Słownik metodologiczny · Psychometria

Właściwa adaptacja testu – jak przenieść narzędzie do innego języka i kultury?

Adaptacja testu to więcej niż tłumaczenie: wymaga zgody autorów, kilku niezależnych przekładów, pretestu i dowodów równoważności pomiarowej. Opisujemy etapy według wytycznych ITC i pokazujemy w R, jak jedna źle przełożona pozycja zniekształca porównanie krajów.

Strona główna / Słownik / Właściwa adaptacja
W skrócie: Właściwa adaptacja to przygotowanie wersji testu dla innego języka lub kultury wraz z udokumentowanym procesem przekładu i dowodami, że nowa wersja mierzy ten sam konstrukt w porównywalny sposób. Obejmuje zgodę autorów, kilka niezależnych przekładów, pretest, badania rzetelności i trafności oraz inwariancję pomiaru. Bez inwariancji skalarnej nie porównuj średnich między krajami – jedna przesunięta pozycja może zniekształcić wynik.

Co to jest właściwa adaptacja testu?

Adaptacja testu (ang. test adaptation, cross-cultural adaptation) to przygotowanie wersji narzędzia dla innego języka lub kultury tak, aby mierzyła ten sam konstrukt co oryginał i dawała wyniki porównywalne z oryginalnymi. Właściwa adaptacja to taka, w której tę równoważność udokumentowano: opisano proces przekładu i zebrano dowody empiryczne, że wersje są równoważne pod względem pomiarowym.

Adaptacja to coś więcej niż tłumaczenie. Dobry przekład słowo w słowo może zmienić trudność pozycji, jej konotacje albo sens w innej kulturze. Pozycja „czuję się jak piąte koło u wozu” nie ma dosłownego odpowiednika w wielu językach, a pytanie o „chodzenie do kościoła” mierzy w różnych krajach różne rzeczy. Dlatego wersja przetłumaczona, ale niezbadana, nie jest jeszcze testem psychometrycznym w nowym języku. Jest roboczym narzędziem, którego rzetelność, trafność i normy trzeba dopiero ustalić.

Etapy adaptacji

Punktem odniesienia są wytyczne International Test Commission (2018). Ich drugie wydanie zawiera 18 zaleceń w sześciu grupach: warunki wstępne, opracowanie adaptacji, potwierdzenie empiryczne, badanie, skale wyników z interpretacją oraz dokumentacja. W naukach o zdrowiu często cytuje się też wytyczne Beaton i in. (2000). Typowy przebieg wygląda tak:

Etapy adaptacji testu i ich cel
EtapCo robiszPo co
1. ZgodaUzyskujesz zgodę właściciela praw do testu na przekład i adaptacjęWymóg prawny i etyczny (International Test Commission, 2014)
2. Przekład w przódCo najmniej dwie niezależne osoby znające oba języki, kulturę i treść testu tłumaczą pozycjeRóżne wersje ujawniają niejednoznaczności
3. Synteza i komisjaZespół porównuje przekłady, ustala wersję wspólną, ocenia równoważność treściDecyzje są udokumentowane, a nie przypadkowe
4. Tłumaczenie zwrotneInna osoba tłumaczy wersję polską z powrotem na język oryginałuKontrola zgodności – pomocnicza, bo ma słabe strony
5. Pretest jakościowyWywiady poznawcze z osobami z populacji docelowejSprawdzenie, czy pozycje są rozumiane tak, jak w oryginale
6. Pilotaż i badanie główneAnaliza pozycji, rzetelność, struktura czynnikowa, dowody trafnościEmpiryczne potwierdzenie jakości wersji
7. Równoważność pomiarowaInwariancja pomiaru względem danych z oryginałuWarunek porównywania wyników między krajami
8. Normy i dokumentacjaNowe normy, opis wszystkich zmian i decyzjiNormy oryginału nie przenoszą się na inną populację

Według wytycznych przekład powinno przygotować więcej niż jeden ekspert, a zarówno przekład w przód, jak i tłumaczenie zwrotne mają swoje słabe strony. Samo tłumaczenie zwrotne może przepuścić przekład, który jest dosłowny, ale dziwny dla rodzimego użytkownika języka. Wytyczne wymagają też pilotażu z analizą pozycji, rzetelnością i wstępnymi badaniami trafności oraz udokumentowania wszystkich zmian (International Test Commission, 2018).

