onderliggende houding weerspiegelt die wordt gemeten.
Likert-schaal versus Likert-item: Dit onderscheid is belangrijk. Een enkele vraag met een vijfpunts antwoordmogelijkheid is een Likert-item. Een Likert-schaal is de complete set van gerelateerde items (meestal vier tot tien) die ontworpen zijn om één construct te meten. Veel onderzoekers gebruiken deze termen door elkaar, maar technisch gezien is de schaal de geaggregeerde meting.
Soorten Likert-schalen
De keuze voor het juiste type Likert-schaal hangt af van wat u meet en hoeveel nuance u van uw respondenten nodig hebt.
Unipolaire versus bipolaire schalen
Unipolaire schalen Ze meten één dimensie van nul tot een uiterste waarde. Ze werken goed wanneer je wilt beoordelen in welke mate een bepaalde eigenschap aanwezig is. Voorbeelden zijn "helemaal niet tevreden" tot "extreem tevreden" of "nooit" tot "altijd".
Bipolaire schalen Meet twee tegenovergestelde standpunten met een neutraal middelpunt. Het klassieke eens/oneens-formaat is bipolair omdat het loopt van sterke onenigheid via neutraliteit tot sterke eensheid. Deze zijn ideaal wanneer je zowel positieve als negatieve standpunten over een kwestie wilt vastleggen.
Onderzoek wijst uit dat unipolaire schalen het beste presteren met vijf responspunten, terwijl bipolaire schalen het meest nauwkeurig zijn met zeven punten (drie aan elke kant van een werkelijk neutraal middelpunt).
Oneven versus even aantal punten
Oneven schalen (3, 5 of 7 punten) bevatten een neutrale middenoptie. De vijf- en zevenpuntsversies worden het meest gebruikt in gepubliceerd onderzoek. Door die middenoptie toe te voegen, kunnen respondenten die echt geen mening hebben, dat eerlijk aangeven in plaats van gedwongen te worden een kant te kiezen.
Even genummerde toonladders (4, 6 of 8 punten) sluit de neutrale optie volledig uit. Deze "gedwongen keuze"-aanpak is handig wanneer je respondenten specifiek in een bepaalde richting wilt sturen, bijvoorbeeld bij productfeedback waarbij een neutrale reactie geen concrete actie toelaat.
Hoeveel punten moet je gebruiken?
Dit is een van de meest besproken vragen bij het ontwerpen van enquêtes. Dit is wat het onderzoek ons leert:
- Vijf tot zeven punten Ze bieden over het algemeen de beste balans tussen betrouwbaarheid, gevoeligheid en gebruiksgemak voor de respondent. Studies hebben aangetoond dat de betrouwbaarheid verbetert naarmate je van twee naar vijf punten gaat, maar dat de meerwaarde afneemt bij punten boven de zeven.
- Minder dan vijf punten Dit vermindert de gedetailleerdheid van uw gegevens en kan belangrijke verschillen tussen respondenten verbergen.
- Meer dan zeven punten Dit verhoogt de cognitieve belasting zonder de datakwaliteit significant te verbeteren. Respondenten krijgen moeite om onderscheid te maken tussen naast elkaar gelegen opties.
- Mobiele respondenten en korte enquêtes Profiteer van vijf gelabelde punten voor duidelijkere en snellere antwoorden.
In de praktijk: gebruik standaard een vijfpuntschaal voor de meeste toepassingen en schakel over naar een zevenpuntschaal wanneer fijnere onderscheidingen nodig zijn of bij het meten van bipolaire constructen.
Gangbare schaalafmetingen
Likert-schalen zijn niet beperkt tot overeenstemming. Hieronder staan de meest gebruikte antwoorddimensies in onderzoek:
| Afmeting | Laag anker | Hoog anker |
|---|---|---|
| Overeenkomst | Helemaal niet mee eens | Sterk mee eens |
| Frequentie | nooit | Altijd |
| Belang | Helemaal niet belangrijk | Extreem belangrijk |
| Tevredenheid | Zeer ontevreden | Zeer tevreden |
| waarschijnlijkheid | Zeer onwaarschijnlijk | Zeer waarschijnlijk |
| Kwaliteit | Zeer slecht | Uitstekend |
Waarom de Likert-schaal belangrijk is in onderzoek
De Likert-schaal is om verschillende praktische redenen al meer dan 90 jaar het meest gebruikte meetinstrument in enquêtes.
Voordelen
Standaardisatie en vergelijkbaarheid. Elke respondent beantwoordt dezelfde vragen in hetzelfde formaat, waardoor het eenvoudig is om gegevens te vergelijken tussen individuen, groepen en tijdsperioden. Deze consistentie is essentieel voor longitudinale studies en intercultureel onderzoek.
