రెన్సిస్ లైకర్ట్ చే అభివృద్ధి చేయబడిన లైకర్ట్ స్కేల్, విద్యా మరియు సాంఘిక శాస్త్రాల పరిశోధనలో సంగ్రహించబడిన రేటింగ్ స్కేల్ యొక్క అత్యంత ప్రజాదరణ పొందిన వైవిధ్యాలలో ఒకటి.
యొక్క ప్రాముఖ్యత పరిశోధనలో లైకర్ట్ స్కేల్ కాదనలేనిది, ప్రత్యేకించి వైఖరి, అభిప్రాయం, ప్రవర్తన మరియు ప్రాధాన్యతలను కొలిచే విషయంలో.
ఈ కథనంలో, మేము పరిశోధనలో లైకర్ట్ స్కేల్ యొక్క అర్థాన్ని అలాగే పరిశోధనలో ఎప్పుడు మరియు ఎలా ఉత్తమంగా ఉపయోగించాలో, అది గుణాత్మకమైనా లేదా పరిమాణాత్మకమైనా అనే దాని గురించి మరింత లోతుగా పరిశీలిస్తాము.
అవలోకనం
| లైకర్ట్ స్కేల్‌ను ఎవరు కనుగొన్నారు? | రెన్సిస్ లైకర్ట్ |
| లైకర్ట్ స్కేల్ ఎప్పుడు అభివృద్ధి చెందింది? | 1932 |
| పరిశోధనలో సాధారణ లైకర్ట్ స్కేల్ అంటే ఏమిటి? | 5- లేదా 7-పాయింట్ ఆర్డినల్ స్కేల్ |
విషయ సూచిక:
- పరిశోధనలో లైకర్ట్ స్కేల్ అంటే ఏమిటి?
- పరిశోధనలో లైకర్ట్ స్కేల్ రకాలు ఏమిటి?
- పరిశోధనలో లైకర్ట్ స్కేల్ యొక్క ప్రాముఖ్యత ఏమిటి?
- పరిశోధనలో లైకర్ట్ స్కేల్ ఎలా ఉపయోగించాలి
- కీ టేకావేస్
పరిశోధనలో లైకర్ట్ స్కేల్ అంటే ఏమిటి?
లైకర్ట్ స్కేల్ దాని సృష్టికర్త, రెన్సిస్ లైకర్ట్ పేరు పెట్టబడింది, అతను దానిని 1932లో అభివృద్ధి చేశాడు. సర్వే పరిశోధనలో, ఇది అత్యంత సాధారణ రకం కొలత స్కేల్, ఇది వాస్తవిక లేదా ఊహాత్మక పరిస్థితి కోసం వైఖరులు, విలువలు మరియు అభిప్రాయాలను అంచనా వేయడానికి ఉపయోగించబడుతుంది. చదువు.
లైకర్ట్ స్కేల్ మెజర్‌మెంట్ మెథడాలజీకి ప్రాథమిక సూత్రం ఏమిటంటే, లైకర్ట్ స్కేల్ ద్వారా లభించే స్కోర్‌లు స్కేల్‌లోని బహుళ అంశాలకు వ్యక్తి యొక్క ప్రతిస్పందనల నుండి వెలువడే మిశ్రమ (సంగ్రహించిన) స్కోర్‌లు. ఉదాహరణకు, మెట్రిక్ స్కేల్‌లో ఇచ్చిన స్టేట్‌మెంట్ (ఐటెమ్‌లు)తో పాల్గొనేవారు తమ ఒప్పంద స్థాయిని (గట్టిగా ఏకీభవించకపోవడం నుండి గట్టిగా అంగీకరించడం వరకు) చూపించమని అడగబడతారు.
లైకర్ట్ స్కేల్ వర్సెస్ లైకర్ట్ అంశం
లైకర్ట్ స్కేల్ మరియు లైకర్ట్ ఐటెమ్ అనే పదాల మధ్య ప్రజలు గందరగోళం చెందడం సర్వసాధారణం. ప్రతి లైకర్ట్ స్కేల్ అనేక లైకర్ట్ అంశాలను కలిగి ఉంటుంది.
- లైకర్ట్ అంశం అనేది ఒక సర్వేలో మూల్యాంకనం చేయమని ప్రతివాదిని అడిగే వ్యక్తిగత ప్రకటన లేదా ప్రశ్న.