Trzy poziomy równoważności

  • Językowa – pozycja jest poprawna, naturalna i zrozumiała w nowym języku.
  • Pojęciowa – pozycja odnosi się do tego samego zachowania lub doświadczenia i ma podobne znaczenie w obu kulturach.
  • Pomiarowa – te same ładunki i wyrazy wolne w modelu czynnikowym, czyli ten sam związek odpowiedzi z cechą. Bez niej różnica średnich między krajami może wynikać z przekładu, a nie z różnicy w cesze.

Putnick i Bornstein (2016) przypominają, że brak inwariancji oznacza, iż konstrukt ma w grupach inną strukturę lub znaczenie. Dlatego inwariancję trzeba sprawdzić przed porównywaniem średnich. Procedurę – serię coraz bardziej ograniczonych modeli – w formie listy kontrolnej opisali van de Schoot i in. (2012).

Przykład: pozycja, która zmieniła znaczenie w przekładzie

Sześciopozycyjną skalę samotności (odpowiedzi 1–7) wypełniło 300 osób w wersji oryginalnej i 300 osób w wersji polskiej (dane symulowane). W symulacji pozycja 4 w przekładzie stała się łatwiejsza do potwierdzenia: przy tym samym poziomie samotności osoby wybierają odpowiedź wyższą o 0.9 punktu. Prawdziwa samotność w polskiej próbie jest niższa o 0.30 odchylenia standardowego.

Różnice średnich sześciu pozycji między wersją polską a oryginałem z 95-procentowymi przedziałami: pięć pozycji ma różnice od minus 0.37 do minus 0.13, średnio minus 0.28 punktu, a pozycja 4 ma różnicę dodatnią plus 0.50 punktu
Rysunek 1. Różnice średnich pozycji między wersją polską a oryginałem (z 95% CI). Pięć pozycji wskazuje na niższą samotność w polskiej próbie, a pozycja 4 – na wyższą. Obliczenia: R (dane symulowane).

Wielogrupowa CFA pokazuje, gdzie leży problem:

Dopasowanie modeli inwariancji pomiaru
ModelCFIRMSEASRMRΔCFI
Konfiguralny (ta sama struktura).988.048.024–
Metryczny (równe ładunki).987.044.036−.001
Skalarny (równe ładunki i wyrazy wolne).914.103.069−.073
Częściowo skalarny (wyraz wolny pozycji 4 swobodny).985.044.039−.002

Ładunki są równoważne, ale model skalarny wyraźnie pogarsza dopasowanie. Test punktowy wskazuje, że największy problem tworzy wyraz wolny pozycji 4: χ²(1) = 69.43, p < .001. Pozostałe ograniczenia dają wartości od 1.00 do 5.53 (dwie z nich mają p < .05, ale są o rząd wielkości mniejsze). Uwalniaj parametry pojedynczo, zaczynając od największego. Po uwolnieniu tego jednego parametru dopasowanie wraca do poziomu modelu metrycznego.

Konsekwencje dla wniosków są wyraźne. W modelu częściowo skalarnym polska próba ma niższą średnią samotności o 0.37 SD, 95% CI [−0.57, −0.17], p < .001. Model, który wymusza równość wszystkich wyrazów wolnych, zaniża tę różnicę do −0.25 SD, 95% CI [−0.44, −0.06]. Proste porównanie sum punktów daje tylko d = −0.17 (p = .040). Jedna źle przełożona pozycja maskuje część rzeczywistej różnicy między krajami. W praktyce warto wtedy wrócić do przekładu pozycji 4 i sprawdzić ją w wywiadach poznawczych, zamiast tylko uwolnić parametr.

Jak opisać adaptację w pracy

Jeśli korzystasz z gotowej polskiej adaptacji, podaj jej autorów, rok i najważniejsze dane o rzetelności i trafności w polskiej próbie. Jeśli samodzielnie tłumaczysz narzędzie do pracy dyplomowej, opisz kolejno: zgodę autorów, sposób przekładu, liczbę tłumaczy, tłumaczenie zwrotne, pretest, wyniki rzetelności i struktury czynnikowej. Nazwij taką wersję wprost „wersją eksperymentalną” lub „roboczym przekładem”, a nie „polską adaptacją”.