Kwantificeert subjectieve ervaring. Attitudes en meningen zijn inherent abstract. De Likert-schaal zet deze subjectieve gevoelens om in numerieke gegevens die statistisch geanalyseerd kunnen worden, waardoor onderzoekers patronen, correlaties en significante verschillen kunnen identificeren.
Biedt een goede balans tussen diepgang en efficiëntie. Vergeleken met open vragen zijn Likert-items sneller in te vullen voor respondenten en gemakkelijker te analyseren voor onderzoekers. Vergeleken met binaire ja/nee-vragen leggen ze veel meer nuance vast over de intensiteit van iemands standpunt.
Hoge betrouwbaarheid bij een goed ontwerp. Likertschalen met meerdere items die hetzelfde construct meten, leveren doorgaans betrouwbare resultaten op. Door de antwoorden van meerdere gerelateerde items te combineren, verminder je de invloed van individuele uitschieters of kortstondige afleidingen.
Flexibiliteit. Het format is aanpasbaar aan vrijwel elk onderzoeksgebied: patiënttevredenheid in de gezondheidszorg, medewerkersbetrokkenheid in HR, studentenevaluaties van cursussen in het onderwijs, merkperceptie in marketing en opiniepeilingen in de politicologie.
Nadelen en veelvoorkomende vooroordelen
Geen enkel meetinstrument is perfect, en het is net zo belangrijk om de beperkingen van Likert-schalen te begrijpen als om hun sterke punten te kennen.
Vooroordeel ten aanzien van berusting. Sommige respondenten zijn geneigd om het eens te zijn met stellingen, ongeacht de inhoud. Dit is met name problematisch wanneer alle items in dezelfde richting zijn geformuleerd. Het toevoegen van omgekeerd gecodeerde items (waarbij instemming een negatief standpunt aangeeft) helpt deze vertekening te detecteren en te verminderen.
Centrale tendensbias. Veel respondenten vermijden extreme opties en concentreren hun antwoorden rond het midden van de schaal. Dit verkleint de spreiding van de verzamelde gegevens en kan echte meningsverschillen maskeren.
Vooroordeel op basis van sociale wenselijkheid. Bij enquêteonderwerpen die gevoelig liggen (werkcultuur, persoonlijk gezondheidsgedrag, politieke opvattingen), kiezen respondenten mogelijk antwoorden die ze sociaal aanvaardbaarder achten dan antwoorden die de waarheid spreken. Anonieme afname van de enquête helpt dit te voorkomen.
Ordinale gegevens, geen intervalgegevens. Strikt genomen is de afstand tussen "sterk oneens" en "oneens" mogelijk niet gelijk aan de afstand tussen "eens" en "sterk eens". Dit is de bron van het langlopende statistische debat over de vraag of je parametrische toetsen (zoals t-toetsen en ANOVA) kunt gebruiken op Likert-data. We gaan hier dieper op in in het analysegedeelte hieronder.
Gaat uit van een lineair houdingsspectrum. Likert-schalen gaan ervan uit dat attitudes zich op een rechtstreeks continuüm van negatief tot positief bevinden. In werkelijkheid zijn sommige attitudes complexer en multidimensionaal dan een enkele schaal kan weergeven.
Hoe ontwerp je effectieve Likert-schaalvragen?

Goede data begint met goede vragen. Deze ontwerpprincipes gelden voor elke enquête op basis van Likert-schalen.
1. Begin met duidelijke onderzoeksdoelstellingen
Voordat je ook maar één item opstelt, definieer je precies welk construct je meet en welke beslissingen je met de data wilt onderbouwen. Een Likert-schaal die "klanttevredenheid met onboarding" meet, vereist andere items dan een schaal die "vertrouwen van medewerkers in het management" meet.
2. Schrijf duidelijke, ondubbelzinnige items
Elke stelling moet slechts één idee behandelen. Vermijd vragen met twee kanten, zoals "De training was informatief en boeiend", omdat een respondent het met de ene helft eens kan zijn en met de andere helft oneens.
Andere goede praktijken voor het schrijven van items:
- Gebruik eenvoudige, alledaagse taal. Vermijd jargon, tenzij uw publiek specialistisch is.
- Houd de zinnen kort. Streef naar minder dan 20 woorden per item.
- Vermijd suggestief taalgebruik dat respondenten naar een bepaald antwoord stuurt.
- Gebruik geen dubbele negaties ("Ik ben het niet oneens met...").
- Gebruik een mix van positief en negatief geformuleerde items om de neiging tot instemming te verminderen.
3. Kies de antwoordlabels zorgvuldig.
Elk punt op uw schaal moet een duidelijk, ondubbelzinnig label hebben. Onderzoek toont aan dat schalen met labels (waarbij elk punt een woordbeschrijving heeft) betrouwbaarder zijn en beter begrepen worden door de respondent dan schalen die alleen uit cijfers bestaan.
