Słownik metodologiczny · Pomiar i skale

Skala dyferencjału semantycznego – co to jest, jak ją zbudować i jak analizować profil pojęć?

Dyferencjał semantyczny mierzy znaczenie pojęć na skalach rozpiętych między dwoma przeciwstawnymi przymiotnikami, np. dobry–zły. Wyjaśniamy wymiary oceny, siły i aktywności, zasady budowy skali, kodowanie i analizę profilu – z przykładem dwóch pojęć ocenianych na siedmiostopniowych skalach i kodem R.

Strona główna / Słownik / Dyferencjał semantyczny
W skrócie: Dyferencjał semantyczny to technika, w której osoba ocenia pojęcie na kilku skalach dwubiegunowych z przeciwstawnymi przymiotnikami na krańcach (np. dobry–zły), zwykle siedmiostopniowych. Pary grupuje się w wymiary – klasycznie ocenę, siłę i aktywność – a wynik wymiaru to średnia kilku par po przekodowaniu par z odwróconymi biegunami. Strukturę wymiarów sprawdź we własnych danych, a wyniki przedstaw na wykresie profilu.

Co to jest dyferencjał semantyczny?

Skala dyferencjału semantycznego (ang. semantic differential) to technika, w której osoba badana ocenia pojęcie – np. „statystyka”, „ja”, „terapia online” – na kilku lub kilkunastu skalach dwubiegunowych. Na krańcach każdej skali stoją przeciwstawne przymiotniki, a między nimi zwykle siedem pól do zaznaczenia:

dobry  ☐ ☐ ☐ ☐ ☐ ☐ ☐  zły

Technikę zaproponowali Osgood, Suci i Tannenbaum w książce The Measurement of Meaning z 1957 roku jako sposób pomiaru znaczenia pojęć: badani oceniali wiele obiektów na długiej liście skal dwubiegunowych, a oceny poddawano analizie czynnikowej (Kervyn i in., 2013). Dziś dyferencjał stosuje się w badaniach postaw, stereotypów, obrazu siebie czy wizerunku instytucji.

Od skali Likerta dyferencjał różni się formatem: w skali Likerta osoba określa, w jakim stopniu zgadza się z twierdzeniem, a tu – gdzie umieszcza pojęcie między dwoma biegunami. Etykiety odpowiedzi są więc dopasowane do treści. Ma to znaczenie, bo w badaniu Sarisa i in. (2010) pytania z kategoriami odpowiedzi dopasowanymi do treści dawały odpowiedzi znacznie lepszej jakości niż format „zgadzam się – nie zgadzam się”.

Ocena, siła i aktywność

Analizy czynnikowe Osgooda i współpracowników konsekwentnie ujawniały trzy wymiary znaczenia (Kervyn i in., 2013):

Wymiary dyferencjału semantycznego z przykładowymi parami przymiotników
WymiarPrzykładowe pary przymiotnikówCo opisuje
Ocena (evaluation)dobry–zły, pozytywny–negatywny, prawdziwy–fałszywyOgólny stosunek do pojęcia
Siła (potency)silny–słaby, twardy–miękki, ciężki–lekkiMoc, trudność, „ciężar” pojęcia
Aktywność (activity)aktywny–bierny, szybki–wolny, gorący–zimnyDynamikę, pobudzenie

Ocena i siła pojawiały się stabilnie w różnych kulturach i dla różnych obiektów, natomiast aktywność okazywała się mniej stabilna. Przy ocenianiu obiektów społecznych siła i aktywność mogą się łączyć w jeden wymiar dynamizmu. Kervyn i in. (2013) pokazali też, że ocena i siła wiążą się z dwoma wymiarami spostrzegania grup – ciepłem i kompetencją – i przebiegają po przekątnych wyznaczonej przez nie przestrzeni. Trzech wymiarów nie zakładaj więc z góry: sprawdź je we własnych danych.

Jak zbudować skalę dyferencjału semantycznego?