Za zgodą autorów oryginalnej skali przekład przygotowały niezależnie dwie osoby biegle znające oba języki. Rozbieżności omówiono w zespole trzech osób, a wersję wspólną przetłumaczyła zwrotnie osoba, która nie znała oryginału. Zrozumiałość pozycji sprawdzono w ośmiu wywiadach poznawczych. Równoważność pomiarową z wersją oryginalną oceniono w wielogrupowej CFA. Model metryczny nie pogarszał dopasowania (ΔCFI = −.001), ale model skalarny – tak (ΔCFI = −.073). Po uwolnieniu wyrazu wolnego pozycji 4 uzyskano częściową inwariancję skalarną, CFI = .985, RMSEA = .044, SRMR = .039. W tym modelu średni poziom samotności w polskiej próbie był niższy niż w próbie oryginalnej o 0.37 SD, 95% CI [−0.57, −0.17], p < .001.

Kolejne kroki analizy inwariancji, z kodem, opisuje wpis Inwariancja pomiaru krok po kroku, a legalne źródła narzędzi i zasady ich użycia – Gdzie znaleźć kwestionariusze psychologiczne.

Przykład reprodukowalny

Przykład w R

Kod symuluje dane z wersji oryginalnej i polskiej, szacuje w pakiecie lavaan modele inwariancji (konfiguralny, metryczny, skalarny), szuka źródła braku inwariancji testem punktowym, dopasowuje model częściowo skalarny i porównuje różnicę średnich latentnych z różnicą sum punktów. Liczby w tekście pochodzą z tego kodu.

Inwariancja pomiaru wersji oryginalnej i polskiej

Dane wejściowe: 6 pozycji 1–7, po 300 osób w każdej wersji (dane symulowane, set.seed(164)); w wersji polskiej pozycja 4 przesunięta o +0.9 punktu.

Co odczytać: CFI, RMSEA i SRMR trzech modeli oraz ΔCFI; test punktowy dla wyrazów wolnych (X2, p.value); dopasowanie modelu częściowego; różnicę średnich latentnych w obu modelach; d dla sum; różnice średnich pozycji.

R
# R164 – właściwa adaptacja: czy polska wersja skali mierzy to samo co oryginał? (dane symulowane)
# Skala samotności, 6 pozycji 1–7; oryginał (n = 300) i polska adaptacja (n = 300).
# W przekładzie pozycja 4 stała się łatwiejsza do potwierdzenia (+0.9 pkt przy tym samym poziomie samotności).
suppressPackageStartupMessages(library(lavaan))
set.seed(164)
n <- 300
lad <- c(.80, .75, .70, .72, .78, .68); wyraz <- c(3.6, 3.2, 3.9, 3.4, 3.0, 3.7)
generuj <- function(n, przesuniecie, srednia) {
  eta <- rnorm(n, srednia)                                        # prawdziwy poziom samotności
  sapply(1:6, function(j) pmin(pmax(round(wyraz[j] + przesuniecie[j] + 1.2 * lad[j] * eta + rnorm(n, 0, 0.9)), 1), 7))
}
X <- rbind(generuj(n, rep(0, 6), 0), generuj(n, c(0, 0, 0, 0.9, 0, 0), -0.30))   # w polskiej próbie samotność niższa o 0.30 SD
colnames(X) <- paste0("s", 1:6)
dane <- data.frame(X, wersja = rep(c("oryginal", "polska"), each = n))
model <- "SAM =~ s1 + s2 + s3 + s4 + s5 + s6"
ind <- c("cfi", "rmsea", "srmr")
konf <- cfa(model, dane, group = "wersja", std.lv = TRUE)
metr <- cfa(model, dane, group = "wersja", std.lv = TRUE, group.equal = "loadings")
skal <- cfa(model, dane, group = "wersja", std.lv = TRUE, group.equal = c("loadings", "intercepts"))
round(rbind(konfiguralna = fitMeasures(konf, ind), metryczna = fitMeasures(metr, ind), skalarna = fitMeasures(skal, ind)), 3)
round(c(dCFI_metr = fitMeasures(metr, "cfi") - fitMeasures(konf, "cfi"), dCFI_skal = fitMeasures(skal, "cfi") - fitMeasures(metr, "cfi")), 3)

# Która pozycja łamie równość wyrazów wolnych? Test punktowy (score test) dla ograniczeń
st <- lavTestScore(skal)$uni
pt <- parTable(skal)
st$parametr <- pt$lhs[match(st$lhs, pt$plabel)]
st$typ <- pt$op[match(st$lhs, pt$plabel)]
st <- st[st$typ == "~1", c("parametr", "X2", "p.value")]
st$X2 <- round(st$X2, 2); st$p.value <- round(st$p.value, 3); st

