MAAS – skala uważności: jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest MAAS

MAAS (Mindful Attention Awareness Scale) to skala samoopisowa, którą Brown i Ryan (2003) opracowali do pomiaru uważności jako cechy dyspozycyjnej. Chodzi o to, jak często w codziennym życiu człowiek jest uważny i świadomy tego, co dzieje się tu i teraz. W serii badań autorów wyższe wyniki MAAS wiązały się z dobrostanem. Skala odróżniała też osoby praktykujące uważność od pozostałych. W badaniu z próbkowaniem doświadczeń uważność przewidywała zachowania samoregulacyjne i pozytywne stany emocjonalne (Brown i Ryan, 2003). Carlson i Brown (2005) pokazali, że jednoczynnikowa struktura MAAS jest taka sama u pacjentów onkologicznych i w dobranej grupie z populacji ogólnej.

W pracach dyplomowych MAAS pojawia się najczęściej w psychologii (uważność a stres, regulacja emocji, dobrostan) i w pedagogice (uważność studentów, nauczycieli, programy treningu uwagi). Typowe analizy w tych dziedzinach opisują poradniki statystyka dla psychologa i statystyka w pracy z pedagogiki. Ten wpis należy do serii o liczeniu wyników kwestionariuszy. Podobnie opisaliśmy np. PSS-10 i SCS-SF.

Budowa: 15 pozycji, jeden wynik

Według oficjalnej strony skali MAAS ma 15 pozycji i mierzy, jak często w codziennym życiu występują stany uważności (Center for Self-Determination Theory, b.d.). Pozycje dotyczą zwykłych sytuacji: pracy, rozmowy, jedzenia, chodzenia czy odczuwania emocji. Treści pozycji nie przytaczamy. Formularz pobierz ze strony autorów. Skala ma jeden wymiar, bez podskal, więc daje jeden wynik.

Wiele pozycji MAAS opisuje chwile, w których uwaga „odpływa”. Grossman (2011) wytknął to już w tytule swojego komentarza: skala mierzy uważność pośrednio, przez samoocenę tego, jak słabo uważamy na co dzień. Dla liczenia wyniku ma to jedną praktyczną konsekwencję. Musisz wiedzieć, który koniec skali odpowiedzi oznacza „rzadko”, a który „często”. Opisy punktów 1 i 6 sprawdź na oficjalnym formularzu, bo tylko wtedy kierunek wyniku będzie zgodny z kluczem autorów.

Jak policzyć wynik MAAS krok po kroku

Krok 1. Sprawdź kodowanie 1–6

W danych powinny być tylko wartości od 1 do 6. Formularze online czasem zapisują odpowiedzi jako 0–5 albo w odwrotnej kolejności niż na formularzu papierowym. Sprawdź to w eksporcie z kilkoma odpowiedziami testowymi. Przekodowanie w różnych programach opisuje poradnik jak policzyć wynik kwestionariusza.

Krok 2. Nie odwracaj pozycji w wersji podstawowej

Oficjalna strona podaje jedną regułę: wynik to średnia wszystkich pozycji (Center for Self-Determination Theory, b.d.). Nie wskazuje pozycji do przekodowania w wersji dla dorosłych. Jeśli więc odwrócisz część pozycji „bo tak się robi w skalach”, zepsujesz wynik. Ogólne zasady pracy z pozycjami odwróconymi opisuje osobne hasło. Inne wersje MAAS (np. stanowa albo dla młodzieży) mogą mieć własne zasady. Ich klucz weź z oficjalnej strony, a nie z tego wpisu.

Krok 3. Policz średnią z 15 pozycji

Średnia, a nie suma, ma tę zaletę, że wynik leży na skali odpowiedzi. Wynik 4.2 łatwo odnieść do opisów punktów formularza. Pojedynczy wynik możesz sprawdzić w kalkulatorze wyniku skali.

