eHEALS – e-zdrowotne kompetencje: jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest eHEALS i gdzie się ją stosuje

Skala e-zdrowotnych kompetencji (eHealth Literacy Scale, eHEALS) mierzy, jak dana osoba ocenia własną wiedzę, swobodę i umiejętności w wyszukiwaniu, ocenianiu i wykorzystywaniu informacji o zdrowiu z internetu. Opracowali ją Norman i Skinner (2006). W ich ujęciu e-zdrowotne kompetencje łączą sześć rodzajów umiejętności: tradycyjne czytanie i pisanie, kompetencje zdrowotne, informacyjne, naukowe, medialne i komputerowe. eHEALS nie mierzy ich osobno, tylko daje jeden krótki wskaźnik samooceny.

W pracach dyplomowych skalę spotkasz najczęściej w zdrowiu publicznym i pielęgniarstwie, a także w pracach o edukacji zdrowotnej i telemedycynie. Zwykle służy do opisu grupy, porównań (wiek, wykształcenie, korzystanie z internetu) albo jako zmienna wyjaśniająca zachowania zdrowotne. Ogólny plan analiz w takich pracach opisują poradniki statystyka w pracy ze zdrowia publicznego i statystyka w pracy z pielęgniarstwa.

Budowa: 8 pozycji i dwa pytania dodatkowe

W badaniu źródłowym eHEALS wypełniło 664 uczniów w wieku 13–21 lat, czterokrotnie w ciągu pół roku (Norman i Skinner, 2006). Skala ma 8 pozycji. Każda ma pięciostopniową skalę Likerta od pełnej zgody do pełnego braku zgody. Formularz dołączono do artykułu jako załącznik.

Do formularza dołączone są dwa pytania dodatkowe o to, jak przydatny i jak ważny jest dla badanego internet w sprawach zdrowia. Brørs i in. (2020), wśród których jest twórca skali, piszą wprost: te pytania nie są formalną częścią eHEALS i nie wchodzą do wyniku. Możesz je analizować osobno.

Jak policzyć wynik eHEALS krok po kroku

Krok 1. Sprawdź kolejność odpowiedzi i kodowanie 1–5

Zakres 8–40 oznacza kodowanie każdej odpowiedzi od 1 do 5, przy czym 5 to pełna zgoda. Uwaga na pułapkę: w artykule źródłowym odpowiedzi są wymienione od pełnej zgody do pełnego braku zgody. Jeśli tak ułożysz je w formularzu online, program może zapisać pełną zgodę jako 1. Wtedy cały wynik będzie odwrócony. Sprawdź w eksporcie, jaka liczba odpowiada której etykiecie, i w razie potrzeby przekoduj wszystkie pozycje wzorem 6 − x. Zasady rekodowania i eksport danych opisuje wpis o danych z Google Forms i LimeSurvey.

Krok 2. Nie odwracaj pojedynczych pozycji

Wszystkie pozycje są sformułowane w tym samym kierunku: zgoda oznacza wyższą samoocenę umiejętności. Nie ma tu pozycji odwróconych. Po poprawnym kodowaniu każda pozycja powinna dodatnio korelować z sumą pozostałych.

Krok 3. Zsumuj 8 pozycji

Pytań dodatkowych nie dodawaj. Niektórzy autorzy przeliczają wynik na skalę 0–100. Brørs i in. (2020) zrobili tak w analizach, ale żeby porównać się z innymi badaniami, przeliczyli wynik z powrotem na 8–40. Jeśli nie masz powodu, zostań przy sumie 8–40.

Krok 4. Ustal regułę dla braków

W artykule źródłowym nie ma reguły dla braków. Brørs i in. (2020) liczyli średnią, jeśli badany odpowiedział co najmniej na połowę pozycji. Przy 8 pozycjach to bardzo liberalna reguła. W przykładzie przyjmujemy ostrożniejszą: przy jednym braku średnia z 7 pozycji razy 8, przy dwóch i więcej brakach brak wyniku. To nasza decyzja i trzeba ją opisać, bo uśrednianie dostępnych pozycji przyjmuje silne założenia (Mazza i in., 2015). Więcej piszemy we wpisie braki danych w ankiecie.

Interpretacja: samoocena, bez progów

eHEALS mierzy postrzegane umiejętności i komfort, a nie umiejętności wprost. Norman i Skinner (2006) piszą o tym w ograniczeniach badania. Wysoki wynik oznacza, że badany uważa się za sprawnego w szukaniu i ocenianiu informacji o zdrowiu w sieci, a nie, że faktycznie odróżnia rzetelne źródła od nierzetelnych. Tak sformułuj wnioski w pracy.