- లైకర్ట్ అంశాలు సాధారణంగా పాల్గొనేవారికి ఐదు మరియు ఏడు ర్యాంక్ ఎంపికల మధ్య ఎంపికను అందిస్తాయి, మధ్య ఎంపిక తటస్థంగా ఉంటుంది, ఉదా "అత్యంత అసంతృప్తి" నుండి "అత్యంత సంతృప్తి" వరకు
ప్రభావవంతమైన సర్వే కోసం చిట్కాలు
దీనితో ఆన్‌లైన్‌లో సర్వేని సృష్టించండి AhaSlides
పై ఉదాహరణలలో దేనినైనా టెంప్లేట్‌లుగా పొందండి. ఉచితంగా సైన్ అప్ చేయండి మరియు ఆన్‌లైన్‌లో సర్వేని సృష్టించండి AhaSlides టెంప్లేట్ లైబ్రరీ!
ఉచితంగా సైన్ అప్ చేయండి☁️
పరిశోధనలో లైకర్ట్ స్కేల్ రకాలు ఏమిటి?
సాధారణంగా, లైకర్ట్-రకం ప్రశ్నలు యూనిపోలార్ లేదా బైపోలార్ స్కేల్‌లను కలిగి ఉంటాయి.
- యూనిపోలార్ లైకర్ట్ స్కేల్స్ ఒకే కోణాన్ని కొలవండి. ప్రతివాదులు నిర్దిష్ట దృక్కోణం లేదా వైఖరిని ఎంతవరకు ఆమోదించారో అంచనా వేయడానికి అవి బాగా సరిపోతాయి. ఉదాహరణకు, పౌనఃపున్యాలు లేదా సంభావ్యతలను ఎప్పుడూ/ఎల్లప్పుడూ ఉపయోగించి ప్రమాణాల ద్వారా కొలుస్తారు, అస్సలు అవకాశం/చాలా అవకాశం లేదు, మొదలైనవి; అవన్నీ ఏకధృవమైనవి.
- బైపోలార్ లైకర్ట్ స్కేల్స్ సంతృప్తి మరియు అసంతృప్తి వంటి రెండు వ్యతిరేక నిర్మాణాలను కొలవండి. ప్రతిస్పందన ఎంపికలు సానుకూల నుండి ప్రతికూల వరకు, మధ్యలో తటస్థ ఎంపికతో నిరంతరాయంగా అమర్చబడి ఉంటాయి. వారు తరచుగా ఒక నిర్దిష్ట అంశం పట్ల సానుకూల మరియు ప్రతికూల భావాల మధ్య సమతుల్యతను అంచనా వేయడానికి ఉపయోగిస్తారు. ఉదాహరణకు, అంగీకరించడం/అసమ్మతి, సంతృప్తి/అసంతృప్తి మరియు మంచి/చెడు అనేవి బైపోలార్ భావనలు.
| యూనిపోలార్ స్కేల్ ఉదాహరణ | బైపోలార్ స్కేల్ ఉదాహరణ |
| ○ గట్టిగా అంగీకరిస్తున్నాను ○ కొంతవరకు అంగీకరిస్తున్నారు ○ మధ్యస్తంగా అంగీకరిస్తున్నారు ○ అస్సలు అంగీకరించలేదు | ○ గట్టిగా అంగీకరిస్తున్నాను ○ కొంతవరకు అంగీకరిస్తున్నారు ○ ఏకీభవించదు లేదా అంగీకరించలేదు ○ కొంతవరకు ఏకీభవించలేదు ○ గట్టిగా ఏకీభవించలేదు |
ఈ రెండు ప్రధాన రకాలతో పాటు, లైకర్ట్ స్కేల్ ప్రతిస్పందన ఎంపికలు రెండు రకాలు:
- బేసి లైకర్ట్ ప్రమాణాలు 3, 5 లేదా 7 వంటి బేసి సంఖ్యలో ప్రతిస్పందన ఎంపికలను కలిగి ఉంటాయి. బేసి లైకర్ట్ స్కేల్ ప్రశ్నలకు సమాధాన ప్రతిస్పందనలలో తటస్థ ఎంపిక ఉంటుంది.
- లైకర్ట్ ప్రమాణాలు కూడా 4 లేదా 6 వంటి సమాన సంఖ్యలో ప్రతిస్పందన ఎంపికలను కలిగి ఉంటుంది. ప్రతివాదులు స్టేట్‌మెంట్‌కు అనుకూలంగా లేదా వ్యతిరేకంగా ఒక స్థానాన్ని తీసుకోవాలని బలవంతం చేయడానికి ఇది జరుగుతుంది.
పరిశోధనలో లైకర్ట్ స్కేల్ యొక్క ప్రాముఖ్యత ఏమిటి?
లైకర్ట్ స్కేల్ ఉపయోగించడం మరియు అర్థం చేసుకోవడం సులభం మరియు ఇది సాపేక్షంగా నమ్మదగినది మరియు చెల్లుబాటు అయ్యేది. ఇది మనస్తత్వశాస్త్రం, సామాజిక శాస్త్రం, విద్య మరియు మార్కెటింగ్‌తో సహా వివిధ రంగాలలోని పరిశోధకులకు ఇది ఒక ప్రముఖ ఎంపికగా చేస్తుంది.
