LOT-R – test orientacji życiowej (optymizm): jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest LOT-R

LOT-R (Life Orientation Test – Revised), czyli zrewidowany test orientacji życiowej, mierzy optymizm dyspozycyjny. To ogólne oczekiwanie, że w przyszłości przydarzy nam się raczej więcej dobrego niż złego. Pierwszą wersję, LOT, opisali Scheier i Carver (1985). Optymizm zdefiniowali jako uogólnione oczekiwania co do wyników własnych działań. W ich badaniu podłużnym studenci bardziej optymistyczni rzadziej zgłaszali pod koniec semestru dokuczliwe objawy fizyczne. Wersję zrewidowaną opublikowali Scheier, Carver i Bridges (1994). Na danych 4309 osób pokazali, że związki optymizmu z depresją i radzeniem sobie utrzymują się po kontroli neurotyczności, lęku jako cechy, poczucia panowania i samooceny. W tej samej pracy opisali niewielką modyfikację skali, czyli właśnie LOT-R. Według strony autora powodem zmiany było to, że nie wszystkie pozycje LOT dotyczyły wprost oczekiwań wobec przyszłości (Carver, b.d.).

W pracach dyplomowych LOT-R pojawia się przede wszystkim w psychologii: w psychologii zdrowia (optymizm a radzenie sobie z chorobą, stres, objawy), psychologii pozytywnej i psychologii osobowości. Warsztat statystyczny tych prac opisuje wpis statystyka dla psychologa. Przegląd Carvera, Scheiera i Segerstrom (2010) łączy wyższy optymizm z lepszym samopoczuciem w trudnych okresach, z częstszym radzeniem sobie przez zaangażowanie i z lepszymi wskaźnikami zdrowia fizycznego. W metaanalizie 83 badań średni związek optymizmu ze zdrowiem fizycznym wyniósł 0.17 i był wyraźniejszy przy subiektywnych miarach zdrowia (Rasmussen i in., 2009). LOT-R często występuje w jednej ankiecie z miarami stresu, np. PSS-10, i z miarami radzenia sobie, np. Brief COPE.

Budowa: 10 pozycji, z czego liczy się 6

Oficjalna strona Charlesa S. Carvera podaje LOT-R w postaci, w jakiej autorzy używają go we własnych badaniach (Carver, b.d.). Skala ma 10 pozycji. Badany ocenia każdą na pięciostopniowej skali oznaczonej literami od A („zdecydowanie się zgadzam”) do E („zdecydowanie się nie zgadzam”), ze środkiem „ani się zgadzam, ani nie zgadzam”. Treści pozycji nie przytaczamy. Pobierz je ze strony autora albo z publikacji wersji, której używasz.

Pozycje wypełniające dotyczą innych spraw niż oczekiwania wobec przyszłości. Strona autora wymienia je wprost: pozycje 2, 5, 6 i 8 to wypełniacze, a odpowiedzi na pozycje liczone trzeba zakodować tak, aby wyższa wartość oznaczała optymizm (Carver, b.d.). Pozycje 3, 7 i 9 są sformułowane pesymistycznie, więc to je się odwraca. Strona nie wymienia ich numerów osobno jako „pozycji odwróconych”. Wynika to jednak wprost z tej reguły i z ich treści na formularzu. Ogólne zasady pracy z takimi pozycjami opisuje hasło pozycja odwrócona.

Jak policzyć wynik LOT-R krok po kroku

Krok 1. Zamień litery na liczby i zapisz, jak to zrobiłeś

Strona autora podaje odpowiedzi jako litery A–E i nie przypisuje im liczb. Wybór kodowania należy więc do Ciebie i musi być opisany w pracy. W przykładzie kodujemy odpowiedzi od 0 do 4 tak, że 4 oznacza „zdecydowanie się zgadzam”. Wtedy wynik ogólny ma zakres 0–24. Przy kodowaniu 1–5 zakres wynosi 6–30. Oba warianty dają te same korelacje i te same wyniki testów, ale średnich nie da się między nimi porównywać. Kodowania 0–4 nie potwierdziliśmy w tekście publikacji z 1994 r., bo jej pełny tekst jest płatny. Jeśli chcesz porównywać średnie z literaturą, sprawdź kodowanie w artykule, z którego bierzesz porównanie.