  1. Nazwij pojęcie jednoznacznie – „statystyka jako przedmiot na studiach” zamiast samego „statystyka”, jeśli o to ci chodzi.
  2. Dobierz pary przymiotników, które są rzeczywistymi przeciwieństwami i pasują do pojęcia. Zaplanuj co najmniej trzy pary na każdy wymiar, który chcesz mierzyć.
  3. Ustal format skali – klasycznie siedem punktów z neutralnym środkiem i opisanymi biegunami. Cechy skali odpowiedzi, m.in. liczba punktów i sposób opisania kategorii, mogą wpływać na jakość danych; przegląd badań i zalecenia znajdziesz u DeCastellarnau (2018) oraz w wytycznych Menold i Bogner (2016).
  4. Zmieniaj kierunek par – w części wierszy biegun pozytywny umieść po prawej, by utrudnić zaznaczanie jednej kolumny (zob. straightlining). Przed analizą przekoduj te pary wzorem 8 − x (zob. pozycja odwrócona).
  5. Użyj tych samych par dla wszystkich porównywanych pojęć i przetestuj zrozumiałość przymiotników w badaniu pilotażowym lub wywiadzie poznawczym.

Przykład: profil pojęć „statystyka” i „psychologia”

Stu dwudziestu studentów psychologii (dane symulowane) oceniło dwa pojęcia na dziewięciu parach przymiotników: po trzy dla oceny, siły i aktywności. W arkuszu co druga para miała odwrócone bieguny; po przekodowaniu 7 oznacza zawsze biegun „dobry”, „silny” lub „aktywny”. Wynik wymiaru to średnia trzech par. Rzetelność wymiarów wyniosła od α = .70 do α = .81.

Profil średnich ocen dwóch pojęć na dziewięciu skalach dwubiegunowych 1–7: statystyka ma oceny bliskie środka skali na parach oceny (około 4.0–4.1), wysokie na parach siły (około 5.1–5.2) i niskie na parach aktywności (3.6–4.0); psychologia ma oceny około 5.6–5.7 na parach oceny, 4.3–4.6 na parach siły i 4.5–4.6 na parach aktywności
Rysunek 1. Profil dyferencjału semantycznego: średnie oceny dwóch pojęć z 95% przedziałami ufności, po przekodowaniu par odwróconych. Po lewej – biegun „niski”, po prawej – „wysoki”; przerywana linia to środek skali. Obliczenia: R (dane symulowane).

Statystyka została oceniona niemal neutralnie (ocena: M = 4.09, SD = 1.06), ale jako „silna”, czyli twarda i ciężka (M = 5.11, SD = 0.89), i raczej bierna (M = 3.72, SD = 0.99). Psychologię oceniono wyraźnie pozytywniej (M = 5.64, SD = 0.93), jako mniej „silną” (M = 4.46, SD = 1.08) i bardziej aktywną (M = 4.58, SD = 0.98). Ponieważ te same osoby oceniały oba pojęcia, porównano je testem t dla prób zależnych:

Różnice między pojęciami psychologia i statystyka na trzech wymiarach
WymiarRóżnica (psychologia − statystyka) [95% CI]t(119)pdz
Ocena1.55 [1.28, 1.83]11.23< .0011.03
Siła−0.65 [−0.90, −0.40]−5.13< .001−0.47
Aktywność0.86 [0.60, 1.12]6.53< .0010.60

Całościową różnicę między profilami można streścić odległością euklidesową między średnimi ocenami na wszystkich parach: D = √Σ(x1 − x2)². Tutaj D = 3.30; miara ta uwzględnia zarówno poziom, jak i kształt profilu, ale nie mówi, na którym wymiarze leży różnica.

Jak analizować dane z dyferencjału?

Jak opisać wynik w pracy (APA)

Studenci (N = 120) ocenili pojęcia „statystyka” i „psychologia” na dziewięciu siedmiostopniowych skalach dyferencjału semantycznego, po trzy dla wymiarów oceny, siły i aktywności (α = .70–.81). Psychologia była oceniana pozytywniej niż statystyka (różnica 1.55 punktu, 95% CI [1.28, 1.83], t(119) = 11.23, p < .001, dz = 1.03) i jako bardziej aktywna (różnica 0.86, 95% CI [0.60, 1.12], t(119) = 6.53, p < .001, dz = 0.60), a statystyka – jako „silniejsza”, czyli twardsza i cięższa (różnica 0.65, 95% CI [0.40, 0.90], t(119) = 5.13, p < .001, dz = 0.47).
Przykład reprodukowalny

Przykład w R

Kod tworzy dane z przykładu, przekodowuje pary z odwróconymi biegunami, liczy wyniki wymiarów i ich rzetelność, porównuje pojęcia testem t dla prób zależnych i oblicza odległość profili. Liczby w tekście i na rysunku 1 pochodzą z tego kodu (przedziały ufności różnic i odchylenia standardowe – w pełnym skrypcie strony).

Wyniki wymiarów, alfa, test t i odległość profili

Dane wejściowe: oceny 1–7 dwóch pojęć na 9 parach przymiotników, 120 osób (dane symulowane, set.seed(95)).

