Od istraživačkog pitanja do upitnika: korak po korak

Andrzej Szymkowiak · Posljednji pregled: lipanj 2026.

Otvorite prazan alat za izradu ankete s jasnim istraživačkim pitanjem na umu, ali bez ijedne čestice koju biste stavili pred ispitanike. Pretvaranje istraživačkog pitanja u upitnik zahtijeva šest promišljenih koraka: postavljanje hipoteza, definiranje konstrukata konceptualno i operacionalno, odabir validiranih ljestvica, dosljedno imenovanje varijabli, skiciranje strukturalnog modela i izgradnju ankete — sve to prije nego što prikupite i jedan odgovor.

Istraživačko pitanje apstraktna je ideja. Upitnik je konkretan skup čestica na koje će vaši ispitanici odgovarati. Put od jednog do drugog niz je promišljenih odluka: što mjeriti, kako to mjeriti i kako strukturirati anketu tako da se podaci mogu ispravno analizirati. Ovaj vodič prolazi kroz svaki korak.

Korak 1: Pretvorite svoje istraživačko pitanje u testabilne hipoteze

Prije nego što napišete ijednu česticu, pretvorite svoje istraživačko pitanje u eksplicitne hipoteze o odnosima između konstrukata.

Istraživačko pitanje poput "Što kupce čini lojalnima marki?" polazna je točka, a ne testabilna tvrdnja. Hipoteza glasi: "Percipirana kvaliteta pozitivno predviđa odanost marki." Ta je razlika važna jer vam hipoteza govori točno koje konstrukte trebate mjeriti (percipiranu kvalitetu i odanost marki) te kakav odnos između njih očekujete (pozitivan, usmjeren učinak).

Napišite jednu hipotezu za svaki očekivani odnos u svom modelu. Ako imate tri prediktora odanosti, imate tri hipoteze. Svaka hipoteza odgovara barem jednoj strelici u vašem konceptualnom modelu — a svaka strelica treba izmjerene konstrukte na oba kraja.

Ako je vaše istraživanje eksploratorno, a ne vođeno hipotezama, ipak navedite konstrukte koje planirate uključiti. I bez usmjerenih predviđanja, poznavanje cijelog popisa konstrukata oblikuje što ćete mjeriti.

Korak 2: Definirajte svoje konstrukte (konceptualno → operacionalno)

Konstrukt ima dva sloja.

Konceptualna definicija opisuje što je konstrukt apstraktnim riječima. Odanost marki, primjerice, mogla bi se konceptualno definirati kao "predanost kupca da ponovno kupuje od iste marke, potaknuta pozitivnom procjenom".

Operacionalna definicija opisuje kako ćete je mjeriti. Tu birate ili prilagođavate ljestvicu. Za odanost marki operacionalna definicija mogla bi glasiti: "mjereno s četiri čestice iz Yoo i Donthu (2001.), ocijenjeno na 5-stupanjskoj Likertovoj ljestvici od 1 (uopće se ne slažem) do 5 (u potpunosti se slažem)".

Napišite oba sloja za svaki konstrukt u svom modelu prije nego što počnete tražiti ljestvicu. Konceptualna definicija vodi koje su ljestvice prikladne; operacionalna definicija postaje dio vašeg poglavlja Metoda.

Korak 3: Odaberite svoje mjere

Za svaki konstrukt pronađite validiranu ljestvicu iz objavljene literature umjesto da pišete vlastite čestice. Validirana ljestvica ima poznata svojstva pouzdanosti i valjanosti, što štedi vrijeme i daje recenzentima povjerenje. Pogledajte kako pronaći validiranu ljestvicu za potpun vodič o tome gdje tražiti i kako procijeniti kvalitetu.

Explonijina ugrađena knjižnica od približno 370 validiranih konstrukata, dostupna na planu Academic, omogućuje vam da pretražujete prema nazivu konstrukta i dodajete čestice izravno u svoje istraživanje. Svaki unos uključuje citat izvora i DOI kako biste izvorne autore mogli referencirati u svom poglavlju Metoda.