Zorg ervoor dat uw labels symmetrisch zijn. Bij een vijfpunts schaal voor overeenstemming zorgt de indeling "Helemaal mee oneens, Mee oneens, Noch mee eens noch mee oneens, Mee eens, Helemaal mee eens" voor een gelijke afstand in concept aan beide zijden van het neutrale middelpunt.
4. Bepaal een neutraal middelpunt
Door een middenweg te bieden (zoals "noch eens, noch oneens") krijgen respondenten een eerlijke uitweg als ze geen mening hebben. Door deze weg te laten, worden ze gedwongen een keuze te maken. Geen van beide benaderingen is universeel correct; de juiste beslissing hangt af van uw onderzoeksdoelen.
Als u vermoedt dat respondenten standaard voor de neutrale optie kiezen om niet te hoeven nadenken, overweeg dan om een aparte optie "Ik weet het niet" of "Niet van toepassing" toe te voegen om echte neutraliteit te onderscheiden van desinteresse.
5. Gebruik omgekeerd gecodeerde items
Het opnemen van items waarbij instemming een negatieve houding aangeeft (bijvoorbeeld: "Ik vind deze training moeilijk te volgen") dient twee doelen. Ten eerste dwingt het respondenten om elk item zorgvuldig te lezen in plaats van steeds hetzelfde antwoord aan te kruisen. Ten tweede kunt u zo de interne consistentie tijdens de analyse controleren door te verifiëren dat omgekeerd gecodeerde items negatief correleren met positief geformuleerde items.
6. Pilotonderzoek met cognitieve interviews
Voordat je een volledige enquête afneemt, test je de vragen eerst met een kleine groep (vijf tot vijfentwintig personen). Vraag hen hardop te denken terwijl ze antwoorden. Dit brengt verwarrende formuleringen, dubbelzinnige termen of antwoordopties aan het licht die niet overeenkomen met hoe mensen daadwerkelijk over het onderwerp denken.
Hoe analyseer je gegevens op een Likert-schaal?
Dit is waar veel onderzoekers vastlopen. De analysemethode hangt af van of je werkt met individuele Likert-items of met geaggregeerde Likert-schaalscores.
Het debat over rangtelwoorden versus intervaltelwoorden
Individuele Likert-items leveren ordinale gegevens op. De antwoordcategorieën hebben een duidelijke rangorde, maar de afstand ertussen is wiskundig gezien niet gegarandeerd gelijk. "Helemaal mee eens" is positiever dan "mee eens", maar is het verschil ertussen hetzelfde als tussen "niet mee eens" en "helemaal niet mee eens"? Dat is niet met zekerheid vast te stellen.
Zie ordinale data als eindposities in een race: je weet dat de eerste plaats vóór de tweede kwam, maar je kunt er niet van uitgaan dat het verschil tussen de eerste en tweede plaats gelijk is aan het verschil tussen de tweede en derde plaats. Samengestelde Likert-schaalscores benaderen een gemeten afstand beter, ze liggen dichter bij tijdsgegevens dan bij eindposities.
Wanneer je echter meerdere items samenvoegt tot een samengestelde schaalscore, beschouwen veel onderzoekers de resulterende data als bij benadering intervaldata. Deze opvatting wordt breed ondersteund in de literatuur. Onderzoek van Geoff Norman en anderen heeft aangetoond dat parametrische toetsen (t-toetsen, ANOVA, Pearson-correlaties) robuust genoeg zijn om valide resultaten te produceren met Likert-schaaldata, zelfs wanneer de aanname van gelijke intervallen enigszins wordt geschonden.
In de praktijk: gebruik voor individuele items niet-parametrische methoden. Voor geaggregeerde schaalscores van goed ontworpen instrumenten met meerdere items zijn parametrische toetsen over het algemeen acceptabel.
Beschrijvende statistiek
Rapporteer voor individuele Likert-items het volgende: mode (meest voorkomende antwoord) en frequentieverdeling (percentage respondenten in elke categorie). Staafdiagrammen zijn de duidelijkste manier om antwoorden op afzonderlijke items te visualiseren.
Voor geaggregeerde schaalscores kunt u de volgende gegevens rapporteren: gemiddelde en standaardafwijking Om de centrale tendens en spreiding samen te vatten.