Krok 4. Ustal regułę dla braków przed analizą

Strona autorów nie podaje reguły dla braków. Musisz ją więc ustalić sam(a), przed analizą, i opisać w pracy. W przykładzie przyjęliśmy, że wynik liczymy ze średniej dostępnych pozycji, jeśli brakuje najwyżej 2 z 15. Pamiętaj, że takie uśrednianie zakłada, że brakująca pozycja zachowuje się jak pozostałe. Mazza i in. (2015) pokazali, że może to obciążać wyniki nawet przy brakach całkowicie losowych. Przy kilku brakach w próbie studenckiej to zwykle akceptowalne uproszczenie. Więcej o decyzjach dotyczących braków piszemy we wpisie braki danych w ankiecie.

Interpretacja: bez progów i bez norm

Wyższy wynik oznacza, że osoba częściej deklaruje uważną obecność w codziennych sytuacjach. Oficjalna strona nie podaje progów ani norm (Center for Self-Determination Theory, b.d.). Nie ma więc „niskiej” ani „wysokiej” uważności w sensie klinicznym. Analizuj wynik jako zmienną ciągłą: w korelacjach, regresji albo porównaniu grup. Nie dziel próby na „uważnych” i „nieuważnych” według mediany. Dlaczego, wyjaśniamy w poradniku niski, przeciętny, wysoki wynik. Średnie z artykułów zagranicznych nie są polskimi normami testowymi.

Uważaj też na interpretację treściową. Grossman (2011) zwraca uwagę na kilka problemów samoopisowych skal uważności. Brakuje zewnętrznego kryterium, z którym można by je porównać. Samoopis nie musi odpowiadać rzeczywistemu zachowaniu. Osoby z doświadczeniem medytacyjnym mogą też rozumieć pozycje inaczej niż osoby bez takiego doświadczenia. Dlatego w dyskusji pisz o „deklarowanej uważności” albo „wyniku MAAS”, a nie o „poziomie uważności” jako fakcie. Gdy porównujesz osoby medytujące i niemedytujące, różnica może częściowo wynikać z innego rozumienia pytań. Warto to wpisać do ograniczeń badania.

Przykład: MAAS u 260 osób studiujących

Dane są symulowane i możesz je pobrać jako plik CSV. Zawierają odpowiedzi 1–6 na 15 pozycji (m1–m15), informację o regularnej praktyce medytacji i wynik PSS-10. Braki wystąpiły u 7 osób. Pięć osób pominęło jedną albo dwie pozycje, więc ich wynik policzyliśmy ze średniej. Dwie osoby pominęły po cztery pozycje i nie dostały wyniku. Wynik ma więc 258 osób.

Rozkład jest prawie symetryczny, bez wyraźnego efektu sufitu: średnią powyżej 5 miało 6.6% osób. Alfa wyniosła .88, a omega McDonalda .89. Omegę policzyliśmy z ładunków jednoczynnikowej CFA z estymatorem MLR. Ładunki standaryzowane wyniosły od .47 do .68, a model dobrze pasował do danych: χ²(90) = 92.53, CFI = .998, RMSEA = .011, SRMR = .036. Alfa zakłada równe ładunki pozycji, dlatego obok niej warto podać omegę (McNeish, 2018; Dunn i in., 2014). Tutaj obie wartości są prawie równe, bo ładunki niewiele się różnią. Omegę z własnych ładunków policzysz w kalkulatorze alfy i omegi.

Porównanie grup i korelacja ze stresem

Osoby regularnie medytujące (n = 39) miały wyższy wynik MAAS (M = 4.20, SD = 0.76) niż osoby bez takiej praktyki (n = 219, M = 3.90, SD = 0.70). Grupy były nierówne, więc użyliśmy testu Welcha: t(50.03) = 2.27, p = .027, g Hedgesa = 0.40, 95% CI [0.04, 0.75]. Przedział jest szeroki, bo grupa medytujących jest mała. Jego dolna granica bliska zeru pokazuje, że efekt może być zarówno umiarkowany, jak i znikomy. Jak opisać taki wynik, wyjaśnia hasło interpretacja d Cohena.