Co odczytać: średnie i alfy wymiarów E (ocena), P (siła) i A (aktywność), różnice między pojęciami z t, p i dz oraz odległość D.

R
# 9 par przymiotników: E = ocena, P = siła, A = aktywność; w arkuszu co druga para ma odwrócone bieguny
wymiar <- rep(c("E", "P", "A"), each = 3)
odwr <- c(FALSE, TRUE, FALSE, TRUE, FALSE, TRUE, FALSE, TRUE, FALSE)
set.seed(95)
n <- 120
arkusz <- function(mu) {                                   # mu: średnie pojęcia na wymiarach E, P, A (skala 1–7)
  F <- sapply(1:3, function(w) rnorm(n, mu[w] - 4, 0.95))
  x <- sapply(1:9, function(j) pmin(pmax(round(4 + F[, match(wymiar[j], c("E", "P", "A"))] + rnorm(n, 0, 0.8)), 1), 7))
  x[, odwr] <- 8 - x[, odwr]                               # odpowiedzi tak, jak zapisano je w arkuszu
  colnames(x) <- paste0(wymiar, rep(1:3, 3))
  as.data.frame(x)
}
stat <- arkusz(c(4.0, 5.3, 3.8))                           # pojęcie „statystyka”
psych <- arkusz(c(5.5, 4.4, 4.6))                          # pojęcie „psychologia”
# 1. Rekodowanie odwróconych par (8 − x), tak by 7 = dobry, silny, aktywny
rekoduj <- function(d) { d[, odwr] <- 8 - d[, odwr]; d }
stat <- rekoduj(stat); psych <- rekoduj(psych)
# 2. Wynik wymiaru = średnia trzech par; rzetelność (alfa) w każdym wymiarze
alfa <- function(x) { k <- ncol(x); k / (k - 1) * (1 - sum(apply(x, 2, var)) / var(rowSums(x))) }
wynik <- function(d) sapply(c("E", "P", "A"), function(w) rowMeans(d[, wymiar == w]))
round(rbind(M_stat = colMeans(wynik(stat)), M_psych = colMeans(wynik(psych)),
            alfa_stat = sapply(c("E", "P", "A"), function(w) alfa(stat[, wymiar == w])),
            alfa_psych = sapply(c("E", "P", "A"), function(w) alfa(psych[, wymiar == w]))), 2)
# 3. Porównanie pojęć na każdym wymiarze: test t dla prób zależnych i d_z
do.call(rbind, lapply(c("E", "P", "A"), function(w) {
  r <- wynik(psych)[, w] - wynik(stat)[, w]
  tt <- t.test(r)                                          # = t.test(psych, stat, paired = TRUE)
  data.frame(wymiar = w, roznica = round(mean(r), 2), t = round(unname(tt$statistic), 2), df = tt$parameter[[1]],
             p = signif(tt$p.value, 3), d_z = round(mean(r) / sd(r), 2))
}))
# 4. Odległość między średnimi profilami (9 par)
round(sqrt(sum((colMeans(psych) - colMeans(stat))^2)), 2)
Wynik w R
              E    P    A
M_stat     4.09 5.11 3.72
M_psych    5.64 4.46 4.58
alfa_stat  0.79 0.70 0.75
alfa_psych 0.75 0.81 0.73
  wymiar roznica     t  df        p   d_z
1      E    1.55 11.23 119 2.14e-20  1.03
2      P   -0.65 -5.13 119 1.13e-06 -0.47
3      A    0.86  6.53 119 1.68e-09  0.60
[1] 3.3

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (funkcje pakietów bazowych); rysunek przygotowano w pakiecie ggplot2. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Pary, które nie są przeciwieństwami – „ciepły – nudny” mierzy dwie różne rzeczy naraz.
  • Brak przekodowania par z odwróconymi biegunami – w przykładzie alfa wymiaru oceny statystyki spadłaby z .79 do −1.25.
  • Jeden wynik ze wszystkich par – zsumowanie oceny, siły i aktywności miesza różne wymiary; licz wyniki osobno.
  • Za mało par na wymiar – jedna lub dwie pary dają niską rzetelność i nie pozwalają sprawdzić struktury.
  • Środek skali opisany jako „nie wiem” – środek oznacza położenie neutralne, a brak opinii to inna odpowiedź, którą lepiej zebrać osobno (zob. kafeteria odpowiedzi).
  • Różne zestawy par dla porównywanych pojęć – profile przestają być porównywalne.