Krok 2. Odrzuć pozycje wypełniające

Pozycje 2, 5, 6 i 8 zostają w bazie, ale nie wchodzą do żadnego wyniku ani do alfy Cronbacha. Brak odpowiedzi na wypełniaczu nie jest więc brakiem w wyniku LOT-R. Nie usuwaj z tego powodu osoby z analizy.

Krok 3. Odwróć pozycje 3, 7 i 9

Po odwróceniu wszystkie sześć liczonych pozycji ma ten sam kierunek: wyżej znaczy bardziej optymistycznie. Przekodowanie w SPSS, Excelu i R pokazuje poradnik jak policzyć wynik kwestionariusza.

Krok 4. Zsumuj sześć pozycji

Wyższy wynik oznacza silniejszy optymizm. Strona autora nie rozstrzyga, czy podawać sumę, czy średnią. Średnia sześciu pozycji (0–4) niesie tę samą informację, a w przykładzie podajemy sumę. Przy tylko sześciu pozycjach jeden brak to już jedna szósta wyniku. Dlatego w przykładzie liczymy wynik tylko u osób, które odpowiedziały na wszystkie sześć pozycji liczonych. To decyzja badacza, którą trzeba opisać. O alternatywach piszemy we wpisie braki danych w ankiecie.

Krok 5. W razie potrzeby policz podwyniki

Strona autora dopuszcza osobne sumy dla pozycji optymistycznych i pesymistycznych. Zaleca je badaczom, którzy chcą sprawdzić, czy potwierdzanie optymizmu działa inaczej niż odrzucanie pesymizmu (Carver, b.d.). Optymizm to suma pozycji 1, 4 i 10 (0–12). Pesymizm wygodnie liczyć na pozycjach 3, 7 i 9 przed odwróceniem (0–12), bo wtedy wyżej znaczy bardziej pesymistycznie. W pracy napisz wyraźnie, który kierunek przyjąłeś (przyjęłaś).

Interpretacja: wymiar ciągły, bez progów

Autorzy piszą wprost, że LOT-R nie ma progów optymizmu ani pesymizmu i że traktują go jako wymiar ciągły. Podkreślają też, że to narzędzie badawcze, nieprzeznaczone do zastosowań klinicznych (Carver, b.d.). Nie dziel więc próby na „optymistów” i „pesymistów” według mediany czy kwartyli. Taki podział nie ma oparcia w kluczu i traci informację. Szerzej wyjaśnia to wpis niski, przeciętny, wysoki wynik. Polskich norm nie podajemy, a średnich z badań zagranicznych nie traktuj jak norm testowych.

Ważne pytanie brzmi: jeden wynik czy dwa? Herzberg, Glaesmer i Hoyer (2006) zbadali niemiecką wersję LOT-R w próbie 46 133 osób w wieku od 18 do 103 lat. W CFA optymizm okazał się dwuwymiarowy: z czynnikiem optymizmu i czynnikiem pesymizmu. Oba czynniki korelowały ujemnie, słabo lub umiarkowanie, a siła związku malała z wiekiem. Pamiętaj jednak, że pozycje pesymistyczne są zarazem jedynymi sformułowanymi negatywnie. Sama analiza czynnikowa nie rozstrzyga więc, czy drugi czynnik odzwierciedla treść, czy kierunek sformułowania i styl odpowiadania (zob. tendencja do zgadzania się). W pracy licencjackiej czy magisterskiej zwykle wystarczy wynik ogólny. Jeśli jednak hipotezy dotyczą osobno optymizmu i pesymizmu, policz podwyniki i sprawdź, czy ich związki z innymi zmiennymi się różnią.