పరిశోధనలో లైకర్ట్ స్కేల్ ప్రాధాన్య స్కేల్ ఎందుకు? లైకర్ట్ స్కేల్ విస్తృతంగా ఉపయోగించబడటానికి ఇక్కడ కొన్ని కారణాలు ఉన్నాయి:
- వైఖరులు ప్రవర్తనలను ప్రభావితం చేస్తాయి, కానీ తక్షణమే గమనించలేము, అవి ఒక వ్యక్తి యొక్క విభిన్న చర్యలు లేదా ప్రకటనల ద్వారా ఊహించబడాలి. అందుకే లైకర్ట్ స్కేల్ ప్రశ్నాపత్రాలు వైఖరి యొక్క విభిన్న అంశాలను పరిష్కరించడానికి వస్తాయి.
- ప్రతిస్పందనలను సేకరించడం కోసం లైకర్ట్ స్కేల్‌లు ప్రామాణిక ఆకృతిని అందిస్తాయి, ప్రతివాదులు అందరూ ఒకే ప్రశ్నలకు ఒకే విధంగా సమాధానమిస్తారని నిర్ధారిస్తుంది. ఈ ప్రమాణీకరణ డేటా యొక్క విశ్వసనీయత మరియు పోలికను పెంచుతుంది.
- పెద్ద సంఖ్యలో ప్రతివాదుల నుండి పెద్ద మొత్తంలో డేటాను సేకరించేందుకు లైకర్ట్ స్కేల్‌లు సమర్థవంతంగా పనిచేస్తాయి, వాటిని సర్వే పరిశోధనకు అనుకూలంగా మారుస్తాయి.
పరిశోధనలో లైకర్ట్ స్కేల్ ఎలా ఉపయోగించాలి
పరిశోధనలో లైకర్ట్ స్కేల్ యొక్క ప్రభావం వివిధ కారకాలచే ప్రభావితమవుతుంది. లైకర్ట్ స్కేల్‌తో ప్రశ్నాపత్రాన్ని రూపొందించడంలో మీకు సహాయపడటానికి ఇక్కడ కొన్ని చిట్కాలు ఉన్నాయి:
#1. ప్రశ్నాపత్రం యొక్క లక్ష్యాలు
ఏదైనా ప్రశ్నాపత్రం మూడు నిర్దిష్ట లక్ష్యాలను కలిగి ఉంటుంది. మీరు సమాధానమివ్వాలని లక్ష్యంగా పెట్టుకున్న కీలక పరిశోధన ప్రశ్నలతో ప్రశ్నాపత్రం రూపకల్పనను ప్రారంభించడం అవసరం.
#2. ప్రశ్న రూపకల్పనను జాగ్రత్తగా చూసుకోండి
ప్రతివాది యొక్క అసమర్థత మరియు సమాధానం ఇవ్వడానికి ఇష్టపడకపోవడాన్ని అధిగమించడానికి ప్రశ్నలను రూపొందించడం చాలా కీలకం.
- ప్రతివాదికి తెలియజేశారా?
- ప్రతివాదులు తెలియజేయబడనట్లయితే, టాపిక్‌ల గురించిన ప్రశ్నలకు ముందు పరిచయాన్ని, ఉత్పత్తి వినియోగం మరియు గత అనుభవాలను కొలిచే ఫిల్టర్ ప్రశ్నలను అడగాలి.
- ప్రతివాది గుర్తుంచుకోగలరా?
- విస్మరించడం, టెలిస్కోపింగ్ మరియు సృష్టి యొక్క లోపాలను నివారించండి.
- ప్రతివాదికి సూచనలను అందించని ప్రశ్నలు ఈవెంట్ యొక్క వాస్తవ సంఘటనను తక్కువగా అంచనా వేయవచ్చు.
- ప్రతివాది స్పష్టంగా చెప్పగలరా?
- ప్రతివాదులు అవసరమైన ప్రయత్నాన్ని తగ్గించండి.
- ప్రశ్నలు అడిగే సందర్భం సరైనదేనా?
- సమాచారం కోసం అభ్యర్థన చట్టబద్ధమైనదిగా అనిపించేలా చేయండి.