Najczęstsze pytania

Co to jest dyferencjał semantyczny?

To technika pomiaru znaczenia pojęć: osoba zaznacza, gdzie umieszcza pojęcie (np. „statystyka”) między dwoma przeciwstawnymi przymiotnikami, np. dobry–zły, silny–słaby, aktywny–bierny. Zwykle stosuje się siedmiopunktowe skale i kilka lub kilkanaście par przymiotników, które grupuje się w wymiary.

Czym różni się dyferencjał semantyczny od skali Likerta?

W skali Likerta osoba określa stopień zgody z twierdzeniem, a w dyferencjale – położenie pojęcia między dwoma biegunami opisanymi przymiotnikami. Etykiety odpowiedzi są więc dopasowane do treści, a nie takie same dla wszystkich pozycji.

Jakie są wymiary dyferencjału semantycznego?

Klasycznie trzy: ocena (np. dobry–zły), siła (silny–słaby, twardy–miękki, ciężki–lekki) i aktywność (aktywny–bierny, szybki–wolny). Ocena i siła okazują się najbardziej stabilne, aktywność – mniej. Strukturę wymiarów sprawdź analizą czynnikową we własnych danych.

Ile punktów powinna mieć skala dyferencjału semantycznego?

Klasycznie siedem, z neutralnym środkiem i opisanymi biegunami; spotyka się też skale pięciopunktowe. Ważniejsze od liczby punktów jest to, by pary były rzeczywistymi przeciwieństwami, pasowały do ocenianego pojęcia i by na każdy wymiar przypadały co najmniej trzy pary.

Jak analizować wyniki dyferencjału semantycznego?

Przekoduj pary z odwróconymi biegunami, policz wynik każdego wymiaru jako średnią jego par i sprawdź rzetelność. Profile pojęć pokaż na wykresie, a różnice między pojęciami ocenianymi przez te same osoby sprawdź testem t dla prób zależnych lub ANOVA z powtarzanymi pomiarami.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. DeCastellarnau, A. (2018). A classification of response scale characteristics that affect data quality: A literature review. Quality & Quantity, 52(4), 1523–1559. https://doi.org/10.1007/s11135-017-0533-4 ● Otwarty dostęp
  2. Kervyn, N., Fiske, S. T., & Yzerbyt, V. Y. (2013). Integrating the stereotype content model (warmth and competence) and the Osgood semantic differential (evaluation, potency, and activity). European Journal of Social Psychology, 43(7), 673–681. https://doi.org/10.1002/ejsp.1978 ● Otwarty dostęp: pełny tekst
  3. Menold, N., & Bogner, K. (2016). Design of rating scales in questionnaires. GESIS – Leibniz Institute for the Social Sciences. https://doi.org/10.15465/gesis-sg_en_015 ● Otwarty dostęp: pełny tekst
  4. Saris, W., Revilla, M., Krosnick, J. A., & Shaeffer, E. M. (2010). Comparing questions with agree/disagree response options to questions with item-specific response options. Survey Research Methods, 4(1), 61–79. https://doi.org/10.18148/srm/2010.v4i1.2682 ● Otwarty dostęp

Cytowania BibTeX

@article{decastellarnau2018classification, author={DeCastellarnau, Anna}, title={{A classification of response scale characteristics that affect data quality: A literature review}}, journal={Quality \& Quantity}, year={2018}, volume={52}, number={4}, pages={1523--1559}, doi={10.1007/s11135-017-0533-4}}
@article{kervyn2013integrating, author={Kervyn, Nicolas and Fiske, Susan T. and Yzerbyt, Vincent Y.}, title={{Integrating the stereotype content model (warmth and competence) and the Osgood semantic differential (evaluation, potency, and activity)}}, journal={European Journal of Social Psychology}, year={2013}, volume={43}, number={7}, pages={673--681}, doi={10.1002/ejsp.1978}}
@techreport{menold2016design, author={Menold, Natalja and Bogner, Kathrin}, title={{Design of rating scales in questionnaires}}, year={2016}, institution={GESIS – Leibniz Institute for the Social Sciences}, doi={10.15465/gesis-sg_en_015}}
@article{saris2010comparing, author={Saris, Willem and Revilla, Melanie and Krosnick, Jon A. and Shaeffer, Eric M.}, title={{Comparing questions with agree/disagree response options to questions with item-specific response options}}, journal={Survey Research Methods}, year={2010}, volume={4}, number={1}, pages={61--79}, doi={10.18148/srm/2010.v4i1.2682}}
R