Przykład: LOT-R u 280 osób studiujących

Dane są symulowane i możesz je pobrać jako plik CSV. Zawierają surowe odpowiedzi 0–4 na wszystkie 10 pozycji (l1–l10, 4 = zdecydowanie się zgadzam) i wynik PSS-10. Trzy osoby pominęły tylko pozycję wypełniającą i zostały w analizie. Trzy inne pominęły pozycję liczoną i nie dostały wyniku. Wynik ma więc 277 osób.

Rozkład wyniku ogólnego był lekko lewostronnie skośny (skośność −0.27), a wyniki objęły cały zakres 0–24. Omegę policzyliśmy z modelu dwuczynnikowego opisanego niżej. Dla wyniku ogólnego uwzględnia ona oba czynniki i ich korelację.

Dwa błędy, które widać w alfie

Gdy pozycje 3, 7 i 9 zostawimy bez odwrócenia, alfa sześciu pozycji spada do .10. Średnia korelacja pozycji optymistycznych z nieodwróconymi pesymistycznymi wynosi wtedy −.31, więc obie grupy pozycji wzajemnie się znoszą. Gdy do wyniku dołączymy cztery wypełniacze, alfa spada z .79 do .71. Wypełniacze korelują z resztą skali tylko na poziomie .09–.23. Oba błędy łatwo przeoczyć, jeśli patrzysz tylko na średnią. Jak czytać niską alfę, wyjaśnia wpis alfa Cronbacha poniżej 0.7.

Jeden czynnik czy dwa

Porównaliśmy w CFA (estymator MLR) model z jednym czynnikiem i model z dwoma skorelowanymi czynnikami. Model jednoczynnikowy pasował słabo: χ²(9) = 107.46, CFI = .824, RMSEA = .181, SRMR = .085. Model dwuczynnikowy pasował bardzo dobrze: χ²(8) = 5.33, CFI = 1.000, RMSEA = .000, SRMR = .021. Test różnicy (ML) dał χ²(1) = 83.65, p < .001. Optymizm i pesymizm korelowały na poziomie czynników −.61, 95% CI [−.72, −.49]. Dane są symulowane z dwoma czynnikami, więc wynik CFA jest tu zgodny z założeniem symulacji. Pokazuje jednak, jak w Twoich danych sprawdzić, czy jeden wynik wystarczy.

Optymizm a stres

Na poziomie obserwowanych sum optymizm i pesymizm korelowały ze sobą umiarkowanie: r = −.46, 95% CI [−.55, −.36] (rysunek 2). Wynik LOT-R korelował ujemnie z poczuciem stresu (PSS-10): r = −.64, 95% CI [−.70, −.56], p < .001. Dla podwyników korelacje wyniosły −.51 (optymizm) i .58 (pesymizm). To korelacje Pearsona w badaniu przekrojowym, więc nie mówią, czy optymizm chroni przed stresem, czy stres obniża optymizm.

Jak opisać LOT-R w pracy

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

Ogólny schemat opisu znajdziesz w poradniku opis narzędzia badawczego – wzór, a zdania o rzetelności we wzorze raportowania alfy Cronbacha.

Licencja i polska wersja

Charles S. Carver udostępnia swoje skale, w tym LOT-R, do badań i dydaktyki bez opłat i bez potrzeby uzyskiwania zgody. Prosi, by nie pisać do niego po list z pozwoleniem, bo informacja na stronie jest jedyną zgodą, jaką wydaje (Carver, b.d.; strona z listą skal autora, odczyt 1 listopada 2026 r.). Strona LOT-R dodaje, że to narzędzie badawcze, nieprzeznaczone do zastosowań klinicznych (Carver, b.d.). Praca dyplomowa to zastosowanie badawcze, więc zgoda autora nie jest potrzebna. W pracy zacytuj Scheiera i in. (1994).

