MSLQ – motywacja i strategie uczenia się: jak policzyć wynik

Autor: Konrad Hryniewicz · Opublikowano: 1 listopada 2026

Czym jest MSLQ

MSLQ (Motivated Strategies for Learning Questionnaire) to kwestionariusz motywacji i strategii uczenia się studentów. Opracował go zespół Paula Pintricha w ośrodku badań nad nauczaniem w szkolnictwie wyższym przy Uniwersytecie Michigan. Podstawą jest podręcznik z 1991 roku, który opisuje rozwój narzędzia, punktację i sposób badania (Pintrich i in., 1991). Rzetelność i trafność prognostyczną autorzy przedstawili w artykule z 1993 roku (Pintrich i in., 1993). MSLQ ma 81 pozycji, 6 podskal motywacji i 9 skal strategii uczenia się. Przetłumaczono go na wiele języków i można go dostosowywać do różnych celów (Duncan i McKeachie, 2005).

MSLQ pojawia się najczęściej w pracach z pedagogiki i psychologii edukacyjnej. Typowe pytania badawcze dotyczą tego, czy poczucie skuteczności i regulacja wysiłku wiążą się z ocenami, czy studenci różnych kierunków uczą się inaczej i czy zajęcia zmieniły strategie uczenia się. Ogólny plan analiz opisuje wpis statystyka w pracy z pedagogiki, a w pracach psychologicznych – statystyka dla psychologa. MSLQ bada studentów. Poczucie skuteczności nauczycieli mierzy inna skala, opisana we wpisie o TSES.

Budowa: dwa działy i 15 podskal

MSLQ dotyczy konkretnego kursu, a nie nauki w ogóle (Pintrich i in., 1991). Dział motywacji ma 31 pozycji o celach i przekonaniach o wartości kursu. Dział strategii uczenia się ma 31 pozycji o strategiach poznawczych i metapoznawczych oraz 19 pozycji o zarządzaniu zasobami. Odpowiedzi mają format Likerta (Pintrich i in., 1993). Podskale tworzą trzy grupy w każdym dziale:

Nazwy podskal to nasze tłumaczenie nazw ze streszczenia artykułu z 1993 roku. Liczby pozycji w każdej podskali, numerów pozycji ani ich treści nie podajemy. Znajdziesz je w podręczniku, który zawiera cały kwestionariusz, opis pozycji każdej skali i statystyki opisowe (Pintrich i in., 1991).

Jak wybrać podskale do pracy

MSLQ nie ma wyniku ogólnego. Źródła, które sprawdziliśmy, opisują 15 osobnych podskal i nigdzie nie sumują 81 pozycji. W pracy dyplomowej rzadko potrzebne są wszystkie. Podskale wybierz według hipotez, zanim zbierzesz dane:

• Zacznij od pytania badawczego. Jeśli pytasz o związek motywacji z ocenami, wystarczą np. poczucie skuteczności, wartość zadania i lęk przed egzaminem. Jeśli pytasz o samodzielne uczenie się, sięgnij po strategie metapoznawcze i zarządzanie zasobami.
• Bierz całe podskale. Nie wybieraj pojedynczych pozycji z różnych podskal. Wynik podskali ma sens tylko wtedy, gdy zawiera wszystkie jej pozycje.
• Zwróć uwagę na trafność prognostyczną. W metaanalizie 67 prób podskale przewidywały oceny bardzo różnie. Najsilniej wiązała się z nimi regulacja wysiłku (ρ = .40), a najsłabiej szukanie pomocy (ρ = .05) (Credé i Phillips, 2011). Słaby związek z ocenami nie dyskwalifikuje podskali, ale warto go znać przed sformułowaniem hipotezy.
• Uważaj na podskale samoregulacji. Struktura samoregulacji metapoznawczej i regulacji wysiłku nie potwierdziła się ani w danych oryginalnych, ani w nowych danych (Dunn i in., 2012). Jeśli te podskale są kluczowe w Twojej pracy, sprawdź ich rzetelność i strukturę we własnej próbie.
• Zachowaj format odpowiedzi. W metaanalizie rzetelności alfy były zwykle niższe niż w podręczniku. Wyższe wartości wiązały się m.in. z badaniami po angielsku i z 7-stopniową skalą odpowiedzi (Holland i in., 2018). Zmiana formatu odpowiedzi może więc wpłynąć na rzetelność.

