Escala Likert: O Que É e Como Usar na Sua Pesquisa

Por que tanto questionário academicamente bem pensado gera uma análise estatística que não fecha, mesmo com a escala Likert aplicada “do jeito certo”?

A escala Likert é um instrumento de mensuração que usa itens de concordância ou discordância, organizados em pontos ordenados, para captar atitudes, opiniões ou percepções que não podem ser medidas diretamente. Criada por Rensis Likert, ela virou praticamente sinônimo de pesquisa de atitude em ciências sociais, saúde e educação. O problema é que a maioria de quem usa a escala aprendeu o formato, cinco bolinhas, de “discordo totalmente” a “concordo totalmente”, sem entender a lógica estatística por trás dela, e é exatamente aí que a análise trava depois.

Vou te mostrar onde a escala Likert costuma quebrar na prática: na formulação dos itens, na escolha do número de pontos, e na análise que trata dado ordinal como se fosse intervalar sem avisar ninguém.

O que a escala Likert mede de verdade

Uma confusão comum é achar que a escala Likert mede “o item individual”. Ela não mede isso. O item individual é só um componente. A escala Likert, no sentido técnico completo, é a soma ou média de vários itens relacionados a um mesmo constructo, como “satisfação com o curso” ou “autoeficácia na pesquisa”.

Quando você vê um questionário com uma única pergunta (“Numa escala de 1 a 5, o quanto você concorda que…”), isso tecnicamente é um item de resposta tipo Likert, não uma escala Likert completa. A diferença parece sutil, mas muda o que você pode fazer com os dados depois. Um item isolado é dado ordinal puro. Vários itens somados, testados quanto à consistência interna, começam a se comportar de outro jeito estatisticamente.

Isso importa porque muita banca questiona justamente esse ponto: “você está chamando de escala Likert algo que é só uma pergunta com cinco opções?” Vale clarear isso na metodologia antes que alguém pergunte. E vale também porque a decisão de usar um item solto ou uma escala composta muda, lá na frente, qual teste estatístico faz sentido rodar, e muda até que tipo de pergunta de pesquisa esse instrumento consegue responder de verdade.

Construindo os itens sem contaminar a resposta

A parte mais negligenciada da escala Likert não é a escala em si, é o item. Um item mal escrito produz dado inútil, não importa quantos pontos a escala tenha. E diferente do que parece, escrever um bom item de escala exige mais cuidado do que escrever uma pergunta aberta, porque aqui não há espaço pra o respondente corrigir uma ambiguidade com as próprias palavras.

Alguns critérios que valem a pena revisar item por item:

Evite afirmações duplas. “O professor é claro e pontual” mistura duas qualidades diferentes. Se o respondente concorda com uma e discorda da outra, a resposta não significa nada, porque você não sabe qual das duas pesou mais na escolha dele. Separe em dois itens.

Evite negativas duplas. “Eu não acho que o curso não seja útil” exige um esforço cognitivo desnecessário que distorce a resposta, especialmente em públicos com menor familiaridade com leitura formal. O respondente gasta energia decifrando a frase em vez de pensar na própria opinião.

Evite itens carregados de valor. “Você concorda que a universidade deveria investir mais em pesquisa, já que isso é claramente necessário?” empurra a resposta numa direção. Reescreva pra neutralidade: “A universidade deveria investir mais em pesquisa.”

Alterne a direção de alguns itens (itens reversos) quando a escala é longa, pra reduzir o viés de aquiescência, aquela tendência de concordar com tudo só pra terminar o questionário rápido. Mas use com cautela: itens reversos mal sinalizados confundem o respondente, geram erro de leitura na hora de marcar a resposta, e no fim produzem dado tão ruim quanto o problema que você tentou evitar.

Quantos pontos usar, e por que isso não é só gosto

A decisão entre 5, 7 ou 10 pontos parece estética, mas tem consequência estatística real.

Escalas de 5 pontos são as mais usadas porque equilibram simplicidade de resposta com capacidade de discriminação. O respondente processa rápido e a maioria das pessoas consegue distinguir cinco níveis de concordância sem esforço.

Escalas de 7 pontos captam mais nuance, principalmente quando o público tem familiaridade com escalas, como pesquisadores e profissionais de áreas técnicas. O risco é a fadiga cognitiva em questionários longos, onde o respondente começa a marcar qualquer coisa só pra avançar.

Escalas com número par de pontos, como 4, 6 ou 8, removem o ponto neutro, forçando uma posição. Isso é uma escolha metodológica deliberada, não um erro: você usa quando quer evitar que respondentes indecisos se refugiem no meio da escala. Mas precisa justificar essa escolha no texto, porque ela afeta a distribuição da resposta e a interpretação posterior.

