조사방법론. 6. 문항 척도
chapter 1. 문항 척도 개요
설문조사는 연구자가 특정 주제에 대해 구조화된 방식으로 정보를 수집하고 분석하는 주요 연구 방법 중 하나이다. 이 과정에서 척도(scale)는 응답자의 태도, 인식, 행동을 수치화하여 측정하는 핵심 도구로 작용하며, 연구 결과의 신뢰도(reliability)와 타당도(validity)에 직접적인 영향을 미친다. 따라서 연구 목적에 부합하는 적절한 척도를 선택하고 이를 정확하게 활용하는 것은 설문 데이터의 품질을 높이고, 분석 결과의 객관성과 재현성을 확보하는 데 필수적인 절차라 할 수 있다.
1. 척도 개념
척도는 설문 응답을 수치화하여 체계적으로 정리하는 방식으로, 응답 결과를 정량적으로 비교하고 분석할 수 있도록 돕는다. 설문조사에서는 다양한 유형의 척도가 사용되며, 이는 단순한 의견 수집을 넘어 분석 가능하고 일관성 있는 데이터를 생성하는 데 기여한다.
첫째, 응답의 표준화 기능을 통해 모든 응답자가 동일한 기준에서 문항을 해석하고 응답하도록 유도할 수 있다. 이는 결과의 객관성을 높이고, 응답 간의 비교 가능성을 확보하는 데 필수적이다.
둘째, 신뢰성 향상에도 기여한다. 동일한 질문을 반복 측정했을 때 유사한 결과가 나타나는지를 확인할 수 있으며, 예를 들어 리커트 5점 또는 7점 척도와 같이 일관된 방식의 척도는 태도나 인식의 변화를 비교하는 데 유리하다. 신뢰도 높은 척도는 연구 결과의 재현성을 높이고 후속 연구에서도 동일한 틀을 유지할 수 있게 한다.
셋째, 타당성 확보에 있어서는 연구자가 측정하고자 하는 개념을 정확히 반영하는 척도를 선택하는 것이 핵심이다. 예를 들어 ’소비자 만족’을 단순한 이분법(만족/불만족)으로 측정하는 것보다, 5점 또는 7점 척도를 사용하는 것이 미묘한 차이를 반영하는 데 유리하다.
마지막으로, 척도는 통계적 분석 가능성을 확장시킨다. 명목 및 서열 척도는 빈도 분석이나 카이제곱 검정에 적합하며, 등간 및 비율 척도는 평균, 표준편차, 상관 및 회귀분석 등 다양한 수치 분석 기법을 적용할 수 있다. 이처럼 척도의 적절한 활용은 조사 데이터의 질적 수준을 높이고, 과학적 분석을 가능하게 한다.
2. 척도의 유형과 선택의 중요성
| 척도 유형 | 설명 | 예시 | 주요 분석 방법 |
| 명목 척도 (Nominal Scale) |
단순한 분류와 명칭을 부여하는 방식 | 성별(남/여), 종교(기독교/불교) | 빈도분석, 카이제곱 검정 |
| 서열 척도 (Ordinal Scale) |
순서를 구별할 수 있으나 간격이 일정하지 않음 | 교육 수준(초등/중등/고등), 만족도(높음/보통/낮음) | 순위 분석, 카이제곱 검정 |
| 등간 척도 (Interval Scale) |
간격이 일정하지만 절대적인 0점이 없음 | 온도(°C), 지능지수(IQ) | 평균, 표준편차, 상관분석 |
| 비율 척도 (Ratio Scale) |
절대적인 0점을 가지며, 비율 비교가 가능 | 나이(세), 소득(만원), 키(cm) | 평균, 분산 분석, 회귀 분석 |
설문 조사에서 척도를 적절히 설정하는 것은 매우 중요하다. 척도가 부적절하게 설계되면 응답자의 반응이 일관성을 잃고, 수집된 데이터의 해석에도 오류가 발생할 수 있다. 이는 궁극적으로 연구 결과의 신뢰도를 저하시켜, 의미 있는 분석과 일반화된 결론 도출을 어렵게 만든다.
예를 들어, ’매우 만족–만족–보통–불만족–매우 불만족’과 같은 5점 척도를 사용하면 응답자의 태도 강도를 세분화해 파악할 수 있다. 반면, 이를 단순히 ’예/아니오’와 같은 이분법적 응답 방식으로 대체하면 태도 변화의 미묘한 차이를 반영하기 어렵고, 해석의 폭도 좁아질 수 있다. 따라서 질문의 목적과 분석 수준에 맞는 척도를 설정하는 것이 설문 설계의 핵심 요소라 할 수 있다.
통계적 분석 가능성: 척도는 통계적 분석의 기반이 되며, 설문 응답을 정량화할 수 있도록 돕는다. 만약 모든 문항이 개방형으로 구성된다면, 응답 내용의 수치화가 어렵고 체계적인 분석이 제한될 수 있다. 반면, 폐쇄형 질문에 적절한 척도를 결합하면 응답을 수치로 변환하여 다양한 통계 기법을 적용할 수 있다. 예를 들어, 마케팅 조사에서 소비자의 브랜드 인식을 등간 척도로 측정하면, 분산 분석(ANOVA)이나 회귀 분석을 통해 보다 정교한 통계적 해석이 가능하다.
결과의 재현성 확보: 또한, 척도가 명확하게 정의되어 있다면 동일한 연구를 다른 시점이나 환경에서 반복해도 유사한 결과를 도출할 수 있다. 이는 연구의 재현성을 확보하고, 결과의 일반화 가능성을 높이는 데 기여한다. 이러한 점에서 척도는 단순한 응답 수단을 넘어서 과학적 연구 설계의 핵심 요소로 작용한다.
설문조사에서 척도는 단순한 응답 선택지를 넘어, 수집된 데이터의 품질과 연구 결과의 신뢰도를 좌우하는 핵심 요소이다. 적절한 척도를 선택하면 연구자는 응답자의 태도나 행동을 정밀하게 측정할 수 있으며, 통계적으로 타당한 분석을 통해 보다 신뢰성 있는 결론을 도출할 수 있다. 따라서 설문 설계 단계에서 연구 목적에 부합하는 척도를 신중히 선택하는 것이 중요하며, 이는 데이터의 일관성과 해석의 정밀도를 높여 의미 있는 연구 성과로 이어진다.
chapter 2. 전통적인 척도
| 구분 | 명목 척도 | 서열 척도 | 등간 척도 | 비율 척도 |
| 측정값 간 순서 | X | O | O | O |
| 측정값 간 차이 일정성 | X | X | O | O |
| 덧셈, 뺄셈 연산 가능 여부 | X | X | O | O |
| 비율(나눗셈) 계산 가능 여부 | X | X | X | O |
| 예시 | 성별, 혈액형, 국적 | 학년, 학점, 만족도 | 온도, IQ 점수 | 키, 몸무게, 연봉, 나이 |
1. 명목 척도
명목 척도는 가장 기초적인 수준의 측정 척도로, 대상을 단순히 분류하거나 명명하는 역할을 한다. 이 척도에서 사용되는 숫자는 단순한 식별자 역할을 할 뿐, 수치적 의미를 가지지 않는다. 즉, 명목 척도에서 1과 2, 또는 A와 B는 단순히 서로 다른 범주를 의미할 뿐, 크기나 순서의 개념이 없다.
예를 들어, 응답자의 성별을 측정하는 문항에서 "남성"을 1, "여성"을 2로 표시할 수 있다. 그러나 이는 단순히 남성과 여성을 구분하기 위한 코드일 뿐, '1이 2보다 크다'는 의미를 갖지 않는다.
(1) 명목 척도 특징
측정값 간 서열이 없음
명목 척도는 측정값 간 서열이나 크기의 차이를 나타내지 않는다. 이는 단순히 각 범주를 구별하기 위한 코드로 사용될 뿐, 그 숫자 간에 어떤 순서나 우열도 존재하지 않는다. 예를 들어, 종교 항목에서 “기독교=1, 불교=2, 이슬람교=3, 무교=4”와 같이 숫자를 부여한다고 해도, 이는 편의상 구분을 위한 부호일 뿐 “무교(4)”가 “기독교(1)”보다 크거나 뒤에 있다는 의미는 없다. 따라서 명목 척도는 범주 간 비교는 가능하되, 서열 비교는 허용되지 않는다.
값의 차이를 측정할 수 없음
명목 척도는 범주 간의 차이나 간격을 수치적으로 해석할 수 없다. 예를 들어, 성별을 “남성=1, 여성=2”로 부호화했을 때, 이들 사이의 차이를 “2 - 1 = 1”이라고 수치적으로 해석하는 것은 의미가 없다. 이 숫자는 단순히 범주를 구분하기 위한 상징일 뿐, 수학적 연산(합, 차, 평균 등)에 사용될 수 있는 값이 아니다. 따라서 명목 척도에서는 범주 간의 차이나 비율을 측정하거나 비교하는 것은 부적절하며, 빈도나 비율 같은 비수치적 분석이 주로 활용된다.
기본적인 연산이 불가능함
명목 척도는 단순히 범주를 구분하는 역할만 하므로, 수치 간의 의미 있는 간격이나 순서가 존재하지 않는다. 이로 인해 평균이나 표준편차처럼 수학적 계산을 필요로 하는 연산은 수행할 수 없다. 예를 들어, “기독교=1, 불교=2, 천주교=3”으로 부호화된 종교 변수의 평균을 구하는 것은 의미가 없다. 대신, 명목 척도에서는 각 범주에 속하는 응답자의 빈도 수, 전체 응답자 대비 백분율, 가장 많이 선택된 범주인 최빈값(Mode) 등을 활용한 기술 통계 분석이 가능하다. 이러한 방식으로 집단의 특성을 요약하고 비교할 수 있다.
데이터의 범주가 명확해야 함
명목 척도를 설계할 때는 범주 간의 구분이 명확하고, 모든 가능한 선택지가 포함되어야 한다. 응답자가 자신의 속성이나 의견을 올바르게 선택할 수 있도록 서로 겹치지 않는 범주(disjoint categories) 를 제공해야 하며, 중요한 응답 선택지가 누락되지 않도록 포괄성도 확보해야 한다. 예를 들어, “좋아하는 색깔”을 묻는 문항에서 “빨강, 파랑, 노랑”만 제시하고 “녹색”이나 “기타” 선택지를 제공하지 않는다면, 응답자의 진의를 반영하지 못해 데이터의 왜곡이 발생할 수 있다. 따라서 명확하고 완전한 범주 구성이 필수적이다.
| 변수 | 예시 값 |
| 성별 | 남성(1), 여성(2) |
| 국적 | 한국(1), 미국(2), 영국(3) |
| 혈액형 | A형(1), B형(2), O형(3), AB형(4) |
| 종교 | 기독교(1), 불교(2), 이슬람교(3), 무교(4) |
| 학과 | 경영학과(1), 심리학과(2), 공학과(3) |
(2) 명목 척도 분석 방법
명목 척도는 기본적인 범주형 데이터 분석을 수행하는 데 적합하다. 주요 분석 방법은 다음과 같다.