Jak łączyć podskale w jedną analizę i kiedy wynik ogólny ma sens, wyjaśnia hasło podskala i wynik ogólny.

Jak policzyć wynik podskali MSLQ

Ważne zastrzeżenie. Podręcznik zawiera instrukcję punktowania (Pintrich i in., 1991), ale jego treści nie mogliśmy sprawdzić w źródłach, z których korzystamy. Format odpowiedzi, przypisanie pozycji do podskal, pozycje odwrócone i regułę liczenia weź więc z podręcznika. Poniżej opisujemy kolejność pracy, która nie zależy od szczegółów klucza.

Krok 1. Ustal klucz z podręcznika

Zrób tabelę: numer pozycji, podskala, czy pozycja jest odwrócona. Zapisz w niej tylko podskale wybrane do badania. Ta tabela to Twoja książka kodowa. Gdy dostosowujesz pozycje do swojego kursu, np. zmieniasz nazwę przedmiotu, zapisz każdą zmianę.

Krok 2. Sprawdź kodowanie i odwróć pozycje

W danych powinny być tylko wartości z zakresu skali odpowiedzi. Pozycje oznaczone w podręczniku jako odwrócone przekoduj wzorem (maksimum + minimum) − x. Jak to sprawdzić, opisuje hasło pozycja odwrócona.

Krok 3. Policz wynik każdej podskali

Podskale MSLQ mają różną liczbę pozycji. Średnia pozycji zostaje więc na skali odpowiedzi i pozwala porównać podskale między sobą. Suma przy różnej liczbie pozycji tego nie umożliwia. W przykładzie liczymy średnie. Jeśli podręcznik podaje inną regułę, stosuj regułę z podręcznika i opisz ją w pracy. Różnice między podejściami wyjaśnia hasło wynik skali – średnia czy suma.

Krok 4. Braki i interpretacja

Regułę dla braków ustal przed analizą, np. średnia z dostępnych pozycji, gdy brakuje najwyżej jednej. To decyzja badacza, którą trzeba opisać (zobacz braki danych w ankiecie). Wyższy wynik oznacza silniejszą cechę mierzoną przez podskalę. W lęku przed egzaminem oznacza to więcej lęku. W źródłach, które sprawdziliśmy, nie ma progów ani polskich norm. Analizuj wynik ciągły i nie twórz własnych kategorii (zobacz niski, przeciętny, wysoki wynik).

Licencja i polska wersja

Nie znaleźliśmy oficjalnej strony z warunkami użycia MSLQ. W źródłach, które zweryfikowaliśmy, nie ma też informacji o licencji. Pełny tekst podręcznika jest udostępniony w bazie ERIC (rekord ED338122). Zacytuj podręcznik i artykuł z 1993 roku. Jeśli planujesz publikację albo badanie komercyjne, ustal status praw do narzędzia i do tłumaczenia, z którego korzystasz.

Nie zweryfikowaliśmy opublikowanej polskiej adaptacji MSLQ. Jeśli korzystasz z polskiego tłumaczenia, podaj jego źródło. Gdy tłumaczysz wybrane podskale sam(a), opisz procedurę przekładu i nie przypisuj swojej wersji właściwości oryginału (zobacz adaptacja kulturowa kwestionariusza).