Publikacja źródłowa nie podaje punktów odcięcia ani podziału na „niskie” i „wysokie” kompetencje. Jeśli używasz progu, zacytuj publikację, w której go wyznaczono, i opisz, na jakiej próbie i jaką metodą powstał. Bez tego analizuj wynik ciągły. Nie ma też zweryfikowanej minimalnej istotnej zmiany, więc w badaniu przed i po edukacją zdrowotną raportuj zmianę średnią z przedziałem ufności. Stabilność wyniku w badaniu źródłowym była umiarkowana (ICC = .49). Autorzy wiążą to ze wzrostem wyników po interwencji, która towarzyszyła pomiarom.

Sam twórca skali zwraca uwagę, że eHEALS powstała przed upowszechnieniem mediów społecznościowych i że pojęcie e-zdrowotnych kompetencji trzeba aktualizować (Norman, 2011). Jeśli badasz korzystanie z mediów społecznościowych albo aplikacji, napisz w ograniczeniach, że skala ich bezpośrednio nie obejmuje.

Jeden czynnik czy kilka?

W badaniu źródłowym analiza głównych składowych dała jeden czynnik wyjaśniający 56% wariancji, z ładunkami od .60 do .84 (Norman i Skinner, 2006). Późniejsze badania CFA nie są zgodne. W norweskiej wersji modele jedno- i dwuczynnikowe miały tylko umiarkowane dopasowanie, a najlepszy był model trzyczynnikowy po modyfikacjach (Brørs i in., 2020). Autorzy, wśród nich twórca skali, wskazują też na powtarzalność treści części pozycji. W polskich próbach eksploracyjna analiza czynnikowa dała jeden czynnik (Duplaga i in., 2019; Burzyńska i in., 2022). W pracy dyplomowej zwykle wystarczy wynik ogólny z alfą i omegą. Różnicę między podejściami opisuje wpis analiza czynnikowa EFA i CFA.

Przykład: 420 dorosłych w badaniu ankietowym

Dane są symulowane i możesz je pobrać jako plik CSV. Kolumny e1–e8 to pozycje skali zakodowane 1–5, szuka_online to informacja, czy badany szukał w ostatnim roku informacji o zdrowiu w internecie, a wiek to wiek w latach. Pytań dodatkowych w pliku nie ma. Trzy osoby pominęły po jednej pozycji, a jedna – dwie, więc nie ma wyniku.

Rozkład jest lewoskośny (skośność −0.79): większość badanych ocenia swoje umiejętności wysoko. Wynik maksymalny miało 2.1% osób, więc efekt sufitu jest niewielki, ale w próbie studentów może być wyraźniejszy. Obok alfy podaj omegę McDonalda (McNeish, 2018). Jednoczynnikowa CFA (estymator MLR) miała tu dobre dopasowanie: χ²(20) = 32.25, p = .041, CFI = .990, RMSEA = .039, SRMR = .024. W symulacji to oczekiwane, bo dane wygenerowano z jednego czynnika. W prawdziwych danych dopasowanie bywa gorsze.

Porównanie grup i związek z wiekiem

Osoby, które szukały informacji o zdrowiu w internecie (n = 314), miały wyższy wynik niż pozostałe (n = 105): M = 31.88 (SD = 4.90) wobec M = 28.18 (SD = 6.17). Test Welcha: różnica 3.70 punktu, 95% CI [2.40, 5.01], t(150.23) = 5.59, p < .001, d = 0.71 (rysunek 1). Test Welcha wybraliśmy, bo grupy różnią się liczebnością i rozproszeniem.

Wynik słabo malał z wiekiem: korelacja Pearsona r(417) = −.23, 95% CI [−.32, −.14], p < .001 (rysunek 2). Kierunek zgadza się z norweskim badaniem, w którym korelacja z wiekiem wyniosła −.21 (Brørs i in., 2020). Nie wyciągaj z niej jednak wniosku, że starsi „gorzej radzą sobie w internecie”. Skala mierzy samoocenę, a wiek wiąże się też z tym, jak często ktoś w ogóle szuka informacji o zdrowiu online.

Jak opisać eHEALS w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych wpisz dane swojej wersji.

Ogólny schemat opisu narzędzia znajdziesz we wpisie opis narzędzia badawczego – wzór.