빈도 분석 frequency analysis
명목 척도 데이터를 요약하는 데 가장 기본적이고 효과적인 방법이다. 각 범주별로 응답자의 수(빈도)를 세고, 전체 응답자 수 대비 비율(%)을 계산함으로써 자료의 분포와 구성 비율을 직관적으로 파악할 수 있다.
예를 들어, 설문조사에서 혈액형을 묻는 질문에 대해 다음과 같은 결과가 나왔다면: A형: 30명 (30%), B형: 25명 (25%), O형: 35명 (35%), AB형: 10명 (10%) 이처럼 빈도와 백분율을 함께 제시하면 각 범주의 상대적 크기와 특성을 명확하게 비교할 수 있어, 조사 대상의 특성을 이해하는 데 유용하다. 막대그래프(bar chart)나 원형그래프(pie chart)로 시각화하면 더 효과적인 설명이 가능하다.
최빈값 mode 분석
명목 척도 데이터를 요약할 때 대표값을 제시하는 가장 적절한 방법이다. 명목 척도에서는 숫자 간의 순서나 간격이 없기 때문에 평균이나 중앙값을 계산하는 것이 무의미하며, 가장 많이 나타난 응답(최빈값)을 통해 데이터를 대표할 수 있다.
예를 들어, 학과별 학생 수를 조사한 결과가 다음과 같다면: 경영학과: 50명, 심리학과: 30명, 컴퓨터공학과: 40명, 이 경우 최빈값(mode)은 ’경영학과’이며, 이는 해당 집단에서 가장 흔한(대표적인) 특성으로 해석된다. 명목형 자료에서는 이러한 최빈값 분석이 실제 현장의 특성을 단순하고 명확하게 설명하는 데 매우 유용하다.
카이제곱 검정 Chi-Square test
두 개 이상의 명목형 변수 간의 통계적 연관성을 분석할 때 사용된다. 이 검정은 관측된 빈도와 기대 빈도의 차이를 비교하여, 두 변수 간에 우연 이상의 연관성이 있는지를 판단한다.
예를 들어, 설문조사에서 응답자의 성별(남성/여성)과 선호하는 브랜드(브랜드 A/B/C) 간의 관계를 알아보고자 할 때, 다음과 같은 질문이 가능하다: “성별에 따라 선호 브랜드가 달라지는가?”
이때 실제 응답에서 나타난 성별-브랜드 분포(관측값)와, 성별과 브랜드가 독립이라고 가정했을 때의 기대값 간의 차이를 분석하여 유의미한 차이가 있는지를 검정한다.
백분율 분석 percentage analysis
백분율 분석은 각 범주가 전체 응답자 중에서 차지하는 비중을 계산하여, 데이터의 분포를 직관적으로 파악할 수 있도록 해주는 방법이다. 주로 명목 척도에서 사용되며, 다양한 범주 간의 상대적인 크기를 비교하거나, 특정 집단이 전체에서 얼마나 중요한 비율을 차지하는지를 나타낼 때 유용하다.
예를 들어, 종교에 대한 설문 조사에서 응답자의 40%가 무교, 35%가 기독교, 15%가 불교, 10%가 기타 종교라고 응답한 경우, 백분율 분석을 통해 각 종교의 상대적인 분포를 명확하게 확인할 수 있다. 이처럼 백분율은 단순한 빈도 수치를 상대적인 수치로 변환하여, 다양한 집단 간 비교를 용이하게 하고, 조사 결과를 시각적으로 설명할 수 있도록 돕는다.
(3) 명목 척도의 장점과 단점
명목 척도는 조사 대상의 특성을 구분하거나 분류할 때 가장 기본적으로 사용되는 측정 도구로, 실생활에서 쉽게 관찰되는 성별, 종교, 국적 등과 같은 범주형 정보를 효과적으로 수집할 수 있다. 이 척도는 응답자가 쉽게 이해하고 선택할 수 있는 형태이기 때문에, 데이터 수집이 용이하고 해석도 간단하다는 장점이 있다. 또한 인구통계학적 조사, 시장 조사, 심리학 연구 등 다양한 분야에서 폭넓게 활용되며, 현실에서 사용되는 범주를 그대로 반영할 수 있다는 점에서 응답의 실효성을 높인다.
그러나 명목 척도는 수치 간의 크기나 순서를 나타내지 않기 때문에 평균이나 표준편차와 같은 수학적 연산이 불가능하다. 단순 빈도나 백분율과 같은 기초적인 분석만 수행할 수 있으며, 그 이상의 정교한 통계 분석은 어렵다는 한계가 있다. 또한, 범주 설정이 명확하지 않거나 중복될 경우, 응답자의 혼란을 초래하고 데이터 해석에도 오류가 발생할 수 있다. 이러한 점에서 명목 척도는 정보량이 상대적으로 적으며, 분석의 깊이를 확보하는 데 제한이 있다.
2. 서열 척도
서열 척도는 조사 대상 간의 순서를 비교할 수 있도록 해주는 측정 방식으로, 예를 들어 어떤 대상이 더 높거나 낮은지, 더 선호되거나 덜 선호되는지를 나타낼 수 있다. 응답자의 태도, 만족도, 선호도와 같은 심리적 또는 주관적 평가를 측정할 때 주로 사용되며, 명목 척도보다 더 많은 정보를 담고 있다는 점에서 분석의 정밀도를 높여준다.
서열 척도의 핵심 특징은 순위를 부여할 수 있다는 점이다. 예를 들어 대학 성적에서 A, B, C, D, F와 같은 등급이 있다면, A가 B보다 우수하다는 순위는 명확하지만 A와 B의 점수 차이와 C와 D의 점수 차이가 동일하다고 볼 수는 없다. 즉, 순서 정보는 제공하지만 간격 정보는 제공하지 않는다는 것이 서열 척도의 중요한 제한점이다.
이러한 특성으로 인해 서열 척도는 빈도분석, 백분율, 중앙값, 사분위수와 같은 순위 기반 분석에는 적합하지만, 평균이나 표준편차를 사용하는 분석에는 주의가 필요하다. 평균을 계산하는 것이 불가능한 것은 아니지만, 간격이 일정하지 않다는 점에서 그 해석에 신중함이 요구된다. 따라서 서열 척도는 정보량이 많고 해석이 직관적이지만, 정량적인 분석에는 다소 제약이 따를 수 있다.
(1) 서열 척도 예시
설문조사 및 심리 척도
- 만족도 조사: ”매우 만족 - 만족 - 보통 - 불만족 - 매우 불만족”
- 중요도 평가: ”매우 중요 - 중요 - 보통 - 중요하지 않음 - 전혀 중요하지 않음”
경쟁 및 순위 관련 데이터
- 고객 선호 브랜드 순위: 1위, 2위, 3위…
- 스포츠 경기 성적: 금메달, 은메달, 동메달
교육 및 시험 결과
- 학점: A, B, C, D, F
- 시험 성적 등급: 상, 중, 하
소득 및 계층 구분
고소득 > 중소득 > 저소득
사회계층: 상류층 > 중산층 > 서민층
건강 및 의료 평가
병의 심각도: 경증 > 중등도 > 중증
환자의 통증 수준: 심한 통증 > 중간 통증 > 약한 통증 > 없음
(2) 서열 척도 특징
순위(서열) 부여 가능: 서열 척도에서는 대상 간의 비교가 가능하며, 순서를 정할 수 있다. (예) 소득 수준: 고소득 > 중소득 > 저소득
순위 간의 간격(interval)은 균등하지 않음: 측정값 사이의 차이가 동일한 크기를 의미하지 않는다. (예) 영화 평점(별점 1~5점)에서 5점과 4점 차이가 2점과 1점 차이보다 크거나 작을 수 있음.
(예) 만족도 조사(매우 만족, 만족, 보통, 불만족, 매우 불만족)의 경우, ’보통(3)’에서 ’만족(4)’으로 변하는 것이 ’불만족(2)’에서 ’보통(3)’으로 변하는 것과 동일한 차이를 가진다고 보기 어려움.
덧셈, 뺄셈 등의 수치적 연산이 불가능: 서열 척도에서는 측정값이 숫자로 표현될 수 있으나, 그 숫자는 단순히 순서를 나타낼 뿐 절대적인 수치적 의미를 가지지는 않는다. 예를 들어, 만족도 조사에서 “매우 만족 = 5”, “만족 = 4”, “보통 = 3”, “불만족 = 2”, “매우 불만족 = 1”처럼 숫자를 부여할 수 있지만, 이들 간의 간격이 동일하다고 볼 수 없다.
따라서 평균을 계산하여 분석하는 것보다는, 중위값(Median) 또는 최빈값(Mode)처럼 순위를 기반으로 한 통계량을 사용하는 것이 더 적절하다. 이러한 방식은 서열 척도의 핵심인 순서 정보를 보존하면서도, 간격이 일정하지 않다는 특성을 고려한 해석을 가능하게 한다.
비율 계산 불가능: ”A의 점수가 B의 점수의 2배다”와 같은 해석이 불가능하다. (예) 선호도 조사에서 1위(고객 100명)와 2위(고객 50명)의 차이가 2배라고 해서, 1위 브랜드가 2위보다 정확히 2배 더 선호된다고 볼 수 없음.
(3) 서열 척도 통계 분석 방법
서열 척도 데이터는 평균이나 표준편차 계산이 적절하지 않으며, 대신 다음과 같은 기법이 주로 사용된다.
최빈값 및 중위값 사용: 평균은 서열 척도에 적절하지 않기 때문에 중위값이나 최빈값을 사용하여 데이터의 중심 경향을 분석한다.
순위 기반 통계 기법 적용: 순위합 검정(Rank-Sum Test), 윌콕슨 부호순위 검정(Wilcoxon Signed-Rank Test), 크루스칼-월리스 검정(Kruskal-Wallis Test) 등. 이는 서열 척도의 특성을 고려하여 두 그룹 이상 간의 차이를 비교하는 비모수적 방법이다.
상관분석 시 순위 기반 기법 사용: Spearman의 순위 상관계수 또는 Kendall의 순위 상관계수(Kendall’s tau)를 사용한다.
로지스틱 회귀(Logistic Regression) 사용 가능: 예측변수(종속변수)가 서열 척도인 경우 서열 로지스틱 회귀(Ordinal Logistic Regression, Proportional Odds Model) 를 사용한다.
(5) 서열 척도의 한계와 보완 방법
서열 척도는 측정 대상 간의 순서를 알 수 있다는 점에서 유용하지만, 각 순위 간의 간격이 균등하지 않다는 한계를 가지고 있다. 예를 들어, 어떤 응답자가 ’매우 만족(5점)’을 선택하고, 다른 응답자가 ’만족(4점)’을 선택했다 하더라도, 그 차이가 ’보통(3점)’과 ‘불만족(2점)’ 간의 차이와 같다고 보장할 수는 없다. 이처럼 간격이 일정하지 않기 때문에 평균이나 표준편차 등의 수치 연산을 적용하기에는 주의가 필요하다.