Przykład: 240 studentów i wynik egzaminu

Dane są symulowane i możesz je pobrać jako plik CSV. Studenci pedagogiki odpowiadali w odniesieniu do kursu statystyki. Wybraliśmy cztery podskale: poczucie własnej skuteczności (sk), lęk przed egzaminem (le), samoregulację metapoznawczą (ms) i regulację wysiłku (rw). Kolumna egzamin to wynik egzaminu w punktach (0–100).

Uwaga: pięć pozycji w każdej podskali, skala odpowiedzi 1–7 i brak pozycji odwróconych to umowne założenia przykładu, a nie klucz MSLQ. W prawdziwych danych liczba pozycji i ich kodowanie muszą odpowiadać podręcznikowi.

Średni wynik egzaminu wyniósł 61.53 punktu (SD = 14.26). Rozkłady podskal widać na rysunku 1. Wszystkie korelacje z egzaminem były istotne (p < .001).

Rzetelność i rozróżnialność podskal

Alfa Cronbacha wyniosła od .79 do .84. Obok niej podaliśmy omegę McDonalda, bo alfa zakłada równe ładunki pozycji (McNeish, 2018). Model CFA czterech skorelowanych czynników był dobrze dopasowany: skalowane χ²(164) = 185.03, p = .125, CFI = .988, RMSEA = .023, SRMR = .041. Samoregulacja metapoznawcza i regulacja wysiłku korelowały jednak na poziomie czynników .73. To wyraźne nakładanie się dwóch podskal, o którym piszą Dunn i in. (2012). Dopasowanie modeli opisuje hasło CFA.

Które podskale wiążą się z egzaminem?

W regresji wielorakiej cztery podskale wyjaśniły 32% wariancji wyniku egzaminu, R² = .32, skorygowane R² = .31, F(4, 235) = 27.95, p < .001. Istotne były poczucie własnej skuteczności (B = 5.28, β = .36, p < .001), regulacja wysiłku (B = 3.43, β = .25, p < .001) i lęk przed egzaminem (B = −2.50, β = −.17, p = .002). Samoregulacja metapoznawcza korelowała z egzaminem (r = .25), ale po uwzględnieniu pozostałych podskal jej efekt zniknął (B = 0.31, β = .02, p = .759). Współczynniki VIF wyniosły od 1.08 do 1.60, więc nie był to problem współliniowości. Wspólną część wariancji przejęła tu regulacja wysiłku (rysunek 2).

Wniosek dla pracy: gdy dwie podskale silnie się pokrywają, nie interpretuj braku istotności jednej z nich jako braku związku. Opisz obie korelacje i wynik regresji. Kolejność kroków w takiej analizie pokazuje wpis regresja wieloraka krok po kroku.

Jak opisać MSLQ w pracy

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

Ogólny schemat opisu narzędzia znajdziesz w poradniku opis narzędzia badawczego – wzór.

# B288 – MSLQ: cztery wybrane podskale, średnie pozycji, rzetelność, CFA i związek z wynikiem egzaminu
# (dane symulowane, set.seed(28881)). Treści pozycji nie podajemy. Liczba pozycji (po 5 na podskalę),
# skala 1–7 i brak pozycji odwróconych to UMOWNE założenia przykładu, a nie klucz MSLQ:
# przypisanie pozycji, ich liczbę, format odpowiedzi i pozycje odwrócone weź z podręcznika (Pintrich i in., 1991).
suppressPackageStartupMessages({ library(psych); library(lavaan); library(car) })
set.seed(28881)
poz <- list(SK = paste0("sk", 1:5),   # samoskuteczność w uczeniu się i osiąganiu wyników
            LE = paste0("le", 1:5),   # lęk przed egzaminem
            MS = paste0("ms", 1:5),   # metapoznawcza samoregulacja
            RW = paste0("rw", 1:5))   # regulacja wysiłku
n <- 240
R <- matrix(c(  1, -.35, .40, .45,
             -.35,    1, -.10, -.20,
              .40, -.10,   1, .70,
              .45, -.20, .70,   1), 4)
F <- matrix(rnorm(n * 4), n, 4) %*% chol(R)
srednie <- c(4.9, 4.2, 4.5, 4.8)
odp <- do.call(cbind, lapply(1:4, function(f) sapply(1:5, function(j) { l <- runif(1, .60, .80)
  pmin(pmax(round(srednie[f] + 1.3 * (l * F[, f] + rnorm(n, 0, sqrt(1 - l^2)))), 1), 7) })))
colnames(odp) <- unlist(poz)
egzamin <- round(pmin(pmax(62 + 14 * (.28 * F[, 1] - .18 * F[, 2] + .02 * F[, 3] + .25 * F[, 4]) + rnorm(n, 0, 11), 0), 100))
dane <- data.frame(id = 1:n, odp, egzamin)
write.csv(dane, "../mslq-dane-przyklad.csv", row.names = FALSE)   # plik do pobrania