Wynik MAAS korelował ujemnie z poczuciem stresu (PSS-10): r = −.47, 95% CI [−.56, −.37], p < .001 (rysunek 2). To korelacja Pearsona w badaniu przekrojowym, więc nie mówi, czy uważność obniża stres, czy stres utrudnia uważność.

Jak opisać MAAS w pracy

Wzór zawiera liczby z przykładu. W nawiasach kwadratowych uzupełnij dane wersji, której używasz.

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

Licencja i polska wersja

Według oficjalnej strony MAAS jest chroniona prawem autorskim. Formularz pobierasz po zaakceptowaniu warunków Center for Self-Determination Theory. Użycie akademickie jest dozwolone, a użycie komercyjne wymaga zgody Centrum (Center for Self-Determination Theory, b.d.). Praca dyplomowa to użycie akademickie, ale warunki przeczytaj przy pobieraniu, bo mogą się zmienić. W pracy zacytuj publikację Browna i Ryana (2003).

Polskiej adaptacji nie opisujemy, bo nie zweryfikowaliśmy jej publikacji. Jeśli korzystasz z polskiej wersji, zacytuj artykuł, z którego ją wziąłeś (wzięłaś). Nie przypisuj jej właściwości z badań zagranicznych. Własny przekład wymaga procedury opisanej we wpisie adaptacja kulturowa kwestionariusza. Gdzie szukać opublikowanych wersji narzędzi, podpowiada poradnik gdzie znaleźć kwestionariusze psychologiczne.

# B256 – MAAS: wynik średni, braki, rozkład, rzetelność (alfa, omega), CFA, porównanie grup (dane symulowane, set.seed(25601)).
# 260 osób studiujących; odpowiedzi 1–6 na 15 pozycji (m1–m15). Treści pozycji nie podajemy.
# Zasada liczenia (strona Center for Self-Determination Theory): wynik = średnia 15 pozycji, zakres 1–6,
# wyższy wynik = większa uważność. Reguła braków (co najmniej 13 z 15 odpowiedzi) jest decyzją badacza, nie autorów.
suppressPackageStartupMessages({ library(psych); library(lavaan); library(effectsize) })
set.seed(25601)
n <- 260
med <- rbinom(n, 1, .18)                                   # 1 = regularna praktyka medytacji
eta <- rnorm(n, 0.45 * med, 1)                             # uważność (cecha latentna)
lam <- c(.62, .55, .70, .58, .66, .52, .72, .60, .64, .57, .68, .50, .63, .59, .67)
progi <- c(-2.0, -1.2, -0.4, 0.5, 1.4)
odp <- sapply(lam, function(l) 1 + findInterval(l * eta + rnorm(n, 0, sqrt(1 - l^2)), progi))
colnames(odp) <- paste0("m", 1:15)
pss <- round(pmin(40, pmax(0, 18 - 3.2 * eta + rnorm(n, 0, 5.5))))  # wynik PSS-10 (0–40), symulowany
dane <- data.frame(id = 1:n, medytacja = med, odp, pss10 = pss)
dane$m4[c(12, 88, 150, 201)] <- NA; dane$m9[c(40, 150)] <- NA       # pojedyncze braki
dane[c(77, 230), paste0("m", 3:6)] <- NA                            # 4 braki u 2 osób
write.csv(dane, "../maas-dane-przyklad.csv", row.names = FALSE, na = "")   # plik do pobrania
poz <- paste0("m", 1:15)

# Krok 1. Kontrola kodowania (tylko 1–6 albo brak) i liczba braków na osobę
all(sapply(dane[, poz], function(x) all(x %in% c(1:6, NA))))
table(rowSums(is.na(dane[, poz])))

# Krok 2. Wynik MAAS: średnia pozycji, gdy brakuje najwyżej 2 z 15 (reguła przyjęta w tym przykładzie)
k <- rowSums(is.na(dane[, poz]))
dane$MAAS <- ifelse(k <= 2, rowMeans(dane[, poz], na.rm = TRUE), NA)
sum(is.na(dane$MAAS))
x <- na.omit(dane$MAAS)
round(c(n = length(x), M = mean(x), SD = sd(x), Me = median(x), min = min(x), max = max(x),
        skosnosc = skew(x), proc_ponad_5 = 100 * mean(x > 5)), 2)