그러나 실제 연구에서는 서열 척도 중 일부, 특히 Likert 척도(예: 5점 척도, 7점 척도 등)에 대해, 응답 간격이 대체로 균등하다고 간주할 수 있는 경우에는 등간 척도로 변환하여 사용하는 방식이 널리 활용된다. 이 경우, 평균, 표준편차 등의 통계 분석을 정당화할 수 있으며, 보다 정밀한 수치 분석이 가능해진다. 단, 이러한 접근은 연구 목적과 응답자의 인식 특성에 대한 충분한 고려를 바탕으로 이루어져야 한다.
(6) 리커트 척도는 서열척도
리커트 척도(Likert Scale)는 1932년 렌시스 리커트(Rensis Likert)가 박사학위 논문에서 처음 고안한 측정 도구로, 응답자의 태도나 의견을 보다 정밀하고 객관적으로 수량화하기 위해 개발되었다.
기존의 설문조사에서는 “예/아니오”나 “찬성/반대”와 같은 단순한 명목 척도 방식이 주로 사용되었으나, 이는 사람들의 복합적인 감정이나 태도를 충분히 포착하기 어려웠다. 리커트는 이러한 한계를 보완하고자, 단순한 선택을 넘어서 다양한 정도의 동의 수준을 표현할 수 있도록 서열형 응답 구조를 제안했다.
리커트 척도는 일반적으로 “매우 그렇다”부터 “전혀 그렇지 않다”까지의 다섯 점 또는 일곱 점 척도를 사용하여, 응답자가 자신의 의견을 보다 세밀하게 표현할 수 있도록 돕는다. 이러한 방식은 설문 응답의 신뢰성과 민감도를 높이며, 통계적으로도 평균, 분산 등 다양한 분석을 가능하게 하는 장점이 있다.
단순한 이분법적 질문의 한계 극복
기존의 설문조사 방식은 “찬성/반대”와 같은 단순한 이분법적 질문 형식을 주로 사용해 왔지만, 이는 응답자의 태도나 감정을 정밀하게 측정하는 데 한계가 있었다. 이러한 방식에서는 의견의 강도나 미묘한 차이를 반영하기 어렵기 때문에, 조사 결과가 응답자의 실제 생각을 충분히 드러내지 못하는 문제가 발생한다.
리커트 척도는 이러한 한계를 극복하기 위해, 단순한 찬반 여부를 넘어 응답자의 태도 강도를 함께 측정할 수 있도록 설계되었다. 예를 들어, “이 정책을 찬성합니까?“라는 기존의 질문이 단순히 “찬성” 또는 “반대”만을 선택하게 한다면, 리커트 방식은 “이 정책에 대해 어떻게 생각하십니까?“라는 질문에 대해 “매우 찬성(5)”, “찬성(4)”, “보통(3)”, “반대(2)”, “매우 반대(1)“와 같은 응답 선택지를 제공한다. 이를 통해 응답자는 자신의 태도를 보다 섬세하게 표현할 수 있고, 연구자는 응답자의 의견 강도를 수치화하여 분석할 수 있다. 이처럼 리커트 척도는 태도 측정의 정밀도를 높이는 데 중요한 역할을 한다.
사회과학 연구에서 태도 및 인식 연구를 위한 표준화된 도구 제공
사회과학 연구에서는 인간의 태도, 인식, 감정 등과 같은 주관적 요소를 정량적으로 측정하는 것이 매우 중요하지만 동시에 어려운 과제이기도 하다. 이러한 비가시적이고 주관적인 특성들은 단순한 숫자나 범주로 쉽게 표현되기 어렵기 때문이다. 리커트 척도는 이러한 측정의 어려움을 해결하기 위한 표준화된 도구로 널리 활용된다.
예를 들어 “이 제품을 다시 구매할 의향이 있습니까?”라는 질문에 대해, 단순히 ‘예’ 또는 ’아니오’로 응답하는 것이 아니라, “매우 그렇다(5) – 그렇다(4) – 보통이다(3) – 아니다(2) – 전혀 아니다(1)”와 같이 응답자의 태도 강도를 표현할 수 있는 서열화된 선택지를 제공함으로써, 보다 정밀하고 신뢰도 높은 데이터 수집이 가능해진다. 이처럼 리커트 척도는 태도 및 인식 연구에서 객관성과 일관성을 높이기 위한 핵심적인 도구로 기능하며, 사회과학 연구 전반에서 중요한 표준 측정 방식으로 자리 잡고 있다.
리커트 척도는 서열 척도이다.
리커트 척도는 응답자의 태도나 의견을 측정할 때 널리 사용되는 도구로, 기본적으로 서열 척도(ordnal scale)로 간주된다. 그 이유는 각 응답 항목 사이에 순위가 존재하지만, 그 간격이 반드시 균등하다고 보장할 수 없기 때문이다.
예를 들어, “매우 만족(5) - 만족(4) - 보통(3) - 불만족(2) - 매우 불만족(1)”이라는 5점 척도에서 응답자들은 각 항목을 순서대로 인식하지만, ‘만족’과 ‘보통’ 사이의 거리와 ‘불만족’과 ‘매우 불만족’ 사이의 거리가 동일하다고 단정할 수는 없다. 즉, 수치는 서열을 나타내는 데에는 유용하지만, 수치 간 간격이 심리적으로나 실제로 일정하다는 보장은 없다.
따라서 리커트 척도는 원칙적으로 서열 척도로 분류되며, 평균이나 표준편차 같은 등간 척도 기반의 분석을 수행할 경우에는 연구 목적에 따라 간격의 동일성을 전제해야 함을 유의해야 한다. 이 같은 전제를 정당화하기 어렵다면, 중위값, 빈도, 범주별 분포 등 서열 데이터에 적합한 분석 기법을 사용하는 것이 바람직하다.
등간 척도로 활용하는 이유
리커트 척도는 본래 서열 척도로 분류되지만, 심리학·사회과학 분야의 연구에서는 등간 척도로 간주하여 활용하는 경우가 많다. 그 주된 이유는 분석의 실용성과 통계 지표의 활용도 때문이다.
서열 척도로 엄격히 해석하면 평균, 표준편차와 같은 연산은 적절하지 않다. 그러나 현실의 연구에서는 응답 항목 간의 간격이 대체로 균등하다는 가정을 받아들이고, 리커트 척도를 등간 척도로 취급한다. 이를 통해 예를 들어 “매우 만족(5) - 만족(4) - 보통(3) - 불만족(2) - 매우 불만족(1)” 같은 5점 척도에서 응답 평균이 3.6점이라면, 비교적 긍정적인 평가로 해석할 수 있다.
또한, 실험적 연구나 집단 비교 분석에서 평균, 표준편차, t-검정, 분산분석(ANOVA) 등 통계 분석 기법을 적용할 수 있어 분석의 폭이 넓어진다. 실제로 많은 연구자가 리커트 점수의 차이가 응답자의 태도나 인식의 차이를 어느 정도 반영한다고 보고 있으며, 등간 척도로서의 활용은 연구의 실용성과 해석력을 높이는 데 기여하고 있다.
리커트 척도를 등간 척도로 간주할 때 척도의 신뢰성 검토 필요
리커트 척도를 등간 척도로 간주하여 평균이나 표준편차 등의 통계 분석을 수행하려면, 그에 앞서 척도의 신뢰성과 일관성에 대한 검토가 반드시 필요하다. 모든 리커트 척도가 등간척도처럼 해석 가능한 것은 아니기 때문이다.
이는 각 응답자가 척도 간의 간격을 동일하게 인식하지 않을 수 있기 때문이다. 예를 들어, 어떤 사람은 ’보통(3)’에서 ’만족(4)’으로의 차이를 크게 느끼는 반면, 다른 사람은 ’만족(4)’에서 ’매우 만족(5)’으로의 차이를 더 중요하게 여길 수 있다. 이처럼 응답 간 간격에 대한 인식 차이는 등간척도로서의 가정을 위협할 수 있다.
따라서, 척도의 신뢰성과 구조적 타당성을 검토하는 과정이 선행되어야 하며, 대표적인 방법으로는 다음과 같은 분석이 활용된다.
- 신뢰도 분석(Cronbach’s Alpha): 동일한 척도를 구성하는 문항 간의 일관성을 평가하여, 응답자들이 각 문항에 대해 일관되게 반응하는지를 검토한다.
- 탐색적 요인 분석(EFA): 여러 문항이 하나의 요인(개념)을 측정하고 있는지를 분석하여 척도의 구조적 타당성을 확인한다.
이러한 검토를 통해 척도의 내적 일관성과 구성 타당성이 확보된다면, 해당 리커트 척도를 등간 척도로 간주하여 통계 분석에 활용하는 것이 보다 타당하고 신뢰로운 해석으로 이어질 수 있다.
3. 등간 척도
등간척도는 변수 간의 차이를 수치적으로 측정할 수 있도록 설계된 척도로, 각 값들 사이의 간격이 일정하다는 점이 핵심적인 특징이다. 예를 들어, 섭씨 온도는 10도에서 20도로 올라간 변화와, 20도에서 30도로 올라간 변화가 동일한 간격(10도 차)을 의미하므로 등간척도로 간주된다.
그러나 절대적 기준점(진정한 0점)이 존재하지 않는다는 점에서 비율척도와는 다르다. 예를 들어, 섭씨 0도는 ’온도의 부재’를 의미하지 않으며, 20도가 10도의 ’두 배 더 덥다’라고 해석하는 것도 옳지 않다. 이처럼 등간척도는 간격(차이)을 비교할 수는 있지만, 비율 비교나 배수 해석은 불가능하다.
(1) 등간척도 특징
순서 정보 제공: 변수 값의 크고 작음을 비교할 수 있다. (예) 온도(섭씨, 화씨), IQ 점수, 표준화 점수(Z-score)
일정한 간격 유지: 측정값들 사이의 차이가 동일한 간격을 유지한다. (예) 섭씨 온도에서 20°C와 30°C 사이의 차이(10°C)는, 30°C와 40°C 사이의 차이(10°C)와 같다.
절대적 0이 없음: 등간척도는 임의적으로 정한 0점을 사용하므로, ”절대적인 없음”을 의미하는 0점이 아니다. 예를 들어, 섭씨 0°C는 온도의 완전한 부재가 아니라, 물의 어는점을 기준으로 설정된 값이다. 따라서, 40°C가 20°C의 ”두 배”라고 할 수 없다.
덧셈과 뺄셈이 가능하지만, 곱셈과 나눗셈(비율 비교)은 불가능: 차이(증감량)를 분석하는 데 유용하지만, 비율(몇 배 큰지) 분석은 의미가 없다. 예를 들면, IQ 점수 140이 70보다 두 배 높은 지능을 의미하지 않는다.