Licencja i polska wersja

Artykuł źródłowy z formularzem w załączniku ukazał się w otwartym dostępie na licencji Creative Commons Uznanie autorstwa 2.0, z zastrzeżeniem „o ile nie zaznaczono inaczej” (Norman i Skinner, 2006; nota licencyjna w artykule, odczyt 1.11.2026). Nie znaleźliśmy oficjalnej strony twórców z osobnymi warunkami użycia skali. Licencja artykułu wymaga cytowania źródła. Przed tłumaczeniem albo modyfikacją skali dobrą praktyką jest kontakt z autorem, a jeśli korzystasz z gotowej wersji językowej, cytuj jej publikację.

Polską wersję zweryfikowaliśmy w dwóch publikacjach. Duplaga i in. (2019) sprawdzili ją na dwóch reprezentatywnych próbach: osób po 50. roku życia w wywiadzie telefonicznym i młodych kobiet w ankiecie internetowej. Alfa wyniosła .90 i .88, analiza czynnikowa dała jeden czynnik, nie było efektów podłogi ani sufitu. Burzyńska i in. (2022) potwierdzili jednoczynnikową strukturę u 1527 użytkowników mediów społecznościowych (alfa .84). Norm nie podajemy. Etapy przekładu opisuje wpis adaptacja kulturowa kwestionariusza.

# B286 – eHEALS: wynik 8–40, kontrola kodowania, rzetelność, CFA i porównania (dane symulowane, set.seed(28611)).
# 420 dorosłych z badania ankietowego; 8 pozycji (e1–e8) z odpowiedziami na 5-stopniowej skali zgody kodowanymi 1–5
# (wyżej = większa zgoda = wyższe postrzegane e-zdrowotne kompetencje). Suma 8 pozycji: 8–40 (Norman i Skinner, 2006;
# Brørs i in., 2020). Pozycji się nie odwraca; dwóch pytań dodatkowych nie wlicza się do wyniku. Treści pozycji nie podajemy.
suppressPackageStartupMessages({ library(psych); library(lavaan) })
set.seed(28611)
n <- 420
poz <- paste0("e", 1:8)
wiek <- round(runif(n, 18, 80))
szuka <- rbinom(n, 1, plogis(1.6 - 0.035 * (wiek - 45)))          # 1 = szukał(a) w internecie informacji o zdrowiu w ostatnim roku
F <- 0.55 * szuka - 0.012 * (wiek - 45) + rnorm(n, 0, 0.85)
lam <- c(.78, .80, .74, .82, .79, .70, .66, .62)
prog <- c(-1.8, -0.9, 0.0, 1.1)
odp <- sapply(1:8, function(j) 1 + findInterval(lam[j] * F + rnorm(n, 0, sqrt(1 - lam[j]^2)) + 0.2, prog))
colnames(odp) <- poz
dane <- data.frame(id = 1:n, wiek, szuka_online = szuka, odp)
dane$e3[c(12, 230)] <- NA; dane$e7[c(88, 88 + 1)] <- NA; dane$e8[89] <- NA   # osoba 89 ma 2 braki
write.csv(dane, "../eheals-dane-przyklad.csv", row.names = FALSE, na = "")   # plik do pobrania

# Krok 1. Kontrola kodowania: tylko 1–5 albo brak (eksport 0–4 przesunąłby sumę o 8 punktów)
all(sapply(dane[, poz], function(x) all(x %in% c(1:5, NA))))
colSums(is.na(dane[, poz]))[colSums(is.na(dane[, poz])) > 0]

# Krok 2. Wynik: suma 8 pozycji (8–40); przy jednym braku (nasza reguła) średnia pozycji × 8; średnia 1–5 jako zapis pomocniczy
suma <- function(d, p, max_brak = 1) { k <- rowSums(is.na(d[, p]))
  ifelse(k <= max_brak, rowMeans(d[, p], na.rm = TRUE) * length(p), NA) }
dane$eHEALS <- suma(dane, poz); dane$eHEALS_sr <- dane$eHEALS / 8
x <- na.omit(dane$eHEALS)
round(c(n = length(x), M = mean(x), SD = sd(x), Me = median(x), min = min(x), max = max(x),
        M_sr = mean(x) / 8, proc_8 = 100 * mean(x == 8), proc_40 = 100 * mean(x == 40), skosnosc = skew(x)), 2)

