Od pytania badawczego do kwestionariusza: krok po kroku

Andrzej Szymkowiak · Ostatnia aktualizacja: czerwiec 2026

Otwierasz pusty kreator ankiety z jasnym pytaniem badawczym w głowie, ale bez ani jednej pozycji, którą mógłbyś pokazać respondentom. Zamiana pytania badawczego w kwestionariusz wymaga sześciu świadomych kroków: sformułowania hipotez, zdefiniowania konstruktów na poziomie konceptualnym i operacyjnym, wyboru zwalidowanych skal, spójnego nazwania zmiennych, naszkicowania modelu strukturalnego i zbudowania ankiety — a wszystko to zanim zbierzesz choć jedną odpowiedź.

Pytanie badawcze to abstrakcyjny pomysł. Kwestionariusz to konkretny zestaw pozycji, na które odpowiedzą respondenci. Przejście od jednego do drugiego to seria świadomych decyzji: co mierzyć, jak to mierzyć i jak ułożyć ankietę, by dane dało się poprawnie przeanalizować. Ten przewodnik przeprowadza przez każdy krok.

Krok 1: Zamień pytanie badawcze w testowalne hipotezy

Zanim napiszesz pierwszą pozycję, przekształć pytanie badawcze w jawne hipotezy o relacjach między konstruktami.

Pytanie badawcze takie jak „Co sprawia, że klienci są lojalni wobec marki?" to punkt wyjścia, nie testowalne twierdzenie. Hipoteza brzmi: „Postrzegana jakość pozytywnie przewiduje lojalność wobec marki". To rozróżnienie ma znaczenie, bo hipoteza mówi dokładnie, które konstrukty musisz zmierzyć (postrzegana jakość i lojalność wobec marki) oraz jakiej relacji oczekujesz między nimi (pozytywny, kierunkowy efekt).

Napisz po jednej hipotezie dla każdej oczekiwanej relacji w modelu. Jeśli masz trzy predyktory lojalności, masz trzy hipotezy. Każda hipoteza odpowiada przynajmniej jednej strzałce w modelu konceptualnym — a każda strzałka potrzebuje mierzonych konstruktów po obu stronach.

Jeśli twoje badanie jest eksploracyjne, a nie oparte na hipotezach, i tak wypisz konstrukty, które planujesz uwzględnić. Nawet bez przewidywań kierunkowych znajomość pełnej listy konstruktów kształtuje to, co mierzysz.

Krok 2: Zdefiniuj swoje konstrukty (konceptualnie → operacyjnie)

Konstrukt ma dwie warstwy.

Definicja konceptualna opisuje, czym jest konstrukt w kategoriach abstrakcyjnych. Lojalność wobec marki można na przykład zdefiniować konceptualnie jako „zaangażowanie klienta w ponowny zakup od tej samej marki, napędzane pozytywną oceną".

Definicja operacyjna opisuje, jak będziesz go mierzyć. To tutaj wybierasz lub adaptujesz skalę. Dla lojalności wobec marki definicja operacyjna mogłaby brzmieć: „mierzona czterema pozycjami z Yoo i Donthu (2001), ocenianymi na 5-punktowej skali Likerta od 1 (zdecydowanie się nie zgadzam) do 5 (zdecydowanie się zgadzam)".

Napisz obie warstwy dla każdego konstruktu w modelu, zanim zaczniesz szukać skali. Definicja konceptualna kieruje tym, które skale są odpowiednie; definicja operacyjna staje się częścią sekcji Metoda.

Krok 3: Wybierz miary

Dla każdego konstruktu znajdź zwalidowaną skalę z opublikowanej literatury, zamiast pisać własne pozycje. Zwalidowana skala ma znane właściwości rzetelności i trafności, co oszczędza czas i daje recenzentom pewność. Zobacz jak znaleźć zwalidowaną skalę, aby uzyskać pełny przewodnik, gdzie szukać i jak ocenić jakość.

Wbudowana biblioteka Explonii z około 370 zwalidowanymi konstruktami, dostępna od planu Academic, pozwala wyszukiwać po nazwie konstruktu i dodawać pozycje wprost do badania. Każdy wpis zawiera cytowanie źródła i numer DOI, byś mógł odwołać się do autorów oryginału w sekcji Metoda.