Polskiej adaptacji ani norm nie opisujemy, bo nie zweryfikowaliśmy ich publikacji. Jeśli korzystasz z polskiej wersji, zacytuj źródło, z którego ją wziąłeś (wzięłaś), i sprawdź w nim numerację pozycji. Kolejność pozycji w przekładzie może się różnić od oryginału, a wtedy numery wypełniaczy z tego wpisu nie będą pasować. Własny przekład wymaga procedury opisanej we wpisie adaptacja kulturowa kwestionariusza.

# B276 – LOT-R: pozycje wypełniające, odwracanie, wynik ogólny i podwyniki optymizmu i pesymizmu,
# rzetelność, model jedno- i dwuczynnikowy (dane symulowane, set.seed(27601)). Treści pozycji nie podajemy.
# Klucz (oficjalna strona C. S. Carvera): 10 pozycji, pozycje 2, 5, 6 i 8 to pozycje wypełniające (nie liczą się);
# pozostałe koduje się tak, aby wyższa wartość oznaczała optymizm, więc pozycje sformułowane pesymistycznie
# (3, 7, 9) się odwraca. Kodowanie liter A–E jako 4–0 jest decyzją przyjętą w przykładzie (patrz tekst).
suppressPackageStartupMessages({ library(psych); library(lavaan) })
set.seed(27601)
n <- 280
O <- rnorm(n)                                                  # optymizm (latentny)
P <- -0.55 * O + rnorm(n, 0, sqrt(1 - 0.55^2))                 # pesymizm (latentny), korelacja ok. −.55
pozycja <- function(eta, l, progi) findInterval(l * eta + rnorm(n, 0, sqrt(1 - l^2)), progi)  # 0–4
pr_o <- c(-1.6, -0.8, 0.1, 1.1); pr_p <- c(-0.9, -0.1, 0.8, 1.7)
W <- function() 0.35 * O + rnorm(n, 0, sqrt(1 - 0.35^2))   # pozycje wypełniające: słaby związek z optymizmem
odp <- cbind(l1 = pozycja(O, .70, pr_o), l2 = pozycja(W(), .5, c(-1.5, -0.6, 0.3, 1.2)),
             l3 = pozycja(P, .68, pr_p), l4 = pozycja(O, .78, pr_o),
             l5 = pozycja(W(), .5, c(-2.0, -1.2, -0.4, 0.6)), l6 = pozycja(W(), .5, c(-1.8, -1.0, -0.2, 0.8)),
             l7 = pozycja(P, .74, pr_p), l8 = pozycja(W(), .5, c(-1.4, -0.5, 0.4, 1.3)),
             l9 = pozycja(P, .70, pr_p), l10 = pozycja(O, .72, pr_o))
# kodowanie surowe: 4 = A (zdecydowanie się zgadzam) … 0 = E (zdecydowanie się nie zgadzam)
pss10 <- round(pmin(40, pmax(0, 19 - 2.4 * O + 1.8 * P + rnorm(n, 0, 5))))   # wynik PSS-10 (0–40), symulowany
dane <- data.frame(id = 1:n, odp, pss10)
dane$l5[c(19, 140)] <- NA; dane$l8[211] <- NA                  # braki tylko w pozycjach wypełniających
dane$l7[c(58, 199)] <- NA; dane$l10[90] <- NA                  # braki w pozycjach liczonych
write.csv(dane, "../lot-r-dane-przyklad.csv", row.names = FALSE, na = "")   # plik do pobrania
wyp <- c("l2", "l5", "l6", "l8"); opt <- c("l1", "l4", "l10"); pes <- c("l3", "l7", "l9")

# Krok 1. Kontrola kodowania (0–4 albo brak) i braki osobno w pozycjach liczonych i wypełniających
all(as.matrix(dane[, paste0("l", 1:10)]) %in% c(0:4, NA))
c(braki_wypelniajace = sum(rowSums(is.na(dane[, wyp])) > 0), braki_liczone = sum(rowSums(is.na(dane[, c(opt, pes)])) > 0))