# Krok 3. Rzetelność: alfa z 95% CI Feldta, korelacje pozycja–reszta i omega z jednoczynnikowej CFA (estymator MLR)
kpl <- na.omit(dane[, poz])
a <- alpha(kpl, warnings = FALSE)
fit <- cfa(paste("F =~", paste(poz, collapse = " + ")), data = kpl, estimator = "MLR", std.lv = TRUE)
s <- standardizedSolution(fit); l <- s$est.std[s$op == "=~"]; th <- s$est.std[s$op == "~~" & s$lhs == s$rhs & s$lhs %in% poz]
round(c(n = nrow(kpl), alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]],
        omega = sum(l)^2 / (sum(l)^2 + sum(th)), r_drop_min = min(a$item.stats$r.drop), r_drop_max = max(a$item.stats$r.drop),
        ladunek_min = min(l), ladunek_max = max(l)), 3)
round(fitMeasures(fit, c("chisq.scaled", "df", "pvalue.scaled", "cfi.robust", "rmsea.robust", "srmr")), 3)

# Krok 4. Porównanie: osoby szukające informacji o zdrowiu w internecie a pozostałe (test Welcha, d Cohena)
d <- na.omit(dane[, c("eHEALS", "szuka_online", "wiek")])
table(d$szuka_online)
aggregate(eHEALS ~ szuka_online, d, function(v) round(c(M = mean(v), SD = sd(v)), 2))
tw <- t.test(eHEALS ~ factor(szuka_online, levels = c(1, 0)), data = d)
sp <- sqrt(((sum(d$szuka_online == 1) - 1) * var(d$eHEALS[d$szuka_online == 1]) +
            (sum(d$szuka_online == 0) - 1) * var(d$eHEALS[d$szuka_online == 0])) / (nrow(d) - 2))
round(c(roznica = unname(diff(rev(tw$estimate))), lo = tw$conf.int[1], hi = tw$conf.int[2], t = unname(tw$statistic),
        df = unname(tw$parameter), d = unname(diff(rev(tw$estimate))) / sp), 2)
format.pval(tw$p.value, digits = 3)

# Krok 5. Związek z wiekiem (korelacja Pearsona z 95% CI)
ct <- cor.test(d$eHEALS, d$wiek)
round(c(r = unname(ct$estimate), lo = ct$conf.int[1], hi = ct$conf.int[2], df = unname(ct$parameter)), 3)
format.pval(ct$p.value, digits = 3)

[1] TRUE
e3 e7 e8 
 2  2  1 
       n        M       SD       Me      min      max     M_sr   proc_8  proc_40 skosnosc 
  419.00    30.96     5.48    32.00    12.00    40.00     3.87     0.00     2.15    -0.79 
          n        alfa          lo          hi       omega  r_drop_min  r_drop_max ladunek_min 
    416.000       0.878       0.860       0.895       0.880       0.508       0.718       0.541 
ladunek_max 
      0.772 
 chisq.scaled            df pvalue.scaled    cfi.robust  rmsea.robust          srmr 
       32.252        20.000         0.041         0.990         0.039         0.024 

  0   1 
105 314 
  szuka_online eHEALS.M eHEALS.SD
1            0    28.18      6.17
2            1    31.88      4.90
roznica      lo      hi       t      df       d 
   3.70    2.40    5.01    5.59  150.23    0.71 
[1] "1.02e-07"
      r      lo      hi      df 
 -0.228  -0.317  -0.135 417.000 
[1] "2.42e-06"

Najczęstsze błędy przy eHEALS

• Odwrócone kodowanie całej skali. Gdy formularz zaczyna się od pełnej zgody, eksport może zapisać ją jako 1; sprawdź etykiety przed sumowaniem.
• Doliczanie pytań dodatkowych. Wynik to suma 8 pozycji; dwa pytania o przydatność i ważność internetu analizuj osobno.
• Próg bez źródła. Podział na „niskie” i „wysokie” kompetencje wymaga publikacji, w której go wyznaczono.
• Samoocena jako umiejętność. eHEALS mierzy postrzegane kompetencje; nie pisz, że badani „potrafią ocenić wiarygodność źródeł”.
• Brak kontroli jakości odpowiedzi online. Przy krótkiej skali kilka osób klikających jedną kolumnę zmienia rozkład; zobacz wpis o nieuważnych odpowiedziach w ankietach online.

Pełną ścieżkę analizy narzędzia porządkuje przewodnik po analizie kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził liczenie eHEALS i analizy w Twojej bazie, skorzystaj z oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Jaki jest zakres wyniku eHEALS?