Sprawdź dwie rzeczy przed zatwierdzeniem skali. Po pierwsze, czy wykazuje ona odpowiednią rzetelność i trafność we wcześniejszych badaniach na podobnej populacji — na przykład rzetelność bliską konwencjonalnemu progowi .70 (Cronbach's α, a najlepiej McDonald's ω; composite reliability w SEM) oraz trafność zbieżną z AVE ≥ .50? Traktuj je jako konwencje, a nie sztywne linie zalicza/nie-zalicza. Po drugie, czy brzmienie pozycji ma sens dla twoich docelowych respondentów? Dla odbiorców, dla których angielski nie jest pierwszym językiem, proste sformułowania z krótkimi zdaniami zmniejszają niejednoznaczność i błąd pomiaru. Jeśli używasz skali ponownie w innym języku, nie tłumacz jej nieformalnie — zastosuj tłumaczenie i niezależne tłumaczenie zwrotne, a potem ponownie sprawdź rzetelność w nowym języku, zanim zaufasz wynikom. Wskazówki, jak brzmienie pozycji ankiety wpływa na jakość pomiaru, znajdziesz w jak pisać dobre pytania ankietowe →.

Krok 4: Nazwij zmienne spójnie

Narzędzia ankietowe i oprogramowanie do analiz użyją nazw zmiennych, które przypiszesz. Spójna konwencja nazewnicza zapobiega zamieszaniu przy przejściu od danych do analizy.

Najczęstsza konwencja używa krótkiego skrótu konstruktu, po którym następuje numer:

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

W Explonii możesz ustawić te nazwy zmiennych na poziomie pozycji. Gdy eksportujesz do SPSS/.sav, R lub AMOS, nazwy przechodzą razem z danymi. Oprogramowanie do analiz, które grupuje pozycje w czynniki po prefiksie (pozycje zaczynające się od „PU"), zrobi to wtedy automatycznie.

Kilka praktycznych reguł:

• Używaj tego samego skrótu wszędzie (zdecyduj „PQ" albo „QUAL" dla postrzeganej jakości i nie mieszaj ich).
• Numeruj pozycje w kolejności, w jakiej pojawiają się w ankiecie.
• Oznacz pozycje odwrócone (reverse-coded) w codebooku już na tym etapie (na przykład zanotuj, że PU3 jest odwrócona), abyś nie zapomniał przed punktacją.

Krok 5: Zaplanuj model, zanim zbierzesz dane

Naszkicuj model strukturalny — relacje między konstruktami — zanim uruchomisz ankietę. To nie jest analiza; to dokumentacja projektu. Prosty diagram z prostokątami (konstrukty) i strzałkami (hipotezy) pokazuje, czy każdy konstrukt jest wynikiem, predyktorem, czy obydwoma, oraz potwierdza, że masz skalę dla każdego prostokąta na diagramie.

Dla standardowego badania akceptacji technologii model mógłby wyglądać tak: Perceived Ease of Use → Perceived Usefulness → Behavioral Intention → Actual Use. Każda strzałka to hipoteza. Każdy prostokąt potrzebuje zwalidowanej skali z nazwanymi pozycjami.

Planowanie modelu na tym etapie ujawnia też problemy wcześnie. Jeśli planujesz estymować mediację, potrzebujesz zmierzonych wszystkich trzech konstruktów (predyktor, mediator, wynik). Jeśli planujesz porównanie między grupami, potrzebujesz zdefiniowanych i możliwych do zrekrutowania grup. Odkrycie tych luk po zebraniu danych oznacza kosztowne ponowne zbieranie. To także właściwy moment, by obliczyć, ilu respondentów potrzebujesz — zobacz ilu uczestników potrzebuję →, aby poznać a-priori power analysis oraz reguły kciuka specyficzne dla SEM.