Prije nego što potvrdite ljestvicu, provjerite dvije stvari. Prvo, pokazuje li adekvatnu pouzdanost i valjanost u ranijim studijama sa sličnom populacijom — primjerice pouzdanost blizu konvencionalne granice .70 (Cronbach's α, ili po mogućnosti McDonald's ω; composite reliability u SEM-u) i konvergentnu valjanost s AVE ≥ .50? Tretirajte ih kao konvencije, a ne kao stroge linije prolazi/pada. Drugo, ima li formulacija čestica smisla vašim ciljnim ispitanicima? Za publiku kojoj engleski nije materinji jezik, jednostavna formulacija s kratkim rečenicama smanjuje dvosmislenost i pogrešku mjerenja. Ako ponovno koristite ljestvicu na drugom jeziku, nemojte je neformalno prevoditi — upotrijebite prijevod i neovisan povratni prijevod (back-translation), a zatim ponovno provjerite pouzdanost na novom jeziku prije nego što se pouzdate u rezultate. Za smjernice o tome kako formulacija anketnih čestica utječe na kvalitetu mjerenja, pogledajte kako pisati dobra anketna pitanja →.

Korak 4: Imenujte svoje varijable dosljedno

Anketni alati i softver za analizu koristit će nazive varijabli koje im dodijelite. Dosljedna konvencija imenovanja sprječava zabunu kada prijeđete s podataka na analizu.

Najčešća konvencija koristi kraticu konstrukta nakon koje slijedi broj:

• PU1, PU2, PU3 za čestice Perceived Usefulness 1–3
• BL1, BL2, BL3, BL4 za čestice Brand Loyalty 1–4
• SAT1, SAT2, SAT3 za čestice Satisfaction 1–3

U Exploniji te nazive varijabli možete postaviti na razini čestice. Kada izvezete u SPSS/.sav, R ili AMOS, nazivi se prenose. Softver za analizu koji grupira čestice u faktore prema prefiksu (čestice koje počinju s "PU") to će tada učiniti automatski.

Nekoliko praktičnih pravila:

• Koristite istu kraticu posvuda (odlučite se za "PQ" ili "QUAL" za percipiranu kvalitetu i nemojte ih miješati).
• Numerirajte čestice redoslijedom kojim se pojavljuju u anketi.
• Označite obrnuto kodirane čestice u svom codebooku u ovoj fazi (primjerice, zabilježite da je PU3 obrnuto kodiran) kako ne biste zaboravili prije bodovanja.

Korak 5: Isplanirajte model prije prikupljanja

Skicirajte strukturalni model — odnose između svojih konstrukata — prije nego što pokrenete anketu. To nije analiza; to je dokumentacija dizajna. Jednostavan dijagram s kućicama (konstrukti) i strelicama (hipoteze) pokazuje je li svaki konstrukt ishod, prediktor ili oboje te potvrđuje da imate ljestvicu za svaku kućicu u dijagramu.

Za standardnu studiju prihvaćanja tehnologije model bi mogao izgledati ovako: Perceived Ease of Use → Perceived Usefulness → Behavioral Intention → Actual Use. Svaka strelica je hipoteza. Svaka kućica treba validiranu ljestvicu s imenovanim česticama.

Planiranje modela u ovoj fazi također rano otkriva probleme. Ako planirate procjenjivati medijaciju, trebate izmjeriti sva tri konstrukta (prediktor, medijator, ishod). Ako planirate usporedbu između skupina, trebate definirane skupine koje možete regrutirati. Otkrivanje tih praznina nakon prikupljanja podataka znači skupo ponovno prikupljanje. Ovo je i pravi trenutak za izračun koliko ispitanika trebate — pogledajte koliko ispitanika trebam → za a-priori analizu snage i pravila palca specifična za SEM.

Jedno upozorenje o tome što vaš dizajn može poduprijeti. Jednokratna (cross-sectional) anketa mjeri sve u istom trenutku, pa može pokazati da su konstrukti povezani kako vaš model predviđa, ali sama po sebi ne može dokazati da jedan uzrokuje drugi. Strelice u vašem dijagramu predstavljaju teoriju koju testirate, a ne dokaz uzročnog smjera. To je najvažnije za medijaciju: procjena medijacijskog učinka iz cross-sectional podataka može biti jako pristrana jer je medijacija proces koji se odvija kroz vrijeme (Maxwell & Cole, 2007.). Ako je uzročna tvrdnja središnja za vaš rad, razmotrite longitudinalni ili eksperimentalni dizajn i formulirajte svoje zaključke kao "podupire" ili "u skladu je s", a ne "dokazuje".