# Krok 2. Odwrócenie pozycji pesymistycznych (4 − x) i wynik ogólny = suma 6 pozycji (0–24), tylko przy komplecie
odwroc <- function(x, min = 0, max = 4) min + max - x
d <- dane
d[, paste0(pes, "_odw")] <- lapply(d[, pes], odwroc)
liczone <- c(opt, paste0(pes, "_odw"))
d$LOTR <- ifelse(rowSums(is.na(d[, liczone])) == 0, rowSums(d[, liczone]), NA)
d$OPT <- rowSums(d[, opt]); d$PES <- rowSums(d[, pes])        # podwyniki 0–12; PES: wyżej = więcej pesymizmu
d <- d[!is.na(d$LOTR), ]
nrow(d)
opis <- function(x) round(c(M = mean(x), SD = sd(x), Me = median(x), min = min(x), max = max(x), skosnosc = skew(x)), 2)
rbind(LOTR = opis(d$LOTR), OPT = opis(d$OPT), PES = opis(d$PES))

# Krok 3. Rzetelność: alfa (95% CI Feldta) dla wyniku ogólnego i podwyników; dwa typowe błędy dla porównania
alfa <- function(x) { a <- psych::alpha(x, check.keys = FALSE, warnings = FALSE)
  round(c(alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]]), 3) }
rbind(LOTR_6 = alfa(d[, liczone]), OPT_3 = alfa(d[, opt]), PES_3 = alfa(d[, pes]))
blad1 <- psych::alpha(d[, c(opt, pes)], check.keys = FALSE, warnings = FALSE)   # bez odwrócenia
round(blad1$total$raw_alpha, 2)
round(mean(cor(d[, opt], d[, pes])), 2)                       # średnia korelacja pozycji z dwóch grup
pel10 <- d[complete.cases(d[, wyp]), ]
blad2 <- psych::alpha(pel10[, c(liczone, wyp)], check.keys = FALSE, warnings = FALSE)  # z wypełniaczami
round(c(alfa_z_wypelniaczami = blad2$total$raw_alpha, r_drop_wypelniacze = range(blad2$item.stats$r.drop[7:10])), 2)

# Krok 4. Jeden czynnik czy dwa (optymizm i pesymizm)? CFA z estymatorem MLR i omega z modelu dwuczynnikowego
m1 <- paste("LOT =~", paste(liczone, collapse = " + "))
m2 <- paste("OP =~", paste(opt, collapse = " + "), "\nPE =~", paste(paste0(pes, "_odw"), collapse = " + "))
f1 <- cfa(m1, data = d, estimator = "MLR", std.lv = TRUE)
f2 <- cfa(m2, data = d, estimator = "MLR", std.lv = TRUE)
ind <- c("chisq.scaled", "df.scaled", "cfi.robust", "rmsea.robust", "srmr")
round(rbind(jeden = fitMeasures(f1, ind), dwa = fitMeasures(f2, ind)), 3)
roz <- lavTestLRT(update(f1, estimator = "ML"), update(f2, estimator = "ML"))   # test różnicy (ML)
sprintf("chi2(%d) = %.2f, p = %.1e", roz[2, "Df diff"], roz[2, "Chisq diff"], roz[2, "Pr(>Chisq)"])
st2 <- standardizedSolution(f2)
st2[st2$op == "~~" & st2$lhs == "OP" & st2$rhs == "PE", c("est.std", "ci.lower", "ci.upper")]
L <- st2$est.std[st2$op == "=~"]; phi <- st2$est.std[st2$op == "~~" & st2$lhs == "OP" & st2$rhs == "PE"]
s_o <- sum(L[1:3]); s_p <- sum(L[4:6]); wsp <- s_o^2 + s_p^2 + 2 * phi * s_o * s_p   # omega sumy 6 pozycji
round(c(lambda_min = min(L), lambda_max = max(L), omega_LOTR = wsp / (wsp + sum(1 - L^2)),
        omega_OPT = s_o^2 / (s_o^2 + sum(1 - L[1:3]^2)), omega_PES = s_p^2 / (s_p^2 + sum(1 - L[4:6]^2))), 3)