(2) 등간척도 예시
온도(섭씨, 화씨): 20°C와 30°C 사이의 차이는 10°C, 하지만 40°C가 20°C의 2배 더 뜨겁다고 할 수 없음.
IQ 점수: 140점이 70점의 두 배의 지능을 의미하지 않음.
시험 점수(표준화 점수): 예를 들어, 수능 점수가 300점에서 400점으로 증가한 것과 400점에서 500점으로 증가한 것은 동일한 차이를 나타냄.
신용평점: 신용평점 800이 400보다 정확히 두 배의 신용도를 의미하는 것은 아님.
리커트 척도: ”1=매우 불만족, 2=불만족, 3=보통, 4=만족, 5=매우 만족” 등 숫자가 등간성을 가질 수 있는 경우.
(3) 등간 척도 통계 분석 방법
산술평균과 표준편차: 등간척도는 산술평균을 계산할 수 있으며, 자료의 분산과 표준편차 분석이 가능하다. (예) 특정 시험에서 학생들의 평균 점수를 계산.
t-검정 및 분산분석: 두 집단 이상에서 평균 차이를 비교할 때 사용된다. (예) 새로운 교육 방법이 기존 방법보다 효과적인지 확인할 때.
상관관계 분석: 등간척도 데이터 간의 선형 관계를 분석하는 데 사용한다. (예) 학생들의 IQ와 학업 성취도 간의 상관관계 분석.
회귀분석: 예측 모델을 만들기 위해 사용된다. (예) 기온이 소비자 구매 행동에 미치는 영향을 분석한다.
Z-점수 변환: 등간척도 데이터는 표준화하여 비교가능하도록 변환할 수 있다. (예) 여러 시험에서 점수를 비교할 때 표준화 점수를 사용한다.
(4) 등간척도의 한계와 고려 사항
비율 비교 불가능: 섭씨 온도에서 40°C가 20°C의 두 배라고 할 수 없다. (해결 방법) 비율척도로 변환 가능할 경우 변환하여 분석 (예: 절대적 0이 있는 켈빈 온도를 사용하는 방법).
정확한 간격 유지 여부 확인 필요: 일부 척도(예: 심리학 설문지)는 등간척도를 가정하고 있지만, 실제로는 완전한 등간성이 없는 경우가 많다.
정규성 검정 필요: 등간척도 자료가 정규분포를 따르는지 여부에 따라 사용할 수 있는 통계 분석 기법이 달라진다.
4. 비율 척도
비율척도는 측정값들 간의 절대적 0이 존재하며, 덧셈·뺄셈뿐만 아니라 곱셈·나눗셈을 포함한 모든 산술 연산이 가능한 척도이다. 즉, 값들 간의 비율(배수 개념)이 의미를 갖는 척도이다.
(1) 비율척도 특징
순서 정보 제공: 값들의 크고 작음을 비교할 수 있다. (예) 키(170cm > 160cm), 몸무게(70kg > 50kg)
일정한 간격 유지: 측정값들 사이의 간격이 일정하다. (예) 10kg와 20kg 사이의 차이(10kg)는, 30kg와 40kg 사이의 차이(10kg)와 같다.
절대적 0 존재: 값이 ’0’일 때 해당 속성이 완전히 없는 상태를 의미한다. (예) 키 0cm, 몸무게 0kg, 연령 0세(출생 이전 없음), 수입 0원
비율(배수 비교) 가능: 40kg이 20kg의 두 배임을 의미하며, 100cm는 50cm의 두 배 길이임을 의미함. 이는 등간척도(Interval Scale)에서는 불가능했던 비교이다. (예) ”50세는 25세의 두 배 오래 살았다”는 논리가 성립.
모든 산술 연산 가능: 덧셈, 뺄셈, 곱셈, 나눗셈 연산이 모두 가능하다. (예) 평균, 비율, 표준 편차, 변동 계수 등 계산 가능.
(2) 비율척도 예시
- 신체 측정값: 키(cm), 몸무게(kg), 허리둘레(cm)
- 시간 측정값: 반응 시간(초), 나이(년), 학습 시간(시간)
- 소득 및 비용: 월급(원), 저축액(원), 소비액(원)
- 거리 및 속도: 거리(km, m), 속도(km/h), 주행거리(km)
- 수량 데이터: 판매량(개), 학생 수(명), 인구 수(명)
(3) 비율척도 통계 분석 방법
산술평균, 중앙값, 최빈값 계산 가능: 모든 기술통계가 적용 가능하다. (예) 평균 소득, 중앙값 소득, 최빈값 분석.
표준편차와 분산 계산 가능: 데이터의 변동성을 분석할 수 있다. (예) 신체검사에서 키의 표준편차 분석.
t-검정 및 분산분석: 집단 간 평균 차이 검정 가능하다. (예) 남성과 여성의 평균 키 차이 분석.
회귀분석 및 상관분석: (1) 독립변수와 종속변수 간의 관계를 예측하는 데 사용된다. (예) 학습 시간과 시험 성적 간의 관계 분석. (2) 두 변수 간의 관계를 측정할 수 있다. (예) 소득과 소비 간의 관계 분석.
비율 비교 가능: 데이터 간 비율(배수)을 이용한 분석이 가능하다. (예) A 지역의 평균 소득이 B 지역보다 1.5배 높다.
(4) 비율척도의 한계와 고려 사항
데이터의 정규성 검토 필요: 대부분의 통계 분석 기법(t- 검정, 분산분석, 회귀분석 등)은 정규분포를 가정하므로 데이터가 정규성을 만족하는지 확인해야 한다.
이상치(Outliers) 문제: 비율척도 데이터는 절대적인 크기가 의미를 가지므로, 이상치(극단값)에 민감하다. (예) 평균 소득 분석 시, 억대 연봉자가 포함되면 평균값이 왜곡될 수 있음.
비율척도의 단위 고려: 단위 변환 시 비율 비교가 달라질 수 있다. (예) 키를 cm에서 m로 변환하면 수치가 100배 차이가 나므로, 단위 해석에 주의해야 함.
chapter 3. 심리적 행동적 척도
1. 거트만 Guttman 척도
(1) 거트만 척도 개요
거트만 척도(Guttman Scale)는 누적척도의 한 형태로, 응답자의 태도나 행동이 위계적으로 구성된 문항에 대해 일관된 응답 패턴을 보이는지를 측정하는 척도이다. 이 척도는 상위 문항에 동의한 응답자는 반드시 그보다 낮은 수준의 문항에도 동의한다고 가정한다. 다시 말해, 특정 진술에 ’그렇다’고 응답한 사람은 그보다 덜 강한 진술에도 ’그렇다’고 응답해야 논리적으로 일관된 것으로 간주한다.
거트만 척도는 응답자 간 점수의 단순 비교보다, 응답 패턴의 누적성과 일관성에 초점을 두는 방식이다. 응답 결과가 이상적인 누적 형태를 따를수록, 해당 척도의 신뢰성과 설명력이 높다고 평가한다.
이 척도는 사회적 태도, 신념 구조, 행동 수용 정도 등과 같이 위계적 순서가 존재한다고 판단되는 개념을 측정하는 데 적합하다. 따라서 다음과 같은 분야에서 주로 활용된다.
- 사회과학 연구: 성평등 인식, 정치적 이념 수용도, 편견 수준 등
- 교육 연구: 학습 태도, 교육 내용 수용도 등
- 마케팅 조사: 제품 구매 의향, 브랜드 충성도 등
예를 들어, 정치적 참여에 대한 척도를 구성할 때 다음과 같이 문항을 배열할 수 있다. 1. 정치 뉴스를 읽는다. < 2. 정치 토론에 참여한다. < 3. 집회에 참석한 적이 있다. < 4. 정치 기부를 한다. < 5. 정당에 가입했다.
이 경우, ’정당에 가입했다’는 응답자는 앞선 모든 문항에도 동의할 것으로 예상되며, 이러한 응답 구조가 거트만 척도의 전형적인 예시이다.
(2) 거트만 척도 원리
거트만 척도는 응답자의 태도나 행동이 계층적으로 배열된 문항을 통해 일관된 패턴을 보이는지 측정하는 방법이다. 이를 위해 거트만 척도는 네 가지 핵심 원칙을 따른다.
(1) 위계적 구조(hierarchical structure)
문항들은 강도의 순서에 따라 배열되며, 상위 문항에 동의한 사람은 하위 문항에도 반드시 동의해야 한다. 예를 들어, “난민을 이웃으로 받아들일 수 있다”는 문항에 동의한 사람은 “같은 국가에 사는 것은 괜찮다”는 문항에도 동의해야 한다는 구조이다.
(2) 누적성 (Cumulativeness)
척도에 포함된 문항들은 특정 주제나 태도에 대한 강도의 위계를 가지며 응답자는 자신의 태도 강도에 따라 논리적으로 일관된 답변을 해야 한다. 즉, 응답자가 가장 강한 수준의 문항(상위 문항)에 동의했다면, 그보다 약한 수준의 문항(하위 문항)에도 반드시 동의해야 한다. 반대로, 특정 문항에 동의하지 않는다면, 그보다 강한 수준의 문항에도 동의하지 않는 것이 일반적인 응답 패턴이 된다.
예를 들어, 성평등에 대한 태도를 측정하는 거트만 척도에서 응답자가 ”여성도 전투병이 될 수 있다”는 문항에 동의했다면, 그보다 낮은 수준인 ”여성도 CEO가 될 수 있다”와 ”여성도 직업을 가질 수 있다”는 문항에도 동의해야 한다. 만약 이러한 논리가 지켜지지 않는다면(예: ”여성도 전투병이 될 수 있다”에 동의하지만, ”여성도 CEO가 될 수 있다”에 동의하지 않는 경우), 척도 구성의 오류가 발생할 수 있다.
(3) 단일 차원성 (Unidimensionality)
거트만 척도는 측정하고자 하는 태도나 속성이 단일 차원으로 구성되어야 한다. 응답자의 태도를 하나의 연속된 척도로 설명할 수 있어야 하며, 문항 간의 위계적 관계가 유지되어야 한다. 만약 문항들이 여러 개의 차원을 포함하고 있다면, 거트만 척도를 적용하기 어려워진다.
예를 들어, ”정치적 이념”을 측정하는 경우, 경제적 이념(자유시장과 정부 개입)과 사회적 이념(개인주의와 공동체주의)이 동시에 고려된다면, 이 두 가지는 서로 다른 차원의 속성이므로 거트만 척도로 일관된 위계를 형성하기 어렵다.
(4) 예측 가능성 (Predictability)
거트만 척도에서는 응답자의 답변 패턴이 예측 가능해야 한다. 즉, 특정 문항에 대한 응답을 보면 그보다 낮은 수준의 문항에 대한 응답도 예측할 수 있어야 한다. 거트만 척도는 규칙적인 응답 패턴을 기반으로 하기 때문에, 만약 응답자가 예상되는 논리를 따르지 않는다면, 해당 응답이 척도의 신뢰성을 떨어뜨릴 가능성이 크다.