Od 8 do 40. Każdą z 8 pozycji koduje się od 1 do 5, a wynik to suma; wyższy wynik oznacza wyższe postrzegane e-zdrowotne kompetencje (Brørs i in., 2020). Jeśli Twój formularz zaczynał się od pełnej zgody, sprawdź, czy eksport nie zapisał jej jako 1 – wtedy trzeba przekodować wszystkie pozycje.

Czy pytania dodatkowe eHEALS wlicza się do wyniku?

Nie. Dwa pytania o to, jak przydatny i ważny jest dla badanego internet w sprawach zdrowia, nie są formalną częścią skali i nie wchodzą do sumy (Brørs i in., 2020). Możesz je opisać osobno, np. jako odsetki odpowiedzi albo w korelacji z wynikiem.

Od ilu punktów eHEALS oznacza wysokie kompetencje?

Publikacja źródłowa nie podaje progów. Jeśli chcesz dzielić badanych na grupy, zacytuj publikację, w której próg wyznaczono, i opisz, na jakiej próbie powstał. W przeciwnym razie analizuj wynik ciągły i porównuj średnie.

Czy eHEALS mierzy umiejętność oceny wiarygodności informacji?

Mierzy samoocenę tej umiejętności. Norman i Skinner (2006) zaznaczają, że skala ujmuje postrzegane umiejętności i komfort, a nie umiejętności wprost. W pracy pisz więc o tym, jak badani oceniają swoje kompetencje, a nie o tym, co faktycznie potrafią.

Czy eHEALS ma jeden czynnik?

Twórcy i polskie badania z eksploracyjną analizą czynnikową opisują jeden czynnik (Duplaga i in., 2019; Burzyńska i in., 2022). W norweskiej CFA lepiej dopasowany był model trzyczynnikowy (Brørs i in., 2020). W pracy dyplomowej zwykle analizuje się wynik ogólny z alfą i omegą.

Powiązane hasła

Przeczytaj też

@article{brors2020psychometric, author={Brørs, Gunhild and Wentzel-Larsen, Tore and Dalen, Håvard and Hansen, Tina B. and Norman, Cameron D. and Wahl, Astrid and Norekvål, Tone M. and {CONCARD Investigators}}, title={{Psychometric properties of the Norwegian version of the Electronic Health Literacy Scale (eHEALS) among patients after percutaneous coronary intervention: Cross-sectional validation study}}, journal={Journal of Medical Internet Research}, year={2020}, volume={22}, number={7}, eid={e17312}, doi={10.2196/17312}}

@article{burzynska2022evaluating, author={Burzyńska, Joanna and Rękas, Magdalena and Januszewicz, Paweł}, title={{Evaluating the psychometric properties of the eHealth Literacy Scale (eHEALS) among Polish social media users}}, journal={International Journal of Environmental Research and Public Health}, year={2022}, volume={19}, number={7}, eid={4067}, doi={10.3390/ijerph19074067}}

@article{duplaga2019reliability, author={Duplaga, Mariusz and Sobecka, Karolina and Wójcik, Sylwia}, title={{The reliability and validity of the telephone-based and online Polish eHealth Literacy Scale based on two nationally representative samples}}, journal={International Journal of Environmental Research and Public Health}, year={2019}, volume={16}, number={17}, eid={3216}, doi={10.3390/ijerph16173216}}

@article{mazza2015addressing, author={Mazza, Gina L. and Enders, Craig K. and Ruehlman, Linda S.}, title={{Addressing item-level missing data: A comparison of proration and full information maximum likelihood estimation}}, journal={Multivariate Behavioral Research}, year={2015}, volume={50}, number={5}, pages={504--519}, doi={10.1080/00273171.2015.1068157}}

@article{mcneish2018thanks, author={McNeish, Daniel}, title={{Thanks coefficient alpha, we’ll take it from here}}, journal={Psychological Methods}, year={2018}, volume={23}, number={3}, pages={412--433}, doi={10.1037/met0000144}}

@article{norman2011ehealth, author={Norman, Cameron}, title={{eHealth literacy 2.0: Problems and opportunities with an evolving concept}}, journal={Journal of Medical Internet Research}, year={2011}, volume={13}, number={4}, eid={e125}, doi={10.2196/jmir.2035}}

@article{norman2006eheals, author={Norman, Cameron D. and Skinner, Harvey A.}, title={{eHEALS: The eHealth Literacy Scale}}, journal={Journal of Medical Internet Research}, year={2006}, volume={8}, number={4}, eid={e27}, doi={10.2196/jmir.8.4.e27}}