# Krok 5. Optymizm a poczucie stresu (PSS-10): korelacje Pearsona z 95% CI
bz <- function(x) sub("^(-?)0\\.", "\\1.", sprintf("%.2f", x))   # zapis APA bez zera wiodącego
r_ci <- function(x, y) { ct <- cor.test(x, y)
  sprintf("r = %s, 95%% CI [%s, %s], p = %.1e", bz(ct$estimate), bz(ct$conf.int[1]), bz(ct$conf.int[2]), ct$p.value) }
c(LOTR = r_ci(d$LOTR, d$pss10), OPT = r_ci(d$OPT, d$pss10), PES = r_ci(d$PES, d$pss10), OPT_PES = r_ci(d$OPT, d$PES))

[1] TRUE
braki_wypelniajace      braki_liczone 
                 3                  3 
[1] 277
         M   SD Me min max skosnosc
LOTR 14.44 4.65 15   0  24    -0.27
OPT   7.18 2.63  7   0  12    -0.27
PES   4.74 2.80  5   0  12     0.26
        alfa    lo    hi
LOTR_6 0.793 0.753 0.829
OPT_3  0.755 0.700 0.801
PES_3  0.760 0.706 0.805
[1] 0.1
[1] -0.31
alfa_z_wypelniaczami  r_drop_wypelniacze1  r_drop_wypelniacze2 
                0.71                 0.09                 0.23 
      chisq.scaled df.scaled cfi.robust rmsea.robust  srmr
jeden      107.456         9      0.824        0.181 0.085
dwa          5.328         8      1.000        0.000 0.021
[1] "chi2(1) = 83.65, p = 5.9e-20"
   est.std ci.lower ci.upper
15   0.606    0.488    0.724
lambda_min lambda_max omega_LOTR  omega_OPT  omega_PES 
     0.674      0.789      0.835      0.758      0.759 
                                        LOTR                                          OPT 
"r = -.64, 95% CI [-.70, -.56], p = 3.0e-33" "r = -.51, 95% CI [-.60, -.42], p = 4.2e-20" 
                                         PES                                      OPT_PES 
   "r = .58, 95% CI [.49, .65], p = 6.0e-26" "r = -.46, 95% CI [-.55, -.36], p = 6.5e-16" 

Najczęstsze błędy przy LOT-R

• Sumowanie wszystkich 10 pozycji. Pozycje 2, 5, 6 i 8 to wypełniacze. Wliczone do wyniku obniżają rzetelność i zmieniają zakres.
• Brak odwrócenia pozycji 3, 7 i 9. Wynik przestaje mierzyć optymizm, a alfa spada niemal do zera.
• Usuwanie osób z brakiem na wypełniaczu. Ten brak nie wpływa na wynik.
• Niejasne kodowanie. Strona autora podaje litery A–E. Napisz, czy kodowałeś (kodowałaś) 0–4 czy 1–5, bo od tego zależy zakres i średnia.
• „Optymiści” i „pesymiści” z mediany. Autorzy nie podają progów i traktują LOT-R jako wymiar ciągły.
• Numeracja z innej wersji. Przed odwracaniem sprawdź numery pozycji w wersji językowej, której używasz.

Pełną ścieżkę analizy kwestionariusza porządkuje przewodnik po analizie kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził liczenie LOT-R w Twojej bazie, możesz skorzystać z konsultacji w ramach oferty analizy statystyczne dla studentów. Wyniki musisz jednak rozumieć i umieć obronić samodzielnie.

Najczęstsze pytania

Które pozycje LOT-R są wypełniające?