- సమాచారం సున్నితమైనది అయితే:
మీరు కూడా ఇష్టపడవచ్చు: 12లో సర్వే మంకీకి 2023+ ఉచిత ప్రత్యామ్నాయాలు
#3. ప్రశ్న-పదాలను ఎంచుకోండి
బాగా వ్రాసిన ప్రశ్నల కోసం, మేము ఈ క్రింది మార్గదర్శకాలను అందిస్తున్నాము:
- సమస్యను నిర్వచించండి
- సాధారణ పదాలను ఉపయోగించండి
- అస్పష్టమైన పదాలను ఉపయోగించండి
- ప్రముఖ ప్రశ్నలను నివారించండి
- అవ్యక్త ప్రత్యామ్నాయాలను నివారించండి
- అవ్యక్త అంచనాలను నివారించండి
- సాధారణీకరణలు మరియు అంచనాలను నివారించండి
- సానుకూల మరియు ప్రతికూల ప్రకటనలను ఉపయోగించండి.
మీరు కూడా ఇష్టపడవచ్చు: 65+ ప్రభావవంతమైన సర్వే ప్రశ్న నమూనాలు + ఉచిత టెంప్లేట్లు
#4. లైకర్ట్ స్కేల్ ప్రతిస్పందన ఎంపికలను ఎంచుకోండి
మీరు తటస్థ లేదా మధ్య బిందువు ఎంపికను చేర్చాలనుకుంటున్నారా అనేదానిపై ఆధారపడి, మీరు బైపోలార్ లేదా యూనిపోలార్, బేసి లేదా సరి లైకర్ట్ స్కేల్‌ని ఉపయోగిస్తారా అని నిర్ణయించుకోండి.
మీరు అందుబాటులో ఉన్న కొలత నిర్మాణాలు మరియు మునుపటి పరిశోధకులచే ఇప్పటికే అభివృద్ధి చేయబడిన మరియు గుర్తించబడిన అంశాలను సూచించాలి. ముఖ్యంగా కఠినమైన ప్రమాణాలతో కూడిన అకడమిక్ రీసెర్చ్ విషయానికి వస్తే.
కీ టేకావేస్
లైకర్ట్ స్కేల్‌లను ఉపయోగించడంలో మీ నైపుణ్యాన్ని పరీక్షించడానికి మరియు మీ పరిశోధన కోసం విలువైన అంతర్దృష్టులను సేకరించడానికి సిద్ధంగా ఉన్నారా? తదుపరి దశను తీసుకోండి మరియు శక్తివంతమైన సర్వేలను సృష్టించండి AhaSlides.
AhaSlides వినియోగదారు-స్నేహపూర్వక సర్వే సృష్టి సాధనాలు, నిజ-సమయ ప్రతిస్పందన ట్రాకింగ్ మరియు అనుకూలీకరించదగిన లైకర్ట్ స్కేల్ ఎంపికలను అందిస్తుంది. ఈరోజే ఆకర్షణీయమైన సర్వేలను రూపొందించడం ద్వారా మీ పరిశోధనలో ఎక్కువ ప్రయోజనం పొందడం ప్రారంభించండి!
తరచుగా అడుగు ప్రశ్నలు
పరిశోధనలో లైకర్ట్ స్కేల్ డేటాను ఎలా విశ్లేషించాలి?
లైకర్ట్ స్కేల్ డేటాను విశ్లేషించడంలో అనేక గణాంక పద్ధతులు ఉపయోగించబడతాయి. సాధారణ విశ్లేషణలలో వివరణాత్మక గణాంకాలను లెక్కించడం (ఉదా, మీన్స్, మధ్యస్థాలు), అనుమితి పరీక్షలను నిర్వహించడం (ఉదా, t-పరీక్షలు, ANOVA) మరియు సంబంధాలను అన్వేషించడం (ఉదా, సహసంబంధాలు, కారకాల విశ్లేషణ).
గుణాత్మక పరిశోధనలో లైకర్ట్ ప్రమాణాలను ఉపయోగించవచ్చా?
లైకర్ట్ ప్రమాణాలు సాధారణంగా పరిమాణాత్మక పరిశోధన కోసం ఉపయోగించబడుతున్నప్పటికీ, వాటిని గుణాత్మక ప్రయోజనాల కోసం కూడా ఉపయోగించవచ్చు.
లైకర్ట్ స్కేల్ ఏ రకమైన కొలత?
లైకర్ట్ స్కేల్ అనేది వైఖరులు లేదా అభిప్రాయాలను కొలవడానికి ఉపయోగించే ఒక రకమైన రేటింగ్ స్కేల్. ఈ స్కేల్‌తో, ప్రతివాదులు కొన్ని నిర్దిష్ట సమస్యకు సంబంధించి అంగీకార స్థాయిలో వస్తువులను రేట్ చేయమని కోరతారు.
ref: అకాడెమియా | పుస్తకం: మార్కెటింగ్ పరిశోధన: యాన్ అప్లైడ్ ఓరియంటేషన్, నరేష్ కె. మల్హోత్రా, పే. 323.