예를 들어, 교육 수준에 따른 학력 태도를 측정할 때 다음과 같은 문항이 있다고 가정하자.
1. 초등학교 교육은 모든 사람이 받아야 한다.
2. 중학교 교육은 모든 사람이 받아야 한다.
3. 고등학교 교육은 모든 사람이 받아야 한다.
4. 대학교 교육은 모든 사람이 받아야 한다.
만약 한 응답자가 ”대학교 교육은 모든 사람이 받아야 한다”고 응답했음에도 불구하고 ”고등학교 교육은 모든 사람이 받아야 한다”에 동의하지 않는다면, 이는 논리적으로 모순된 응답이 된다. 거트만 척도에서는 이러한 불일치가 최소화되어야 하며, 응답자가 한 문항에 동의하면 그보다 낮은 강도의 문항에도 동의할 것이라는 전제가 성립해야 한다.
(3) 거트만 척도 사례
거트만 척도에서는 응답자가 동의한 마지막(가장 높은) 문항의 번호를 기준으로 척도 점수를 부여한다. 즉, 응답자가 어느 수준까지 동의했는지를 측정하여 그 강도를 수량화한다. 이는 연구자가 응답자의 태도 수준을 정량적으로 비교할 수 있도록 도와준다. 예를 들어, 아래와 같은 거트만 척도가 있다고 가정하자.
| 문항 | 응답자 A | 응답자 B | 응답자 C | 응답자 D |
| 1. 여성도 일해야 한다 | O | O | O | X |
| 2. 여성도 CEO가 될 수 있다 | O | O | X | X |
| 3. 여성도 국방의 의무를 가져야 한다 | O | X | X | X |
| 4. 여성도 전투병이 될 수 있다 | X | X | X | X |
| 척도 점수 | 3 | 2 | 1 | 0 |
(4) 거트만 척도 구성방법
(1) 연구 목적 설정
거트만 척도를 적용하기 전에 가장 먼저 고려해야 할 점은 연구 목적이 명확한가와 측정하고자 하는 태도나 행동이 단일 차원인지를 확인하는 것이다. 거트만 척도는 단일 차원의 위계적 구조를 기반으로 하기 때문에, 측정 대상이 여러 차원의 요소를 포함하는 경우에는 거트만 척도가 적절하지 않을 수 있다.
예를 들어, 사회적 평등에 대한 태도를 측정하고자 할 때, 경제적 평등(소득 재분배)과 성별 평등(여성의 권리)과 같은 서로 다른 차원의 개념이 포함되면, 하나의 일관된 위계를 형성하기 어렵다. 연구자는 한 가지 차원에서 일관되게 정의될 수 있는 주제를 선정해야 한다.
적절한 연구 주제: ”성평등에 대한 태도”, ”환경 보호에 대한 인식 수준”, ”정치적 개혁에 대한 수용도”
부적절한 연구 주제: ”사회적 평등 (경제 + 성별 + 인종 차별)” → 여러 차원을 포함함
(2) 문항 선정 및 계층적 배열
연구 주제를 설정한 후에는, 해당 태도를 측정할 수 있는 위계적인 문항을 개발해야 한다. 거트만 척도의 가장 중요한 특징은 문항이 논리적인 강도(위계, Hierarchy)를 가지며, 응답자가 특정 문항에 동의하면 그보다 낮은 강도의 문항도 동의해야 한다는 점이다.
이를 위해 연구자는 문항을 만들 때 경도에서 난도로 정렬해야 한다. 즉, 가장 많은 사람이 동의할 만한 일반적인 문항에서 시작하여, 점차 강한 입장을 나타내는 문항으로 발전해야 한다.
| 문항 번호 | 문항 내용 |
| 1 | 나는 재활용을 실천한다. |
| 2 | 나는 환경 보호를 위해 일회용품 사용을 줄인다. |
| 3 | 나는 대중교통을 적극적으로 이용한다. |
| 4 | 나는 환경 보호 단체에 기부하거나 활동에 참여한다. |
| 5 | 나는 환경 보호를 위해 추가적인 세금을 부담할 의향이 있다. |
이러한 문항 배열에서는 응답자가 5번 문항(세금 부담)에 동의한다면, 1~4번 문항(재활용, 일회용품 줄이기, 대중교통 이용, 환경 단체 활동)에도 동의할 가능성이 높다. 반대로, 1번 문항(재활용 실천)에조차 동의하지 않는다면, 상위 문항에도 동의하지 않을 가능성이 크다.
이처럼, 연구자는 문항을 개발할 때 위계적으로 정렬된 문항을 만들고, 응답자가 강한 수준의 문항에 동의하면 약한 수준의 문항도 포함될 수 있도록 설계해야 한다.
(3) 문항의 적합성 검증
거트만 척도의 문항이 연구 목적에 맞게 구성되었는지 확인한 후에는, 척도가 실제로 누적적 구조를 따르는지 검증하는 과정이 필요하다. 이를 위해 연구자는 응답 데이터를 분석하여 응답 패턴이 논리적인 위계를 따르는지 평가해야 한다.
가장 일반적인 검증 방법은 척도 재현성 계수(Scale Reproducibility Coefficient, R)를 계산하는 것이다. 이 계수는 응답자들의 패턴이 거트만 척도의 논리를 얼마나 충실히 따르는지를 평가하는 지표로 사용된다.
척도 재현성 계수 계산 공식: \(R = 1 - \frac{\sum e}{(n \times k)}\)
\(e\): 오류 응답 개수 (예: 낮은 강도의 문항에 동의하지 않으면서 높은 강도의 문항에 동의한 경우)
\(n\)= 응답자 수, \(k\)= 문항 수
만약 응답자 10명, 문항 5개로 구성된 척도에서 오류 응답(예측 불가능한 응답)이 4개라면, \(R = 1 - \frac{4}{(10 \times 5)} = 1 - \frac{4}{50} = 0.92\)
\(R \geq 0.90\) → 척도의 일관성이 매우 높음, 신뢰할 수 있음
\(0.80 \leq R < 0.90\) → 척도 개선 가능성 있음
\(R < 0.80\) → 척도의 신뢰성이 낮음, 재구성이 필요
만약 R 값이 낮다면, 이는 척도 문항이 적절한 위계를 형성하지 못하고 있거나, 응답자들이 일관된 논리를 따르지 않는다는 의미가 될 수 있다. 이러한 경우, 연구자는 문항을 재구성하거나, 응답 패턴을 분석하여 비일관적인 데이터를 보정해야 한다.
2. 서스톤 Thurstone 척도
서스톤 척도는 응답자의 태도를 정량적으로 평가하는 방법 중 하나로, 전문가 패널이 사전에 각 문항의 강도를 평가하여 점수를 부여한 후, 이를 바탕으로 응답자의 태도 점수를 계산하는 방식이다. 일반적으로 태도 측정에서는 응답자가 자신의 태도를 직접 수치화하는 방식(예: 리커트 척도)이 많이 사용되지만, 서스톤 척도는 전문가가 문항의 강도를 미리 점수화하기 때문에 보다 객관적이고 정밀한 태도 측정이 가능하다는 장점이 있다.
이 척도는 사회과학 연구, 마케팅 조사, 심리학 연구 등에서 활용되며, 예를 들어 환경 보호, 정치적 성향, 종교적 신념, 제품 선호도 등과 같은 태도를 측정하는 데 사용될 수 있다.
(1) 서스톤 척도 원리
서스톤 척도는 세 가지 핵심 원칙을 따른다.
전문가 패널을 통해 문항의 강도를 미리 평가한다.
문항별 강도를 등간척도(Interval Scale) 형태로 점수화한다.
응답자의 태도를 문항 점수를 기반으로 계산한다.
먼저 연구자는 특정 태도를 측정하기 위한 다양한 문항을 개발한다. 이때 문항은 응답자의 태도 강도를 점진적으로 측정할 수 있도록 다양하게 구성되어야 한다. 그런 다음, 전문가 패널이 각 문항이 나타내는 태도의 강도를 평가하여 점수를 부여한다. 이 과정에서 전문가들은 일반적으로 1점(매우 약함)에서 11점(매우 강함)까지의 척도를 사용하며, 문항별로 점수를 매긴 후 중앙값이나 평균값을 산출하여 최종 문항 점수로 사용한다.
이후 응답자는 문항을 읽고 자신이 동의하는 문항을 선택한다. 연구자는 응답자가 동의한 문항들의 점수를 평균 또는 중앙값으로 계산하여 응답자의 태도 점수를 결정한다. 이 태도 점수는 등간척도 값이므로, 평균 비교나 통계적 분석이 가능하다.
(2) 서스톤 척도의 구성 방법 (Construction of Thurstone Scale)
(1) 연구 목적 설정
서스톤 척도를 적용하기 위해서는 먼저 연구의 목적을 명확하게 설정해야 한다. 이는 측정하고자 하는 태도나 신념이 하나의 연속적인 차원에서 설명될 수 있는지 확인하는 과정이다. 서스톤 척도는 태도의 강도를 측정하는 방법이므로, 연구자가 다차원적인 개념을 포함할 경우 척도의 적용이 어려울 수 있다.따라서, 단일 차원을 유지하는 것이 중요하다.
예를 들어, 연구자가 환경 보호에 대한 태도를 측정한다고 가정하자. 이 경우, 환경 보호에 대한 태도를 긍정적 태도와 부정적 태도의 연속적인 개념으로 설정할 수 있다. 즉, 응답자가 환경 보호를 얼마나 중요하게 생각하는지를 강도에 따라 평가할 수 있도록 환경 보호에 대한 긍정적인 태도를 하나의 차원으로 정의할 수 있다.
반면, ”환경 보호 태도”를 측정할 때 정책적 태도(환경 규제 찬성/반대), 행동적 태도(재활용 실천 여부), 감정적 태도(환경 문제에 대한 관심도) 등 여러 가지 차원이 혼합된다면, 서스톤 척도를 적용하는 것이 어려워질 수 있다.
따라서, 연구 목적을 설정할 때는 응답자의 태도가 하나의 연속적인 척도로 측정될 수 있도록 명확한 개념 정의가 필요하며, 측정하고자 하는 속성이 단일 차원으로 구성되어 있는지 검토해야 한다.
(2) 문항 개발 및 전문가 평가
서스톤 척도를 구성하기 위해 연구자는 먼저 측정하고자 하는 태도나 신념과 관련된 다양한 강도의 문항을 개발해야 한다. 이때 문항은 응답자의 태도 강도를 점진적으로 측정할 수 있도록 구성되어야 하며, 너무 유사하거나 중복된 표현이 포함되지 않도록 주의해야 한다.