# Krok 1. Kontrola kodowania: tylko 1–7, bez braków
all(sapply(dane[, unlist(poz)], function(x) all(x %in% 1:7)))

# Krok 2. Wynik podskali = średnia jej pozycji (zakres 1–7); MSLQ nie ma wyniku ogólnego
for (s in names(poz)) dane[[s]] <- rowMeans(dane[, poz[[s]]])
opis <- function(x) round(c(M = mean(x), SD = sd(x), min = min(x), max = max(x), skosnosc = psych::skew(x)), 2)
t(sapply(dane[, c(names(poz), "egzamin")], opis))

# Krok 3. Rzetelność każdej podskali: alfa z 95% CI Feldta i omega total z jednoczynnikowej CFA (MLR)
omega_cfa <- function(p, d) { f <- cfa(paste("F =~", paste(p, collapse = " + ")), data = d, std.lv = TRUE, estimator = "MLR")
  L <- standardizedSolution(f); l <- L$est.std[L$op == "=~"]; e <- L$est.std[L$op == "~~" & L$lhs %in% p & L$lhs == L$rhs]
  sum(l)^2 / (sum(l)^2 + sum(e)) }
rzet <- function(p, d) { a <- alpha(d[, p], warnings = FALSE)
  round(c(alfa = a$total$raw_alpha, lo = a$feldt$lower.ci[[1]], hi = a$feldt$upper.ci[[1]], omega = omega_cfa(p, d)), 3) }
t(sapply(poz, rzet, d = dane))

# Krok 4. Czy wybrane podskale są rozróżnialne? CFA czterech czynników (MLR) i korelacje czynników
m4 <- paste(sapply(names(poz), function(s) paste0(s, "_f =~ ", paste(poz[[s]], collapse = " + "))), collapse = "\n")
f4 <- cfa(m4, data = dane, std.lv = TRUE, estimator = "MLR")
round(fitMeasures(f4, c("chisq.scaled", "df", "pvalue.scaled", "cfi.robust", "rmsea.robust", "srmr")), 3)
round(lavInspect(f4, "cor.lv"), 2)

# Krok 5. Korelacje średnich podskal z wynikiem egzaminu (Pearson, 95% CI)
t(sapply(names(poz), function(s) { k <- cor.test(dane[[s]], dane$egzamin)
  c(round(c(r = unname(k$estimate), lo = k$conf.int[1], hi = k$conf.int[2]), 3), p = signif(k$p.value, 2)) }))

# Krok 6. Regresja wieloraka: wynik egzaminu a cztery podskale (β standaryzowane i VIF)
m <- lm(egzamin ~ SK + LE + MS + RW, data = dane)
summary(m)
round(coef(lm(scale(egzamin) ~ scale(SK) + scale(LE) + scale(MS) + scale(RW), data = dane))[-1], 2)
round(confint(m), 2)
round(vif(m), 2)