# Krok 3. Rzetelność: alfa z 95% CI Feldta i skorygowane korelacje pozycja–całość (komplet odpowiedzi)
pel <- dane[complete.cases(dane[, poz]), ]
nrow(pel)
a <- alpha(pel[, poz], warnings = FALSE)
round(c(alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]]), 3)
round(range(a$item.stats$r.drop), 2)

# Krok 4. Jeden czynnik w CFA (MLR) i omega total z ładunków standaryzowanych
f1 <- cfa(paste("U =~", paste(poz, collapse = " + ")), data = pel, estimator = "MLR", std.lv = TRUE)
round(fitMeasures(f1, c("chisq.scaled", "df.scaled", "cfi.robust", "rmsea.robust", "srmr")), 3)
st <- standardizedSolution(f1); L <- st$est.std[st$op == "=~"]
round(range(L), 2)
round(c(omega = sum(L)^2 / (sum(L)^2 + sum(1 - L^2))), 3)

# Krok 5. Praktyka medytacji a MAAS: test Welcha i g Hedgesa z 95% CI
d5 <- dane[!is.na(dane$MAAS), ]
sapply(split(d5$MAAS, d5$medytacja), function(v) sprintf("n = %d, M = %.2f, SD = %.2f", length(v), mean(v), sd(v)))
tw <- t.test(MAAS ~ factor(medytacja, levels = c(1, 0)), data = d5)
c(t = round(unname(tw$statistic), 2), df = round(unname(tw$parameter), 2), p = round(tw$p.value, 3))
print(hedges_g(MAAS ~ factor(medytacja, levels = c(1, 0)), data = d5, pooled_sd = FALSE)); cat("\n")

# Krok 6. Związek z poczuciem stresu (PSS-10): korelacja Pearsona z 95% CI
ct <- cor.test(d5$MAAS, d5$pss10)
sprintf("r = %.2f, 95%% CI [%.2f, %.2f], p = %.1e", ct$estimate, ct$conf.int[1], ct$conf.int[2], ct$p.value)

[1] TRUE

  0   1   2   4 
253   4   1   2 
[1] 2
           n            M           SD           Me          min          max     skosnosc 
      258.00         3.95         0.71         3.93         2.13         5.73         0.04 
proc_ponad_5 
        6.59 
[1] 253
 alfa    lo    hi 
0.884 0.862 0.904 
[1] 0.43 0.64
chisq.scaled    df.scaled   cfi.robust rmsea.robust         srmr 
      92.533       90.000        0.998        0.011        0.036 
[1] 0.47 0.68
omega 
0.885 
                             0                              1 
"n = 219, M = 3.90, SD = 0.70"  "n = 39, M = 4.20, SD = 0.76" 
     t     df      p 
 2.270 50.030  0.027 
Hedges' g |       95% CI
------------------------
0.40      | [0.04, 0.75]

- Estimated using un-pooled SD.
[1] "r = -0.47, 95% CI [-0.56, -0.37], p = 8.1e-16"

Najczęstsze błędy przy MAAS

• Odwracanie pozycji „na wszelki wypadek”. Oficjalny klucz wersji dla dorosłych to średnia 15 pozycji bez przekodowania. Sprawdź tylko, czy kolejność odpowiedzi w eksporcie zgadza się z formularzem.
• Suma zamiast średniej. Suma (15–90) nie jest błędem rachunkowym, ale nie da się jej porównać ze średnimi z literatury. Jeśli ją podajesz, napisz to wprost.
• Wymyślone progi. Autorzy nie podają kategorii. Kwartyle albo „powyżej 4” z własnej próby nie są normą.
• Mieszanie wersji. MAAS dla dorosłych, MAAS-A i wersja stanowa to różne narzędzia. Nie przenoś klucza jednej wersji na drugą.
• „Uważność obniża stres”. Korelacja w badaniu przekrojowym nie pokazuje kierunku zależności.
• Tylko alfa. Podaj też omegę albo przynajmniej zakres korelacji pozycja–całość, zwłaszcza przy mniejszej próbie.