# Częściowa inwariancja skalarna: uwalniamy wyraz wolny s4
czesc <- cfa(model, dane, group = "wersja", std.lv = TRUE, group.equal = c("loadings", "intercepts"), group.partial = "s4~1")
round(fitMeasures(czesc, ind), 3)
round(fitMeasures(czesc, "cfi") - fitMeasures(metr, "cfi"), 3)
# Różnica średnich latentnych (polska – oryginał; w grupie oryginalnej średnia = 0)
srednia <- function(m) { pe <- parameterEstimates(m); pe[pe$op == "~1" & pe$lhs == "SAM" & pe$group == 2, c("est", "ci.lower", "ci.upper", "pvalue")] }
round(rbind(skalarna = srednia(skal), czesciowa = srednia(czesc)), 3)
# Różnica w wyniku sumarycznym (d Cohena)
suma <- rowSums(X); g <- dane$wersja == "polska"
sp <- sqrt((var(suma[g]) + var(suma[!g])) / 2)
round(c(M_oryg = mean(suma[!g]), M_pol = mean(suma[g]), d = (mean(suma[g]) - mean(suma[!g])) / sp, p = t.test(suma[g], suma[!g])$p.value), 3)
# Różnice średnich pozycji (polska – oryginał) z 95% CI
roz <- t(sapply(1:6, function(j) { t <- t.test(X[g, j], X[!g, j]); c(roznica = unname(diff(rev(t$estimate))), dolna = t$conf.int[1], gorna = t$conf.int[2]) }))
rownames(roz) <- colnames(X); round(roz, 2)
round(mean(roz[-4, "roznica"]), 2)   # średnia różnica dla pozycji bez zastrzeżeń
Wynik w R
               cfi rmsea  srmr
konfiguralna 0.988 0.048 0.024
metryczna    0.987 0.044 0.036
skalarna     0.914 0.103 0.069
dCFI_metr.cfi dCFI_skal.cfi 
       -0.001        -0.073 
   parametr    X2 p.value
7        s1  5.53   0.019
8        s2  2.92   0.088
9        s3  2.04   0.153
10       s4 69.43   0.000
11       s5  1.00   0.318
12       s6  4.71   0.030
  cfi rmsea  srmr 
0.985 0.044 0.039 
   cfi 
-0.002 
             est ci.lower ci.upper pvalue
skalarna  -0.249   -0.443   -0.056  0.012
czesciowa -0.369   -0.567   -0.171  0.000
M_oryg  M_pol      d      p 
20.970 20.053 -0.168  0.040 
   roznica dolna gorna
s1   -0.37 -0.58 -0.16
s2   -0.31 -0.52 -0.11
s3   -0.29 -0.48 -0.09
s4    0.50  0.30  0.70
s5   -0.13 -0.34  0.08
s6   -0.32 -0.50 -0.13
[1] -0.28

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3; modele wielogrupowe oszacowano w pakiecie lavaan (estymator ML, std.lv = TRUE), a rysunek przygotowano w ggplot2.

  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. lavaan (wersja 0.7-2): Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02
  3. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org

Najczęstsze błędy

  • Tłumaczenie bez zgody autora. Przekład chronionego testu wymaga zgody właściciela praw – także w pracy dyplomowej (International Test Commission, 2014).
  • Jeden tłumacz i brak dokumentacji. Bez kilku niezależnych przekładów nie widać, które pozycje są niejednoznaczne.
  • Tłumaczenie zwrotne jako jedyna kontrola. Zgodny przekład zwrotny nie gwarantuje, że wersja polska brzmi naturalnie i znaczy to samo.
  • Przenoszenie norm i punktów odcięcia z oryginału. Normy i progi diagnostyczne trzeba ustalić na nowo dla polskiej populacji.
  • Porównywanie średnich między krajami bez inwariancji skalarnej. W przykładzie suma punktów pokazała różnicę d = −0.17, a model z częściową inwariancją – różnicę 0.37 SD.
  • Nazywanie własnego przekładu „polską adaptacją”. Adaptacja wymaga badań empirycznych. Roboczy przekład opisz jako roboczy.

Najczęstsze pytania

Czym różni się adaptacja testu od tłumaczenia?

Tłumaczenie przenosi słowa, a adaptacja – pomiar. Adaptacja obejmuje kilka niezależnych przekładów, uzgodnienie wersji w zespole, pretest z osobami z populacji docelowej, badania rzetelności, struktury czynnikowej i trafności, sprawdzenie równoważności pomiarowej oraz nowe normy. Samo tłumaczenie to dopiero jej pierwszy krok.

Czy mogę sam przetłumaczyć kwestionariusz do pracy magisterskiej?