Inferentiële statistieken
| Data type | Geschikte tests |
|---|---|
| Enkele Likert-items (ordinaal) | Chi-kwadraat, Mann-Whitney U-test, Kruskal-Wallis-test, Spearman-correlatie |
| Geaggregeerde schaalscores (behandeld als interval) | t-test, ANOVA, Pearson-correlatie, regressie |
Betrouwbaarheidstesten
Voordat u conclusies trekt op basis van uw schaal, controleer dan de interne consistentie met behulp van Cronbachs alfa. Een waarde boven 0.70 is over het algemeen acceptabel en boven 0.80 wordt als zeer goed beschouwd. Als een afzonderlijk item een gecorrigeerde item-totaalcorrelatie heeft die lager is dan 0.30, overweeg dan om het te verwijderen, omdat het mogelijk niet hetzelfde construct meet als de andere items.
Geldigheidscontroles
Inhoudsvaliditeit Zorg ervoor dat uw items het volledige bouwplan bestrijken. Raadpleeg vakdeskundigen tijdens de ontwerpfase.
Constructvaliditeit Dit kan worden beoordeeld door middel van factoranalyse, die bevestigt of uw items laden op de verwachte theoretische dimensies.
Criteriumvaliditeit De schaal vergelijkt uw scores met een vastgestelde maatstaf voor hetzelfde construct. Een sterke correlatie tussen beide ondersteunt de validiteit.
Praktische toepassingen van Likert-schalen
Academisch onderzoek
In onderwijsonderzoek worden Likert-schalen vaak gebruikt om de betrokkenheid van studenten, hun zelfvertrouwen en hun houding ten opzichte van leren te meten. Een typisch instrument kan 15 tot 20 items bevatten die verschillende facetten van academische motivatie meten, en die worden samengevoegd tot scores voor subschalen.
Gezondheidszorg
Patiënttevredenheidsonderzoeken, beoordelingen van de effectiviteit van behandelingen en metingen van de kwaliteit van leven maken vaak gebruik van Likert-schalen. De System Usability Scale (SUS) is bijvoorbeeld een bekend instrument met tien Likert-items dat wordt gebruikt om de gebruiksvriendelijkheid van gezondheidsinformatiesystemen en medische apparaten te evalueren.
Betrokkenheid van medewerkers
Organisaties gebruiken Likert-gebaseerde korte enquêtes om de tevredenheid van medewerkers, de psychologische veiligheid en de betrokkenheid bij de organisatie in de loop van de tijd te volgen. Het gestandaardiseerde format maakt het gemakkelijk om resultaten tussen afdelingen en kwartalen te vergelijken.
Marktonderzoek
Merkperceptieonderzoeken, klanttevredenheidsonderzoeken en productfeedbackinstrumenten maken veelvuldig gebruik van Likert-schalen. De Net Promoter Score (NPS), hoewel technisch gezien een andere methode, deelt dezelfde conceptuele basis: het meten van sentiment op een schaal van waarden.
Live feedback van het publiek
Dit is waar de krachtigste toepassingen naar voren komen. Wanneer u een training, workshop of presentatie geeft, kunt u door realtime feedback via een Likert-schaal te verzamelen het begrip en de tevredenheid van het publiek peilen terwijl de sessie vordert, in plaats van te moeten vertrouwen op de herinnering achteraf.
AhaSlides, een alles-in-één platform voor live polls, beoordelingsschalen, vraag- en antwoordsessies, woordwolken en quizzen, maakt dit praktisch doordat presentatoren Likert-schaalvragen rechtstreeks in live presentaties kunnen integreren, waarbij de antwoorden direct worden weergegeven. Geen aparte enquêtetool nodig.
Voorkomende fouten te vermijden
Het gebruik van één enkel item als "schaal". Eén vraag is niet voldoende voor een Likert-schaal. Individuele items zijn gevoeliger voor meetfouten en contextuele effecten. Gebruik minstens vier tot zes items per construct voor een betrouwbare meting.
Het verschil tussen Likert-items en Likert-schalen wordt hierbij genegeerd. Het analyseren van individuele items met behulp van parametrische statistiek (bijvoorbeeld het berekenen van het gemiddelde van een enkele vraag met vijf antwoordmogelijkheden) is technisch gezien niet gepast. Reserveer dergelijke methoden voor geaggregeerde scores van meerdere items.
Alle getallen als gelijk beschouwen. Het toekennen van de getallen 1 tot en met 5 aan antwoordopties maakt de gegevens niet automatisch intervalniveau. Wees transparant in uw methodesectie over hoe u de gegevens verwerkt en waarom.
Het negeren van omgekeerde codering. Als al je gegevens in dezelfde richting wijzen, kun je geen onderscheid maken tussen echte overeenstemming en instemmingsbias.
De schaal te ingewikkeld maken. Een tienpuntschaal met niet-gelabelde middelpunten zorgt voor verwarring en verbetert de datakwaliteit niet wezenlijk ten opzichte van een goed ontworpen vijf- of zevenpuntschaal.