문항이 개발된 후, 연구자는 전문가 패널(판정단)을 구성하여 각 문항이 나타내는 태도의 강도를 평가하도록 한다. 전문가들은 보통 11점 척도(또는 9점, 7점 등)를 사용하여 문항의 강도를 판단하며, 점수가 클수록 더 강한 태도를 나타내는 것으로 평가한다. 즉, 가장 낮은 점수의 문항은 태도가 가장 약한 진술을 의미하고, 가장 높은 점수의 문항은 태도가 가장 강한 진술을 의미하게 된다.
이러한 전문가 평가 결과를 바탕으로 연구자는 각 문항에 대해 평균값 또는 중앙값을 계산하여 최종 문항 점수로 설정한다. 이 과정에서 특정 문항에 대한 전문가들의 의견이 크게 분산되는 경우, 연구자는 해당 문항을 수정하거나 제외할 수도 있다. 예를 들어, 환경 보호에 대한 태도를 측정하는 서스톤 척도의 경우, 전문가 패널이 다음과 같은 문항을 평가할 수 있다.
”나는 가끔 재활용을 한다.” → 평균 점수: 2.5점 (낮은 수준의 환경 보호 태도)
”나는 환경 보호를 위해 일회용품 사용을 줄인다.” → 평균 점수: 5.2점 (중간 수준의 환경 보호 태도)
”나는 환경 보호 단체에 기부하거나 활동에 참여한다.” → 평균 점수: 7.8점 (높은 수준의 환경 보호 태도)
”나는 환경 보호를 위해 추가적인 세금을 부담할 의향이 있다.” → 평균 점수: 10.3점 (매우 높은 수준의 환경 보호 태도)
이처럼, 문항이 전문가 패널에 의해 점수화되면, 연구자는 점수 분포를 분석하여 강도가 균등하게 분포된 문항을 선정하고, 최종적인 서스톤 척도를 구성할 수 있다. 이후 응답자는 자신이 동의하는 문항을 선택하게 되며, 연구자는 해당 문항의 점수를 바탕으로 응답자의 태도를 정량적으로 평가할 수 있다.
(3) 최종 문항 선정
전문가 패널이 모든 문항을 평가한 후, 연구자는 응답자의 태도를 효과적으로 측정할 수 있도록 최종적으로 사용할 문항을 선정해야 한다. 이때 가장 중요한 것은 문항의 점수 분포가 균형 있게 배치되는지 확인하는 것이다.
서스톤 척도의 핵심 원리는 태도 강도를 연속적인 척도로 측정하는 것이므로, 최종적으로 선택된 문항들이 너무 한쪽에 치우치지 않도록 강도가 균등하게 분포되도록 조정해야 한다. 예를 들어, 전문가 평가를 거친 후 점수가 1점, 3점, 5점, 7점, 9점으로 균등하게 분포된 문항을 선택하면, 응답자의 태도 강도를 보다 정밀하게 측정할 수 있다.
만약 문항 점수가 특정 구간(예: 5점~9점)에 집중되어 있다면, 연구자는 1점~3점 범위의 문항을 추가하거나, 특정 문항을 수정하여 보다 균형 잡힌 척도를 구성할 필요가 있다. 이 과정을 통해 최종적으로 선택된 문항들은 응답자의 태도를 단계적으로 측정할 수 있는 기준이 되며, 이후 태도 점수를 계산하는 데 활용된다.
(4) 응답자의 태도 점수 측정
최종적으로 선정된 문항을 바탕으로 연구자는 응답자의 태도를 측정한다. 이 과정에서 응답자는 제공된 문항을 읽고, 자신이 동의하는 문항을 선택하게 된다.
응답자가 선택한 문항들은 연구자가 사전에 설정한 강도 점수를 가지고 있으며, 연구자는 이를 기반으로 응답자의 태도 점수를 계산할 수 있다. 태도 점수는 일반적으로 응답자가 동의한 문항들의 평균 또는 중앙값으로 측정된다.
예를 들어, 한 응답자가 환경 보호 태도를 측정하는 서스톤 척도에서 다음과 같은 문항에 동의했다고 가정하자.
”나는 환경 보호를 위해 일회용품 사용을 줄인다.” (평균 점수: 5.2)
”나는 대중교통을 적극적으로 이용한다.” (평균 점수: 6.5)
이 경우, 응답자의 태도 점수는 \((5.2 + 6.5)/2 = 5.85\)이다. 즉, 응답자는 환경 보호에 대한 태도를 5.85점 수준으로 가지고 있다고 해석할 수 있다.
이러한 방식으로 연구자는 응답자의 태도를 정량적으로 평가할 수 있으며, 개별 응답자뿐만 아니라 집단 간 태도를 비교하거나 통계적 분석을 수행할 수도 있다. 예를 들어, 연령대별 환경 보호 태도 차이를 분석하거나, 기업과 일반 소비자의 태도를 비교하는 연구에서도 서스톤 척도를 활용할 수 있다. 이와 같이, 서스톤 척도는 전문가 패널을 통해 사전에 평가된 문항 점수를 활용하여 응답자의 태도를 보다 정밀하게 측정할 수 있는 방법을 제공한다.
(3) 서스톤 척도 장단점
(1) 장점 (Advantages)
첫째, 객관적인 태도 측정이 가능하다. 일반적인 태도 측정 방법(예: 리커트 척도)은 응답자가 자신의 태도를 직접 평가하는 방식이지만, 서스톤 척도는 전문가가 사전에 문항의 강도를 점수화하기 때문에 보다 객관적인 평가가 가능하다. 즉, 응답자의 주관적 해석이 개입될 여지가 줄어들며, 연구자가 미리 설정한 기준에 따라 태도를 수량화할 수 있다.
둘째, 정확한 태도 점수를 제공할 수 있다. 응답자가 단순히 ”동의” 또는 ”비동의”와 같은 선택을 하는 것이 아니라, 전문가가 평가한 문항 점수를 기반으로 태도 강도를 측정할 수 있다. 따라서, 응답자의 태도를 정밀하게 측정할 수 있으며, 비교적 작은 차이도 감지할 수 있다. 예를 들어, 환경 보호에 대한 태도를 평가할 때, ”나는 가끔 재활용을 한다”와 ”나는 환경 보호를 위해 추가적인 세금을 부담할 의향이 있다”는 명확히 다른 수준의 태도를 나타낸다. 서스톤 척도는 이러한 차이를 정량화하여 태도 점수를 제공할 수 있다.
셋째, 등간척도로 활용할 수 있어 통계적 분석이 용이하다. 서스톤 척도는 문항이 사전에 점수화되어 있어 등간척도로 간주될 수 있다. 따라서, 환경 보호 태도를 조사한 후, 특정 연령대별 평균 태도 점수를 비교하거나, 기업과 일반 소비자의 태도 차이를 분석하는 데 사용할 수 있다. 이러한 분석이 가능하기 때문에 사회과학 연구나 마케팅 조사에서 활용도가 높다.
(2) 단점 (Disadvantages)
첫째, 전문가 패널을 구성해야 하는 번거로움이 있다. 서스톤 척도를 사용하려면, 연구자가 문항을 개발한 후 해당 분야의 전문가 집단을 구성하여 문항을 평가받아야 한다. 이는 상당한 시간과 노력이 필요하며, 전문가 의견을 조정하는 과정에서 추가적인 논의와 검토가 필요할 수 있다. 특히, 전문가들의 평가가 일관되지 않을 경우 추가적인 조정이 필요하므로 연구 과정이 더욱 복잡해질 수 있다.
둘째, 문항 선정 및 점수화 과정이 복잡하고 시간이 많이 소요된다.리커트 척도처럼 ”매우 동의 ~ 매우 반대”의 선택지를 제공하는 방식과 달리, 서스톤 척도는 문항을 개발한 후 각 문항의 강도를 평가하고 점수화하는 과정이 필요하다. 이 과정에서 연구자는 전문가 패널의 평가 점수를 수집하고, 이를 평균 또는 중앙값으로 변환하여 최종 문항 점수를 결정해야 한다. 따라서, 서스톤 척도는 문항 개발과 평가 과정이 복잡하여 연구를 신속하게 진행하기 어려운 경우가 많다.
셋째, 응답자가 특정 문항을 선택하지 않으면 태도 점수 계산이 어려울 수 있다. 서스톤 척도는 응답자가 동의하는 문항을 선택하는 방식이므로, 만약 응답자가 어떤 문항도 선택하지 않는다면 그 응답자의 태도 점수를 계산하기 어렵다. 또한, 응답자가 중간 강도의 문항만 선택하거나, 극단적인 문항만 선택할 경우, 연구자가 의도한 대로 태도 강도가 균형적으로 측정되지 않을 가능성이 있다. 이러한 문제를 방지하기 위해 연구자는 문항을 신중하게 구성해야 하며, 응답자의 선택 패턴을 분석하여 연구 결과의 신뢰성을 평가할 필요가 있다.
3. 의미분화 Semantic Differential 척도
의미분화 척도는 응답자의 태도, 감정, 인식을 측정하기 위한 방법으로, 서로 반대되는 형용사 쌍을 이용하여 특정 개념을 평가하는 방식이다. 이 척도는 1950년대 찰스 오스굿(Charles Osgood)에 의해 개발되었으며, 주로 브랜드 이미지 평가, 제품 선호도 조사, 감정 분석, 사회적 태도 연구에 활용된다.
응답자는 주어진 개념(예: 특정 브랜드, 제품, 서비스, 정치적 이슈 등)에 대해 양극적인 의미를 가지는 형용사 쌍(예: 혁신적이다 – 전통적이다, 친절하다 – 무뚝뚝하다, 고급스럽다 – 저렴하다 등)을 기준으로 평가한다. 이 척도는 보통 5점 또는 7점 척도를 사용하여, 응답자가 두 개의 형용사 중 어느 쪽에 더 가깝다고 느끼는지를 선택하게 한다. 이를 통해 연구자는 특정 개념에 대한 응답자의 인식과 감정을 수량화하여 비교 및 분석할 수 있다.
(1) 의미분화 척도 구성 방법
(1) 연구 목적 설정
먼저, 연구자는 측정하려는 개념을 명확히 정의해야 한다. 이 척도는 인지적 평가(브랜드 이미지), 감정적 반응(감성 평가), 태도(사회적 이슈에 대한 인식) 등을 측정하는 데 효과적이다.
예를 들어, 연구자가 소비자의 브랜드 인식을 조사하려는 경우, 혁신성, 신뢰성, 감성적 요소 등 다양한 측면에서 브랜드를 평가할 수 있도록 형용사 쌍을 선정해야 한다.
(2) 적절한 형용사 쌍 선정
의미분화 척도의 핵심은 양극적인 의미를 가지는 형용사 쌍을 선정하는 것이다. 형용사는 측정 대상과 관련성이 있어야 하며, 응답자가 쉽게 이해할 수 있어야 한다. 예를 들어, 스마트폰 브랜드를 평가하는 경우 다음과 같은 형용사 쌍을 사용할 수 있다.