[1] TRUE
            M    SD  min   max skosnosc
SK       4.82  0.97  1.4   6.8    -0.44
LE       4.11  0.99  1.6   6.6     0.15
MS       4.51  0.94  2.0   6.8    -0.14
RW       4.80  1.04  1.8   7.0    -0.19
egzamin 61.53 14.26 16.0 100.0     0.07
    alfa    lo    hi omega
SK 0.821 0.782 0.854 0.823
LE 0.831 0.795 0.863 0.832
MS 0.792 0.747 0.831 0.794
RW 0.840 0.806 0.870 0.842
 chisq.scaled            df pvalue.scaled    cfi.robust  rmsea.robust          srmr 
      185.034       164.000         0.125         0.988         0.023         0.041 
      SK_f  LE_f  MS_f  RW_f
SK_f  1.00                  
LE_f -0.30  1.00            
MS_f  0.30  0.04  1.00      
RW_f  0.36 -0.09  0.73  1.00
        r     lo     hi       p
SK  0.482  0.378  0.574 2.3e-15
LE -0.283 -0.395 -0.162 8.8e-06
MS  0.248  0.126  0.363 1.0e-04
RW  0.385  0.271  0.488 6.9e-10

Call:
lm(formula = egzamin ~ SK + LE + MS + RW, data = dane)

Residuals:
    Min      1Q  Median      3Q     Max 
-33.365  -8.320   0.768   7.680  30.521 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  28.4798     6.4423   4.421  1.5e-05 ***
SK            5.2790     0.8613   6.129  3.7e-09 ***
LE           -2.5038     0.8053  -3.109 0.002108 ** 
MS            0.3118     1.0140   0.308 0.758733    
RW            3.4311     0.9362   3.665 0.000306 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 11.84 on 235 degrees of freedom
Multiple R-squared:  0.3224,	Adjusted R-squared:  0.3108 
F-statistic: 27.95 on 4 and 235 DF,  p-value: < 2.2e-16

scale(SK) scale(LE) scale(MS) scale(RW) 
     0.36     -0.17      0.02      0.25 
            2.5 % 97.5 %
(Intercept) 15.79  41.17
SK           3.58   6.98
LE          -4.09  -0.92
MS          -1.69   2.31
RW           1.59   5.28
  SK   LE   MS   RW 
1.18 1.08 1.55 1.60 

Najczęstsze błędy przy MSLQ

• Wynik ogólny z 81 pozycji. MSLQ to zestaw 15 podskal, a nie jedna skala. Suma wszystkich pozycji miesza motywację, lęk i strategie.
• Wybieranie pojedynczych pozycji. Skrócona podskala nie jest już podskalą MSLQ. Jeśli musisz skrócić narzędzie, opisz to i sprawdź rzetelność.
• Pytanie o naukę w ogóle. MSLQ dotyczy konkretnego kursu. Instrukcja dla studentów powinna wskazywać kurs.
• Klucz z przypadkowego źródła. Pozycje odwrócone i przypisanie pozycji bierz z podręcznika, nie z tłumaczenia znalezionego w sieci.
• Interpretacja braku istotności w regresji. Silnie powiązane podskale dzielą wariancję. Raportuj też korelacje.
• Sumy podskal o różnej długości. Porównuj średnie pozycji, a nie sumy.

Pełną ścieżkę analizy narzędzia porządkuje przewodnik po analizie kwestionariusza. Jeśli chcesz, żeby ktoś sprawdził dobór podskal, kodowanie i analizy MSLQ 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 MSLQ ma wynik ogólny?

Nie. Źródła, które sprawdziliśmy, opisują 15 osobnych podskal: 6 motywacyjnych i 9 strategii uczenia się. Suma wszystkich 81 pozycji łączyłaby motywację, lęk przed egzaminem i strategie, więc nie ma interpretacji. Raportuj wyniki wybranych podskal.

Czy mogę użyć tylko kilku podskal MSLQ?

Tak, to częsta praktyka – autorzy opisują MSLQ jako narzędzie, które można dostosowywać do różnych celów. Wybierz podskale według hipotez i bierz je w całości, ze wszystkimi pozycjami. W opisie narzędzia wymień użyte podskale i liczbę ich pozycji według podręcznika.