Według oficjalnej strony autora pozycje 2, 5, 6 i 8 to wypełniacze. Nie wchodzą do wyniku ani do alfy Cronbacha. Brak odpowiedzi na nich nie jest brakiem w wyniku LOT-R. Sprawdź tylko, czy wersja językowa, której używasz, ma tę samą kolejność pozycji.

Które pozycje LOT-R trzeba odwrócić?

Pozycje 3, 7 i 9, sformułowane pesymistycznie. Strona autora wymaga kodowania pozycji liczonych tak, aby wyższa wartość oznaczała optymizm. Przy kodowaniu 0–4 wartość odwrócona to 4 − x, a przy kodowaniu 1–5 to 6 − x.

Jaki jest zakres wyniku LOT-R?

Zależy od kodowania odpowiedzi, którego strona autora nie narzuca (podaje litery A–E). Przy kodowaniu 0–4 suma sześciu pozycji ma zakres 0–24, a przy kodowaniu 1–5 – zakres 6–30. Napisz w pracy, które kodowanie przyjąłeś (przyjęłaś).

Od ilu punktów w LOT-R ktoś jest optymistą?

Nie ma takiego progu. Autorzy piszą, że LOT-R nie ma punktów odcięcia dla optymizmu ani pesymizmu i traktują go jako wymiar ciągły. Nie dziel próby na optymistów i pesymistów według mediany, tylko analizuj wynik ciągły.

Czy na użycie LOT-R w pracy magisterskiej potrzebna jest zgoda?

Nie. Charles S. Carver udostępnia swoje skale do badań i dydaktyki bez opłat i bez potrzeby uzyskiwania zgody. Zaznacza też, że LOT-R to narzędzie badawcze, a nie kliniczne. Zacytuj Scheiera, Carvera i Bridgesa (1994) oraz źródło wersji językowej.

Powiązane hasła

Przeczytaj też

@misc{carverlotrnd, author={Carver, Charles S.}, title={{LOT-R (Life Orientation Test-Revised)}}, publisher={University of Miami, Department of Psychology}, url={https://psy.miami.edu/faculty/ccarver/lot-r.html}}

@article{carver2010optimism, author={Carver, Charles S. and Scheier, Michael F. and Segerstrom, Suzanne C.}, title={{Optimism}}, journal={Clinical Psychology Review}, year={2010}, volume={30}, number={7}, pages={879--889}, doi={10.1016/j.cpr.2010.01.006}}

@article{herzberg2006separating, author={Herzberg, Philipp Yorck and Glaesmer, Heide and Hoyer, J{\"u}rgen}, title={{Separating optimism and pessimism: A robust psychometric analysis of the Revised Life Orientation Test (LOT-R)}}, journal={Psychological Assessment}, year={2006}, volume={18}, number={4}, pages={433--438}, doi={10.1037/1040-3590.18.4.433}}

@article{rasmussen2009optimism, author={Rasmussen, Heather N. and Scheier, Michael F. and Greenhouse, Joel B.}, title={{Optimism and physical health: A meta-analytic review}}, journal={Annals of Behavioral Medicine}, year={2009}, volume={37}, number={3}, pages={239--256}, doi={10.1007/s12160-009-9111-x}}

@article{scheier1985optimism, author={Scheier, Michael F. and Carver, Charles S.}, title={{Optimism, coping, and health: Assessment and implications of generalized outcome expectancies}}, journal={Health Psychology}, year={1985}, volume={4}, number={3}, pages={219--247}, doi={10.1037/0278-6133.4.3.219}}

@article{scheier1994distinguishing, author={Scheier, Michael F. and Carver, Charles S. and Bridges, Michael W.}, title={{Distinguishing optimism from neuroticism (and trait anxiety, self-mastery, and self-esteem): A reevaluation of the Life Orientation Test}}, journal={Journal of Personality and Social Psychology}, year={1994}, volume={67}, number={6}, pages={1063--1078}, doi={10.1037/0022-3514.67.6.1063}}