디자인 측면: 세련된 – 투박한
성능 측면: 강력한 – 느린
가격 대비 가치: 가성비 좋다 – 비싸기만 하다
브랜드 이미지: 혁신적인 – 전통적인
(3) 응답 척도 설정
보통 5점 척도 또는 7점 척도를 사용하여 응답자가 각 형용사 쌍 사이에서 자신의 입장을 선택할 수 있도록 한다. 예를 들어, ”이 브랜드는 세련된가?” 라는 질문이 주어졌을 때, 응답자는 아래와 같이 선택할 수 있다.
세련된 (1) – (2) – (3) – (4) – (5) 투박한
이러한 방식으로 응답자는 특정 개념에 대해 자신이 인식하는 정도를 선택하게 된다.
(2) 의미분화 척도 응답 결과 해석
응답자가 평가한 점수를 분석하여 특정 개념(브랜드, 제품, 서비스 등)이 어떤 속성을 가지고 있는지 해석할 수 있다. 이를 통해 연구자는 브랜드 간 비교, 소비자 인식 분석, 마케팅 전략 수립 등에 활용할 수 있다. 예를 들어, 브랜드 이미지 평가에서 애플과 삼성을 비교한 결과가 다음과 같다고 가정하자.
| 형용사 쌍 | 애플 | 삼성 |
| 혁신적이다 – 전통적이다 | 2.1 | 4.3 |
| 고급스럽다 – 저렴해 보인다 | 2.5 | 3.9 |
| 감성적이다 – 실용적이다 | 3.8 | 2.2 |
이 결과를 해석하면 다음과 같다.
- 애플은 혁신적이고 고급스러우며 감성적인 브랜드로 인식된다.
- 삼성은 실용적이지만 비교적 전통적이고 저렴한 브랜드로 평가된다.
이러한 분석을 통해 기업은 자신들의 브랜드 포지셔닝 전략을 조정하거나, 소비자의 인식 변화를 모니터링하는 데 활용할 수 있다.
(3) 의미분화 척도 장단점
(1) 장점
감성적·정성적 데이터를 수량화할 수 있음: 브랜드 이미지나 소비자 감정처럼 측정하기 어려운 개념을 숫자로 변환할 수 있다.
심층적인 분석이 가능함: 다양한 속성을 동시에 비교할 수 있어 브랜드 전략, 소비자 인식 분석에 효과적이다.
다양한 연구 분야에서 활용 가능: 마케팅, 심리학, 사회과학 등 여러 분야에서 적용할 수 있으며, 정량적 분석과 정성적 분석을 함께 수행할 수 있다.
(2) 단점
형용사 쌍 선정이 어렵다: 연구자가 적절한 형용사 쌍을 선정하지 못하면 신뢰성 있는 결과를 얻기 어려울 수 있다.
주관성이 개입될 수 있음: 응답자가 동일한 척도를 다르게 해석할 가능성이 있으며, 개인적인 경험이나 문화적 배경에 따라 답변이 달라질 수 있다.
통계적 분석이 어려울 수 있음: 개별 속성마다 다른 점수를 얻기 때문에, 전체적인 인식을 종합적으로 분석하는 것이 복잡할 수 있다.
5. 기타 척도
(1) 스테이플 척도
스테이플 척도는 설문 응답자가 특정 속성에 대해 긍정적 또는 부정적인 정도를 평가할 수 있도록 설계된 단극형 척도이다. 이 척도는 R. Stapel에 의해 개발되었으며 마케팅 조사 및 소비자 태도 연구에서 자주 사용된다.
스테이플 척도를 구성하기 위해서는 먼저 측정하려는 속성을 명확하게 정의하고, 이를 평가할 수 있는 단일 형용사를 선정해야 한다. 일반적으로 긍정적 또는 부정적 감정을 유발하는 형용사가 사용되며, 응답자가 해당 속성에 대해 얼마나 긍정적이거나 부정적인지 평가할 수 있도록 한다.
스테이플 척도는 중립값(0)을 중심으로 -5에서 +5까지의 연속적인 점수를 제공하여, 응답자가 특정 속성에 대한 평가를 강한 부정(-5)부터 강한 긍정(+5)까지 표현할 수 있도록 한다. 0은 중립적인 태도를 의미하며, 응답자가 특정 속성에 대해 특별한 의견이 없거나 긍정과 부정이 동등하게 느껴질 경우 선택할 수 있다.
응답자는 각 문항에서 제시된 형용사가 평가 대상(예: 제품, 브랜드, 서비스 등)에 얼마나 적절한지를 선택하며, 이를 통해 연구자는 특정 대상의 이미지나 특성을 수량화할 수 있다.
예를 들어, 특정 스마트폰 브랜드에 대한 평가를 조사할 경우, ”고급스러운”, ”혁신적인”, ”신뢰할 수 있는” 등의 형용사를 제시하고 응답자가 -5에서 +5 사이에서 자신의 인식을 선택하도록 한다. 이때 응답자의 선택은 브랜드에 대한 감정적 태도를 직접적으로 반영하며, 평균 점수를 통해 특정 속성에 대한 전반적인 인식을 파악할 수 있다.
| 척도 유형 | 측정 방식 | 주요 특징 | 활용 예시 |
| 리커트 척도 | 5~7점 동의 수준 측정 | 쉬운 응답 방식, 보편적으로 사용됨 | 고객 만족도 조사 |
| 의미분화 척도 | 양극단의 형용사 선택 | 감정적 태도 측정, 브랜드 이미지 분석 | 브랜드 인식 조사 |
| 스테이플 척도 | 단일 형용사 긍정/부정 평가 | -5~+5 연속적 측정, 긍정/부정 감정 동시에 분석 가능 | 제품 평가, 광고 효과 분석 |
| 서스톤 척도 | 전문가 패널이 문항 가중치 부여 | 등간척도로 활용 가능, 신뢰도 높음 | 감정 평가, 브랜드 선호도 조사 |
(2) 맥콜스키 척도
맥콜스키 McClosky 척도는 개인의 정치적 태도 및 민주주의에 대한 신념을 측정하기 위해 개발된 척도로, 보가더스 척도와 유사하게 사용되지만, 주로 정치적 태도를 평가하는 데 초점을 맞춘다는 점에서 차별성이 있다. 이 척도는 정치적 자유주의와 보수주의 사이에서 개인이 어디에 위치하는지를 분석하는 도구로 활용되며, 정치적 신념, 정부 개입에 대한 견해, 시민권 보호, 언론 자유, 법과 질서 등 다양한 정치적 개념을 평가하는 데 유용하다.
리커트 척도 5점/7점 척도를 사용하여 응답자가 각 진술에 대해 ”강하게 반대(1)”에서 ”강하게 동의(5)”까지의 수준을 선택할 수 있도록 구성된다. 예를 들어, ”정부는 경제에 적극적으로 개입해야 한다.”라는 문항에 대해 응답자가 강하게 동의(5)를 선택한다면, 이는 해당 응답자가 정부 개입을 선호하는 자유주의적 경제 정책을 지지하는 경향이 있음을 나타낸다.
반면, ”국가 안보를 위해 시민의 일부 자유를 제한할 수 있다.”라는 문항에 대해 강하게 반대(1)를 선택했다면, 이는 응답자가 개인 자유를 우선시하는 성향을 보인다고 해석할 수 있다. “언론의 자유는 어떠한 경우에도 제한되어서는 안 된다.”, “법과 질서를 유지하기 위해 강력한 정부 권력이 필요하다.” 문항도 동일하게 평가한다.
이러한 방식으로 리커트 척도를 활용하면 개별 응답자의 정치적 태도를 수량적으로 평가할 수 있으며, 특정 집단(예: 연령별, 지역별, 교육 수준별)의 정치적 경향성을 비교하는 데 활용될 수 있다. 또한, 평균 점수를 계산하여 집단 간 차이를 분석하거나, 시간에 따른 태도 변화를 추적하는 연구에도 유용하게 적용할 수 있다.
(3) 사전 확률 척도
사전 확률 척도는 응답자가 특정 사건이 발생할 가능성을 직접 확률로 평가하도록 하는 척도이다. 이 척도는 0%에서 100%까지의 범위를 사용하여, 응답자가 얼마나 확신하는지를 수량적으로 표현할 수 있도록 설계되었다.
전통적인 리커트 척도나 의미분화 척도와 달리, 사전 확률 척도는 응답자가 단순히 동의/반대 또는 강도를 선택하는 것이 아니라 특정 사건이 발생할 확률을 직접 입력하거나 선택할 수 있도록 한다.
다음 질문에 대해, 해당 사건이 발생할 가능성을 0%에서 100% 사이에서 선택해 주세요.
"다음 선거에서 A 후보가 당선될 확률은 몇 %라고 생각하십니까?"
⬜ 0% ⬜ 10% ⬜ 20% ⬜ 30% ⬜ 40% ⬜ 50% ⬜ 60% ⬜ 70% ⬜ 80% ⬜ 90% ⬜ 100%
"내년 경제가 성장할 확률은 얼마나 된다고 생각하십니까?"
⬜ 0% ⬜ 10% ⬜ 20% ⬜ 30% ⬜ 40% ⬜ 50% ⬜ 60% ⬜ 70% ⬜ 80% ⬜ 90% ⬜ 100%
"내년 중 실업률이 증가할 가능성은 얼마나 된다고 생각하십니까?"
⬜ 0% ⬜ 10% ⬜ 20% ⬜ 30% ⬜ 40% ⬜ 50% ⬜ 60% ⬜ 70% ⬜ 80% ⬜ 90% ⬜ 100%
(4) 피시바인-아즈젠 태도 모델 Theory of Reasoned Action)
태도와 행동의 관계를 설명하는 이론적 모델로 특정 행동에 대한 개인의 태도가 행동 의도(Behavioral Intention)에 어떻게 영향을 미치는지를 분석하는 데 사용된다. 이 모델은 이성적 행동 이론의 핵심 개념을 기반으로 하며, 주로 소비자 행동, 건강 행동, 마케팅, 정책 연구 등에서 활용된다.
피시바인-아즈젠 태도 모델의 수식
\[BI = (A)W_{1} + (SN)W_{2}\]
- BI (Behavioral Intention): 행동 의도
- A (Attitude): 개인의 태도
- SN (Subjective Norms): 주관적 규범
- W₁, W₂: 태도와 주관적 규범의 상대적 중요도 가중치
즉, 행동 의도는 개인의 태도(A)와 사회적 규범(SN)의 영향을 받아 형성되며 이 두 요소가 행동을 예측하는 중요한 변수로 작용한다.
예시
태도(A), 주관적 규범(SN), 행동 의도(BI)는 하나의 단순한 질문으로 완벽히 측정할 수 없는 복합적인 개념이다. 예를 들어, 태도(A)는 ”긍정적”인지 ”부정적”인지뿐만 아니라, ”유용성”, ”편리성”, ”비용” 등의 하위 요소로 구성될 수 있다. 다수의 리커트 척도(5점, 7점) 문항들로 구성하여 평균 점수를 이용한다.
