مسح مقياس ليكرت هو مقياس نفسي شائع الاستخدام في الدراسات البحثية لالتقاط آراء دقيقة. إنه المقياس الأكثر استخدامًا في أبحاث المسح ، بحيث يستخدم المصطلح غالبًا بالتبادل مع مقياس التصنيف على الرغم من أن الاثنين ليسا مترادفين. عند الرد على عنصر استبيان ليكرت ، يحدد المستجيبون مستوى موافقتهم على البيان. تم تسمية المقياس على اسم مخترعه ، عالم النفس رينسيس ليكرت.
الآن ، ما هي الاختلافات بالضبط بين موازين ليكرت أحادية القطب ومقاييس ليكرت ثنائية القطب؟ لنلقِ نظرة على كل مقياس على حدة:
مقياس ليكرت أحادي القطب
تكون المقاييس أحادية القطب أكثر تحديدًا ، مما يسمح للمستخدمين بالتركيز بدلاً من ذلك على غياب أو وجود عنصر واحد. يقيس المقياس البيانات الترتيبية ، ولكن في معظم الأحيان ، تولد المقاييس أحادية القطب إجابات أكثر دقة. من الأمثلة على مقياس الرضا أحادي القطب: غير راضٍ على الإطلاق ، راضٍ قليلاً ، راضٍ إلى حدٍ ما ، راضٍ جدًا ، وراضٍ تمامًا. يشير نوع سؤال مقياس ليكرت أحادي القطب إلى أن المستجيب يفكر في وجود أو عدم وجود صفة أو سمة. على سبيل المثال ، يتضمن مقياس أحادي القطب الشائع الخيارات التالية: غير راضٍ على الإطلاق ، راضٍ قليلاً ، راضٍ إلى حدٍ ما ، راضٍ جدًا ، وراضٍ تمامًا. وهي مرتبة على مقياس من 5 نقاط. من الألف إلى الياء أيضًا ، أنواع الأسئلة أحادية القطب تصلح عندما يكون هناك حد أقصى للموقف أو لا شيء. على سبيل المثال ، دعنا نقول ، ما مدى فائدة وصفة فطيرة التفاح؟ مفيد جدا ، نوعا ما أو لا على الإطلاق. يمكننا أن نفترض بأمان أن هناك شيئًا ما بين – مثل “نوع” مفيد.
مقياس ليكرت ثنائي القطب
يشير المقياس ثنائي القطب إلى أن المستجيب يوازن بين صفتين مختلفتين ، ويحدد النسبة النسبية لتلك الصفات. عندما يكون للمقياس أحادي القطب “قطب” واحد ، فإن المقياس ثنائي القطب له نقيضان. على سبيل المثال ، يتضمن المقياس ثنائي القطب الشائع الخيارات التالية: غير راضٍ تمامًا ، غير راضٍ في الغالب ، غير راضٍ نوعًا ما ، غير راضٍ ولا غير راضٍ ، راضٍ نوعًا ما ، غالبًا راضٍ ، وراضٍ تمامًا. هذا مقياس به 0 في المنتصف (-3 ، -2 ، -1 ، 0 ، 1 ، 2 ، 3).
لماذا تعتبر موازين ليكرت ضرورية في البحث؟
بدلاً من إعطاء المستفتى سؤالاً ثنائي التفرع مع كون الخيارات الوحيدة هي “نعم” أو “لا” ، تتميز موازين ليكرت درجات الشعور (عادة 4 أو 5 أو 7) حتى يتمكن باحثو السوق من الحصول على استجابة أكثر دقة. علاوة على ذلك ، يمكنك تحديد السمات النوعية وتحليلها إحصائيًا مثل المشاعر والعواطف. هنا دليل ل متى وأين وكيف تستخدم موازين ليكرت .