Gdzie znaleźć klucz i pozycje odwrócone MSLQ?

W podręczniku Pintricha i in. z 1991 roku, udostępnionym w bazie ERIC (rekord ED338122). Podręcznik zawiera kwestionariusz, opis pozycji każdej skali i instrukcję punktowania. Nie korzystaj z klucza z przypadkowego tłumaczenia znalezionego w sieci.

Które podskale MSLQ najlepiej przewidują oceny?

W metaanalizie Credé i Phillips (2011) najsilniej z ocenami wiązała się regulacja wysiłku (ρ = .40), a najsłabiej szukanie pomocy (ρ = .05). Pozostałe podskale mieściły się pomiędzy. Słaby związek z ocenami nie oznacza jednak, że podskala jest nieprzydatna w Twoim pytaniu badawczym.

Dlaczego samoregulacja metapoznawcza traci istotność w regresji?

Bo silnie pokrywa się z regulacją wysiłku. Dunn i in. (2012) nie potwierdzili struktury tych dwóch podskal. W regresji wspólną wariancję przejmuje jedna z nich, więc druga może wyjść nieistotna mimo wyraźnej korelacji z wynikiem. Raportuj obie korelacje i sprawdź VIF.

Powiązane hasła

Przeczytaj też

@article{crede2011meta, author={Credé, Marcus and Phillips, L. Alison}, title={{A meta-analytic review of the Motivated Strategies for Learning Questionnaire}}, journal={Learning and Individual Differences}, year={2011}, volume={21}, number={4}, pages={337--346}, doi={10.1016/j.lindif.2011.03.002}}

@article{duncan2005making, author={Duncan, Teresa Garcia and McKeachie, Wilbert J.}, title={{The making of the Motivated Strategies for Learning Questionnaire}}, journal={Educational Psychologist}, year={2005}, volume={40}, number={2}, pages={117--128}, doi={10.1207/s15326985ep4002_6}}

@article{dunn2012revisiting, author={Dunn, Karee E. and Lo, Wen-Juo and Mulvenon, Sean W. and Sutcliffe, Rachel}, title={{Revisiting the Motivated Strategies for Learning Questionnaire: A theoretical and statistical reevaluation of the metacognitive self-regulation and effort regulation subscales}}, journal={Educational and Psychological Measurement}, year={2012}, volume={72}, number={2}, pages={312--331}, doi={10.1177/0013164411413461}}

@article{holland2018reliability, author={Holland, David F. and Kraha, Amanda and Zientek, Linda R. and Nimon, Kim and Fulmore, Julia A. and Johnson, Ursula Y. and Ponce, Hector F. and Aguilar, Mariya Gavrilova and Henson, Robin K.}, title={{Reliability generalization of the Motivated Strategies for Learning Questionnaire: A meta-analytic view of reliability estimates}}, journal={SAGE Open}, year={2018}, volume={8}, number={3}, eid={2158244018802334}, doi={10.1177/2158244018802334}}

@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}}

@techreport{pintrich1991manual, author={Pintrich, Paul R. and Smith, David A. F. and Garcia, Teresa and McKeachie, Wilbert J.}, title={{A manual for the use of the Motivated Strategies for Learning Questionnaire (MSLQ)}}, year={1991}, institution={National Center for Research to Improve Postsecondary Teaching and Learning, University of Michigan}, url={https://eric.ed.gov/?id=ED338122}}

@article{pintrich1993reliability, author={Pintrich, Paul R. and Smith, David A. F. and Garcia, Teresa and McKeachie, Wilbert J.}, title={{Reliability and predictive validity of the Motivated Strategies for Learning Questionnaire (MSLQ)}}, journal={Educational and Psychological Measurement}, year={1993}, volume={53}, number={3}, pages={801--813}, doi={10.1177/0013164493053003024}}