Korak 6: Izgradite i pregledajte u Exploniji

Kada imate konstrukte, ljestvice, nazive varijabli i skicu modela, možete izgraditi upitnik. Explonia podržava 16 tipova pitanja, uključujući Likertove ljestvice, semantičke diferencijale, višestruki izbor i otvorene čestice. Čestice možete organizirati u sekcije prema konstruktu, primijeniti logiku tako da ispitanici vide samo relevantne čestice te postaviti A/B varijante za testiranje različitih formulacija.

Prije pokretanja pregledajte anketu kao ispitanik. Pročitajte svaku česticu naglas. Ako je rečenicu teško pročitati u 5 sekundi, pojednostavnite formulaciju. Provjerite jesu li obrnuto kodirane čestice ispravno označene u sustavu. Potvrdite da se nazivi varijabli na svakoj čestici podudaraju s vašim planom imenovanja.

Primjer korak po korak — potpuna studija Technology Acceptance Modela od istraživačkog pitanja do CFA i SEM-a — dostupan je na /blog/first-study-tam-cfa-sem/. Možete i pregledati primjere anketa →. Za provjere diskriminantne valjanosti nakon prikupljanja podataka pogledajte HTMT vs Fornell-Larcker →.

Kada budete spremni za prikupljanje podataka, Explonijin plan Academic PRO uključuje regrutaciju putem Prolifica unutar panela, pa možete regrutirati ciljani uzorak bez napuštanja platforme. Za praktičan vodič o postavljanju vaše Prolific studije — probiranje, plaćanje i provjere kvalitete — pogledajte kako regrutirati ispitanike na Prolificu →.

Započnite besplatno →

Česte pogreške koje treba izbjegavati

• Pisanje pitanja prije nego što ste definirali konstrukte koje mjere.
• Mjerenje latentnog konstrukta jednom česticom.
• Zaključivanje o uzročnosti iz jednokratne, cross-sectional ankete (Maxwell & Cole, 2007.).
• Miješanje nekoliko ideja u jedno pitanje (double-barreled čestice).
• Preskakanje pilota, pa nejasna formulacija izađe na vidjelo tek nakon prikupljanja podataka.
• Neimenovanje varijabli na dosljedan način spreman za analizu prije terenskog rada.

Često postavljana pitanja

References

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340.

Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American Customer Satisfaction Index: Nature, purpose, and findings. Journal of Marketing, 60(4), 7–18.

Maxwell, S. E., & Cole, D. A. (2007). Bias in cross-sectional analyses of longitudinal mediation. Psychological Methods, 12(1), 23–44.

Schwarzer, R., & Jerusalem, M. (1995). Generalized Self-Efficacy Scale. In J. Weinman, S. Wright, & M. Johnston (Eds.), Measures in health psychology: A user's portfolio. Causal and control beliefs (pp. 35–37). NFER-Nelson.

Yoo, B., & Donthu, N. (2001). Developing and validating a multidimensional consumer-based brand equity scale. Journal of Business Research, 52(1), 1–14.

Kako Explonia to radi za vas

U Exploniji definirate svaki konstrukt, a zatim dodajete validirane ljestvice iz ugrađene knjižnice od približno 370 konstrukata, svaki sa svojim citatom izvora i DOI brojem. Izgrađujete i pregledavate anketu, prikupljate podatke i pokrećete analizu — pouzdanost, CFA, regresiju i više — na istom mjestu, pa se vaše odluke o dizajnu i vaši nazivi varijabli prenose izravno do rezultata. Kada izvještavate, značajka „Article description" piše nacrt APA odlomka rezultata koji vi uređujete i posjedujete, pa ostajete autor. Za korake oko ovog vodiča pogledajte kako pronaći validiranu ljestvicu i kako pisati dobra anketna pitanja.

Spremni pretvoriti svoje istraživačko pitanje u upitnik? Izgradite ga u Exploniji s validiranim ljestvicama i pokrenite analizu na istom mjestu. Započnite besplatno →