Tylko za zgodą właściciela praw do testu. Przygotuj co najmniej dwa niezależne przekłady, uzgodnij wersję wspólną, sprawdź zrozumiałość pozycji w kilku wywiadach poznawczych i policz rzetelność na swoich danych. W pracy nazwij taką wersję roboczym przekładem, a nie polską adaptacją, i nie stosuj do niej norm z oryginału.

Czy tłumaczenie zwrotne wystarczy?

Nie. Tłumaczenie zwrotne pomaga wychwycić błędy znaczeniowe, ale może przepuścić przekład dosłowny, który brzmi nienaturalnie albo ma inne konotacje w nowej kulturze. Wytyczne International Test Commission traktują je jako jedną z metod kontroli, obok kilku niezależnych przekładów, oceny ekspertów i pretestu.

Po co sprawdzać inwariancję pomiaru adaptowanej skali?

Inwariancja pokazuje, czy pozycje wiążą się z mierzoną cechą tak samo w obu wersjach. Bez równych ładunków nie można porównywać związków między zmiennymi, a bez równych wyrazów wolnych – średnich. W przykładzie jedna przesunięta pozycja sprawiła, że różnica w sumach punktów (d = −0.17) była wyraźnie mniejsza niż w modelu z częściową inwariancją (0.37 SD).

Czy można używać norm z oryginalnej wersji testu?

Nie. Normy opisują rozkład wyników w konkretnej populacji, a po przekładzie zmieniają się i populacja, i właściwości pozycji. Adaptowana wersja potrzebuje własnej próby normalizacyjnej. Do czasu jej opracowania wyniki interpretuj tylko w porównaniach wewnątrz badanej grupy.

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. Beaton, D. E., Bombardier, C., Guillemin, F., & Ferraz, M. B. (2000). Guidelines for the process of cross-cultural adaptation of self-report measures. Spine, 25(24), 3186–3191. https://doi.org/10.1097/00007632-200012150-00014
  2. International Test Commission. (2014). ITC statement on the use of tests and other assessment instruments for research purposes (Version 1.2). https://www.intestcom.org/files/statement_using_tests_for_research.pdf ● Otwarty dostęp
  3. International Test Commission. (2018). ITC guidelines for translating and adapting tests (second edition). International Journal of Testing, 18(2), 101–134. https://doi.org/10.1080/15305058.2017.1398166 ● Otwarty dostęp: pełny tekst
  4. Putnick, D. L., & Bornstein, M. H. (2016). Measurement invariance conventions and reporting: The state of the art and future directions for psychological research. Developmental Review, 41, 71–90. https://doi.org/10.1016/j.dr.2016.06.004 ● Otwarty dostęp: pełny tekst
  5. van de Schoot, R., Lugtig, P., & Hox, J. (2012). A checklist for testing measurement invariance. European Journal of Developmental Psychology, 9(4), 486–492. https://doi.org/10.1080/17405629.2012.686740

Cytowania BibTeX

@article{beaton2000guidelines, author={Beaton, Dorcas E. and Bombardier, Claire and Guillemin, Francis and Ferraz, Marcos Bosi}, title={{Guidelines for the process of cross-cultural adaptation of self-report measures}}, journal={Spine}, year={2000}, volume={25}, number={24}, pages={3186--3191}, doi={10.1097/00007632-200012150-00014}}
@techreport{itc2014statement, author={{International Test Commission}}, title={{ITC statement on the use of tests and other assessment instruments for research purposes}}, year={2014}, institution={International Test Commission}, url={https://www.intestcom.org/files/statement_using_tests_for_research.pdf}}
@article{itc2018guidelines, author={{International Test Commission}}, title={{ITC guidelines for translating and adapting tests (second edition)}}, journal={International Journal of Testing}, year={2018}, volume={18}, number={2}, pages={101--134}, doi={10.1080/15305058.2017.1398166}}
@article{putnick2016measurement, author={Putnick, Diane L. and Bornstein, Marc H.}, title={{Measurement invariance conventions and reporting: The state of the art and future directions for psychological research}}, journal={Developmental Review}, year={2016}, volume={41}, pages={71--90}, doi={10.1016/j.dr.2016.06.004}}
@article{vandeschoot2012checklist, author={van de Schoot, Rens and Lugtig, Peter and Hox, Joop}, title={{A checklist for testing measurement invariance}}, journal={European Journal of Developmental Psychology}, year={2012}, volume={9}, number={4}, pages={486--492}, doi={10.1080/17405629.2012.686740}}
R