행동 의도(BI) 측정 문항
목표: 응답자가 특정 행동(예: 전기차 구매)을 실제로 할 의향이 있는지를 평가
”나는 앞으로 6개월 이내에 전기차를 구매할 의향이 있다.” (1 = 전혀 없음, 5 = 매우 높음
”나는 전기차를 구매하는 것을 진지하게 고려하고 있다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”전기차 구매를 위한 정보를 적극적으로 찾고 있다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”내가 차량을 구매한다면, 전기차를 선택할 가능성이 높다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
태도(A) 측정 문항
목표: 개인이 특정 행동(예: 전기차 구매)에 대해 어떤 감정을 가지고 있는지를 평가
” 나는 전기차를 구매하는 것이 좋은 선택이라고 생각한다.” (1 = 매우 나쁜 선택, 5 = 매우 좋은 선택)
”전기차는 환경 보호에 기여한다고 생각한다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”전기차는 경제적으로 합리적인 선택이다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”나는 전기차가 기존 내연기관 차량보다 성능이 더 좋다고 생각한다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
주관적 규범(SN) 측정 문항
목표: 특정 행동(예: 전기차 구매)에 대해 주변 사람들(가족, 친구, 사회)이 어떻게 생각하는지 평가
”내 가족은 내가 전기차를 구매하는 것을 지지할 것이다.” (1 = 전혀 지지하지 않음, 5 = 매우 지지함)
”내 친구들은 전기차를 구매하는 것이 좋은 선택이라고 생각한다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”주변 사람들이 나에게 전기차를 추천할 가능성이 높다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
”사회적으로 전기차를 구매하는 것이 긍정적으로 여겨진다.” (1 = 전혀 그렇지 않다, 5 = 매우 그렇다)
가중치 추정: 관심 집단 응답자의 응답결과 데이터를 이용하여 회귀추정하여 얻는다.
\(W_{1} > W_{2}\) → 행동 의도에 대한 태도의 영향력이 더 큼
\(W_{1} < W_{2}\) → 행동 의도에 대한 사회적 규범의 영향력이 더 큼
\(W_{1} \approx W_{2}\) → 태도와 사회적 규범이 비슷한 영향을 미침
(5) 감성 측정 척도
감성 측정 Emotional Measuremen 척도는 응답자의 감정 상태나 특정 대상(브랜드, 제품, 광고, 서비스 등)에 대한 감성적 반응을 측정하는 방법이다. 감성은 단순한 긍정적/부정적 반응을 넘어 다양한 차원(예: 흥분, 즐거움, 불안, 신뢰, 공포 등)으로 세분화될 수 있다. 따라서, 감성 측정 척도는 응답자가 특정 경험을 통해 느끼는 감정을 정량적으로 평가할 수 있도록 설계된다.
(1) 감성적 반응 척도 (Emotional Response Scale)
응답자가 특정 경험—예를 들어 제품을 사용하거나, 광고를 시청하거나, 서비스를 이용한 후—그 경험을 통해 느낀 감정을 평가할 수 있도록 설계된 척도이다. 이 척도는 단순히 ’좋았다/나빴다’는 이분법적 판단을 넘어서, 경험이 유발한 감정의 종류와 강도를 수치화하여 정밀하게 측정할 수 있게 해준다.
감성적 반응 척도는 특히 브랜드 이미지 조사나 UX/UI(User Experience/User Interface) 연구 등에서 자주 활용된다. 예를 들어 브랜드 이미지 조사의 경우, 소비자가 특정 브랜드를 접했을 때 느끼는 감정—예컨대 ‘신뢰’, ‘즐거움’, ‘불쾌감’—을 수치화함으로써, 브랜드가 어떤 정서적 인상을 남기는지를 파악할 수 있다.
또한, UX/UI 분야에서는 사용자가 웹사이트나 앱을 사용할 때 느끼는 감정 변화를 측정하여, 인터페이스 설계가 긍정적인 사용자 경험을 유도하고 있는지 평가하는 데 활용된다. 예를 들어, 버튼의 위치나 색상, 페이지 이동 흐름이 사용자에게 혼란을 주었는지, 아니면 직관적이고 만족스러운 경험을 제공했는지 감성 반응을 통해 정량적으로 분석할 수 있다.
이처럼 감성적 반응 척도는 소비자나 사용자의 ’감정’을 체계적으로 파악하여, 브랜드 전략, 제품 개선, 사용자 경험 디자인 등에 있어 보다 감성적이고 인간 중심적인 의사결정을 가능하게 해주는 중요한 도구이다.
”이 브랜드를 접했을 때, 다음 감정을 얼마나 강하게 느끼셨습니까?”
고급스럽다: 1(전혀 아님) ~ 7(매우 많이)
세련되다: 1(전혀 아님) ~ 7(매우 많이)
친근하다: 1(전혀 아님) ~ 7(매우 많이)
(2) PANAS 척도 (Positive and Negative Affect Schedule)
응답자가 특정 상황에서 느낀 긍정적 정서(Positive Affect)와 부정적 정서(Negative Affect)를 각각 독립적으로 측정할 수 있도록 설계된 심리 측정 도구이다.
이 척도는 일반적으로 20개의 감정 항목(긍정적 감정 10개, 부정적 감정 10개)으로 구성되며, 각 항목에 대해 응답자는 자신이 느낀 감정의 빈도나 강도를 5점 또는 7점 리커트 척도를 이용해 평가하게 된다. 예를 들어 “기쁨”, “열정”, “긴장”, “불안” 등의 감정 단어에 대해 “전혀 느끼지 않았다”부터 “매우 강하게 느꼈다”까지 점수를 매기는 방식이다.
PANAS 척도는 다음과 같은 분야에서 유용하게 활용된다.
광고 및 마케팅 연구: 광고를 본 후 소비자가 경험한 긍정적 감정(예: 흥미, 기쁨)과 부정적 감정(예: 짜증, 지루함)을 측정함으로써 광고 메시지의 감정적 반응을 평가할 수 있다.
고객 경험 분석: 서비스 이용 후 고객이 느낀 다양한 감정 상태를 분석하여, 단순한 만족도 이상으로 감정 기반의 고객 반응을 정량화할 수 있다. 예를 들어, 고객이 서비스 이후 ’짜증’을 느꼈다면 이는 단순한 불만족보다 더 즉각적인 개선이 필요한 지표로 해석될 수 있다.
PANAS는 감정 상태를 분리해서 분석할 수 있기 때문에, 긍정적 감정이 높다고 해서 자동으로 부정적 감정이 낮다고 가정하지 않으며, 각각을 독립적으로 분석할 수 있다는 점에서 정서 분석의 정밀도를 높이는 데 기여한다. 이러한 특성 덕분에 심리학뿐만 아니라 마케팅, UX 디자인, 고객경험관리(CXM) 등 다양한 분야에서 활용되고 있다.
”광고를 본 후, 다음 감정을 얼마나 강하게 느꼈습니까?”
기쁨 😊: 1(전혀 아님) ~ 5(매우 많이)
흥분 😃: 1(전혀 아님) ~ 5(매우 많이)
짜증 😡: 1(전혀 아님) ~ 5(매우 많이)
(3) SAM 척도 (Self-Assessment Manikin Scale)
감정 측정을 위해 시각적인 아이콘(만화형 사람 그림)을 사용하는 방식으로, 언어에 대한 의존도를 최소화한 비언어적 감성 측정 도구이다. 이는 정서 반응을 세 가지 차원에서 평가한다.
- 쾌-불쾌(valence): 얼마나 기분이 좋은지 또는 나쁜지를 나타냄
- 각성(arousal): 얼마나 흥분되었는지 또는 평온한지를 나타냄
- 지배감(dominance): 상황을 통제하고 있다고 느끼는 정도
각 차원마다 시각적인 사람 형태의 그림이 점진적으로 변하며 표현되기 때문에, 글을 읽지 않고도 응답자가 자신의 감정을 선택할 수 있도록 설계되어 있다.
주요 특징 및 활용
언어 장벽 극복: 글을 해석할 필요가 없어 어린이, 비문해자, 다문화권 등 언어적 제약이 있는 대상에게 적합하다.
UX/UI 디자인 평가: 사용자가 웹사이트나 애플리케이션을 사용할 때 느낀 감정 상태를 직관적으로 측정 가능하다. 예를 들어, 버튼 클릭 후 느낀 만족감이나 화면 구성에 대한 직관적 반응을 SAM 척도를 통해 정량화할 수 있다.
제품 또는 서비스 만족도 조사: 소비자가 제품 사용 후 느낀 감정을 시각적으로 평가함으로써 감정 기반 만족도를 파악할 수 있다. 텍스트로 표현하기 어려운 감정 반응을 직관적이고 구체적으로 측정할 수 있다는 장점이 있다.
SAM 척도는 특히 정서 반응을 정확하고 간편하게 수집해야 하는 경우에 매우 유용하며, 정량적 분석은 물론 감성디자인, 감정 기반 마케팅, 인터랙션 디자인 평가 등 다양한 분야에서 활용되고 있다.
”이 제품을 사용한 후 기분은?”
😃 😐 😢 (행복 → 슬픔)
⚡ 🔋 💤 (흥분 → 차분)
(4) Plutchik’s 감정 휠 (Plutchik’s Emotion Wheel)
심리학자 로버트 플러칙(Robert Plutchik)이 제안한 감정 이론으로, 인간의 감정을 8가지(기쁨, 신뢰, 공포, 놀람, 슬픔, 혐오, 분노, 기대) 기본 감정으로 구분하고 이들 간의 관계를 시각적인 원형 구조로 표현한 모델이다.
이 감정들은 서로 반대되는 쌍으로 구성되어 있으며, 감정 간의 혼합과 강도 변화를 통해 복합적인 감정 상태를 설명할 수 있다. 예를 들어,
- 기쁨 + 신뢰 → 사랑
- 공포 + 놀람 → 경외감(Awe)
- 분노 + 혐오 → 경멸(Contempt) 등
소비자 심리 연구: 광고, 브랜드, 패키징 등 소비자가 어떤 감정을 느끼는지를 감정 휠을 통해 분석할 수 있다. 브랜드가 유발하는 감정이 구매 행동에 어떤 영향을 미치는지 파악하는 데 유용하다.
정신 건강 연구: 스트레스, 불안, 우울감 등의 감정 변화를 감정 휠 구조 내에서 시각적으로 추적할 수 있어, 심리치료, 상담, 감정일기 분석 등에서 활용된다.
교육 및 자기이해 도구: 학습자나 환자가 자신의 감정을 더 정교하게 인식하고 표현할 수 있도록 돕는다.
플러칙의 감정 휠은 복합적이고 동적인 감정 상태를 구조적으로 이해할 수 있게 해 주며, 감정 분석, 정서 인공지능, 감정 기반 마케팅 등의 분야에서 활용되고 있다.
”이 브랜드를 접했을 때, 어떤 감정을 느꼈습니까?”
➡️ 선택: 기쁨 😊 / 신뢰 🤝 / 기대감 😍 / 실망 ☹️