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

Najczęstsze pytania

Czy w MAAS trzeba odwracać pozycje?

W wersji dla dorosłych nie. Oficjalna strona podaje, że wynik to średnia wszystkich 15 pozycji, a wyższy wynik oznacza większą uważność. Sprawdź tylko, czy eksport z ankiety online zapisuje odpowiedzi w tej samej kolejności 1–6 co formularz. Inne wersje MAAS mogą mieć własny klucz.

Jaki wynik MAAS oznacza wysoką uważność?

Autorzy nie podają progów ani norm, więc nie ma oficjalnej granicy „wysokiej” uważności. Opisuj wynik jako średnią na skali 1–6 i analizuj go jako zmienną ciągłą. Nie twórz kategorii z kwartyli albo mediany własnej próby.

Czy wynik MAAS liczyć jako sumę czy średnią?

Według oficjalnej strony wynik to średnia (zakres 1–6). Suma 15 pozycji (15–90) zawiera tę samą informację, ale nie da się jej porównać ze średnimi z artykułów. Jeśli z jakiegoś powodu podajesz sumę, napisz to wyraźnie w opisie narzędzia.

Czy do pracy magisterskiej potrzebna jest zgoda na użycie MAAS?

Strona Center for Self-Determination Theory podaje, że skala jest chroniona prawem autorskim, a pobranie wymaga akceptacji warunków. Użycie akademickie jest dozwolone, a komercyjne wymaga zgody Centrum. Warunki przeczytaj przy pobieraniu i zacytuj Browna i Ryana (2003).

Czy MAAS mierzy uważność trenowaną w medytacji?

MAAS mierzy deklarowaną uważność w codziennych sytuacjach jako cechę. Grossman (2011) krytykuje takie skale, bo samoopis może nie odpowiadać zachowaniu, a osoby medytujące mogą inaczej rozumieć pozycje. Pisz więc o wyniku MAAS, a różnice między medytującymi i innymi opisuj ostrożnie.

Powiązane hasła

Przeczytaj też

@article{brown2003benefits, author={Brown, Kirk Warren and Ryan, Richard M.}, title={{The benefits of being present: Mindfulness and its role in psychological well-being}}, journal={Journal of Personality and Social Psychology}, year={2003}, volume={84}, number={4}, pages={822--848}, doi={10.1037/0022-3514.84.4.822}}

@article{carlson2005validation, author={Carlson, Linda E. and Brown, Kirk Warren}, title={{Validation of the Mindful Attention Awareness Scale in a cancer population}}, journal={Journal of Psychosomatic Research}, year={2005}, volume={58}, number={1}, pages={29--33}, doi={10.1016/j.jpsychores.2004.04.366}}

@misc{sdtmaasweb, author={{Center for Self-Determination Theory}}, title={{Mindful Attention Awareness Scale (MAAS)}}, publisher={Center for Self-Determination Theory}, url={https://selfdeterminationtheory.org/mindfulness-attention-awareness/}}

@article{dunn2014alpha, author={Dunn, Thomas J. and Baguley, Thom and Brunsden, Vivienne}, title={{From alpha to omega: A practical solution to the pervasive problem of internal consistency estimation}}, journal={British Journal of Psychology}, year={2014}, volume={105}, number={3}, pages={399--412}, doi={10.1111/bjop.12046}}

@article{grossman2011defining, author={Grossman, Paul}, title={{Defining mindfulness by how poorly I think I pay attention during everyday awareness and other intractable problems for psychology's (re)invention of mindfulness: Comment on Brown et al. (2011)}}, journal={Psychological Assessment}, year={2011}, volume={23}, number={4}, pages={1034--1040}, doi={10.1037/a0022713}}

@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}}