Jedno zastrzeżenie co do tego, co twój projekt może udźwignąć. Jednorazowa (przekrojowa) ankieta mierzy wszystko w tym samym momencie, więc może pokazać, że konstrukty są powiązane tak, jak przewiduje model, ale sama w sobie nie może udowodnić, że jeden powoduje drugi. Strzałki na diagramie reprezentują teorię, którą testujesz, a nie dowód kierunku przyczynowego. Ma to największe znaczenie dla mediacji: estymowanie efektu mediacji z danych przekrojowych może być silnie obciążone, ponieważ mediacja to proces, który rozwija się w czasie (Maxwell i Cole, 2007). Jeśli twierdzenie przyczynowe jest kluczowe dla twojej pracy, rozważ projekt podłużny lub eksperymentalny, a wnioski formułuj jako „wspiera" lub „jest zgodne z", a nie „dowodzi".

Krok 6: Zbuduj i obejrzyj podgląd w Explonii

Gdy masz już konstrukty, skale, nazwy zmiennych i szkic modelu, możesz zbudować kwestionariusz. Explonia obsługuje 16 typów pytań, w tym skale Likerta, dyferencjały semantyczne, pytania wielokrotnego wyboru i pytania otwarte. Możesz uporządkować pozycje w sekcje według konstruktów, zastosować logikę tak, by respondenci widzieli tylko istotne pozycje, oraz przygotować warianty A/B do testowania różnych sformułowań.

Przed uruchomieniem obejrzyj podgląd ankiety jako respondent. Przeczytaj każdą pozycję na głos. Jeśli zdanie trudno przeczytać w 5 sekund, uprość sformułowanie. Sprawdź, czy pozycje odwrócone są poprawnie oznaczone w systemie. Potwierdź, że nazwy zmiennych przy każdej pozycji zgadzają się z twoim planem nazewnictwa.

Przykład krok po kroku — pełne badanie Technology Acceptance Model od pytania badawczego przez CFA i SEM — jest dostępny pod /blog/first-study-tam-cfa-sem/. Możesz też przejrzeć przykładowe ankiety →. Aby sprawdzić trafność różnicową po zebraniu danych, zobacz HTMT vs Fornell-Larcker →.

Gdy będziesz gotowy zbierać dane, plan Academic PRO Explonii zawiera rekrutację Prolific w panelu, więc możesz zrekrutować docelową próbę bez opuszczania platformy. Praktyczny przewodnik po konfiguracji badania na Prolific — screening, płatność i kontrole jakości — znajdziesz w jak rekrutować uczestników na Prolific →.

Zacznij za darmo →

Częste błędy, których należy unikać

• Pisanie pytań, zanim zdefiniujesz konstrukty, które mierzą.
• Mierzenie konstruktu latentnego pojedynczą pozycją.
• Wnioskowanie o przyczynowości z jednorazowej, przekrojowej ankiety (Maxwell i Cole, 2007).
• Mieszanie kilku idei w jednym pytaniu (pozycje dwulufowe).
• Pomijanie pilotażu, przez co niejasne sformułowania ujawniają się dopiero po zebraniu danych.
• Brak spójnego, gotowego do analizy nazewnictwa zmiennych przed badaniem terenowym.

Najczęściej zadawane pytania

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.

Jak Explonia robi to za ciebie

W Explonii definiujesz każdy konstrukt, a następnie dodajesz zwalidowane skale z wbudowanej biblioteki około 370 konstruktów, każdy z cytowaniem źródła i numerem DOI. Budujesz i podglądasz ankietę, zbierasz dane i uruchamiasz analizę — rzetelność, CFA, regresję i więcej — w tym samym miejscu, więc twoje decyzje projektowe i nazwy zmiennych przechodzą prosto do wyników. Gdy raportujesz, funkcja „Article description" tworzy szkic akapitu wyników w formacie APA, który redagujesz i którego jesteś właścicielem, więc pozostajesz autorem. Kroki wokół tego przewodnika znajdziesz w jak znaleźć zwalidowaną skalę i jak pisać dobre pytania ankietowe.

Gotowy, by zamienić pytanie badawcze w kwestionariusz? Zbuduj go w Explonii ze zwalidowanymi skalami i uruchom analizę w tym samym miejscu. Zacznij za darmo →