Não existe número “certo” universal. Existe número adequado ao seu constructo, ao seu público e ao tipo de análise que você vai rodar depois. Decidir isso antes da coleta, não depois, evita um problema comum: aplicar o instrumento sem essa escolha pensada e descobrir o problema só na hora da análise, quando já não dá mais pra voltar e coletar de novo.

A armadilha estatística: ordinal tratado como intervalar

Aqui está o ponto que mais derruba defesa de TCC e dissertação envolvendo escala Likert.

Tecnicamente, dados de um único item Likert são ordinais. Você sabe que “concordo totalmente” é mais forte que “concordo”, mas não sabe se a distância entre essas duas categorias é igual à distância entre “neutro” e “discordo”. Isso significa que, rigorosamente, calcular média aritmética de um item Likert isolado é um uso estatístico questionável.

Na prática, quando você soma ou tira a média de vários itens numa escala composta e testada quanto à confiabilidade, geralmente via Alfa de Cronbach, parte considerável da literatura trata esse escore composto como aproximadamente intervalar, permitindo testes paramétricos como teste t e ANOVA. Essa é uma convenção amplamente adotada, não uma verdade estatística fechada, e o debate sobre ela existe há décadas dentro da própria estatística aplicada.

O que isso significa pra você na prática: declare sua escolha. Se você vai tratar o escore composto como intervalar pra rodar teste paramétrico, escreva isso na metodologia e justifique com a literatura da sua área. Se prefere o caminho mais conservador, use testes não paramétricos, como Mann-Whitney ou Kruskal-Wallis, que respeitam a natureza ordinal dos dados sem exigir esse salto de interpretação. Nenhuma das duas opções é “errada” de forma absoluta, mas sua banca vai perguntar por que você escolheu a que escolheu, e “porque todo mundo faz assim” não é justificativa suficiente. Uma frase de uma linha na seção de metodologia, explicando essa escolha, resolve boa parte da arguição antes mesmo dela começar.

Validade e confiabilidade não são burocracia

Muita pesquisadora trata o teste de confiabilidade, o Alfa de Cronbach, como etapa burocrática que o orientador pede antes da qualificação. Não é. É a parte que mostra se os itens que você escreveu realmente medem o mesmo constructo de forma consistente.

Um Alfa de Cronbach baixo não significa necessariamente que sua escala é ruim. Pode significar que os itens estão medindo coisas diferentes disfarçadas de um só constructo, que algum item está mal formulado, ou que a amostra é pequena demais pra estabilizar a métrica. Rodar esse teste antes da coleta final, com um piloto pequeno, evita descobrir o problema só depois de aplicar o instrumento em 300 pessoas e perceber que um terço dos itens não conversa com o resto.

Validade de conteúdo, que pergunta se os itens cobrem bem o que você quer medir, e validade de constructo, que pergunta se a escala realmente mede o que diz medir, são igualmente importantes e geralmente mais negligenciadas que a confiabilidade estatística, justamente porque não produzem um número único e fácil de reportar. Vale documentar o processo de validação dos itens, mesmo que seja uma validação de face feita com três ou quatro especialistas da área antes da aplicação ampla. Isso custa pouco tempo e evita meses de retrabalho se a banca questionar a origem dos itens.

Erros recorrentes que aparecem na banca

Alguns padrões se repetem quando a escala Likert aparece mal aplicada em trabalhos acadêmicos.

Misturar escalas diferentes no mesmo instrumento sem padronizar a direção, com alguns itens positivos e outros negativos sem sinalização clara pro respondente, e depois somar tudo direto, sem reverter os itens negativos antes de calcular o escore composto. Esse erro sozinho já é capaz de inverter a direção de uma conclusão inteira.

Reportar só a média do item sem mencionar desvio padrão ou distribuição, o que esconde se as respostas estavam concentradas ou espalhadas pelos extremos. Duas médias iguais podem esconder distribuições completamente diferentes.

Confundir escala Likert com survey de pesquisa de forma geral, tratando os dois termos como sinônimos quando survey é o instrumento de coleta inteiro e escala Likert é só um tipo de item dentro desse instrumento.

Aplicar a escala num público que não entende bem o formato, como idosos pouco familiarizados com escalas numéricas, sem adaptar a linguagem ou testar a compreensão antes da coleta principal. O resultado costuma ser uma concentração artificial de respostas no meio da escala, não porque o público é neutro, mas porque não entendeu bem a pergunta.

Fazendo a escala funcionar pra sua pesquisa

A escala Likert não é complicada de usar. É fácil de usar mal, porque o formato visual simples esconde decisões metodológicas que precisam ser conscientes: o número de pontos, a presença ou ausência de ponto neutro, o tratamento estatístico do dado resultante, a validação prévia dos itens.

Cada uma dessas decisões parece pequena isoladamente, mas juntas são o que separa um instrumento que gera uma análise defensável de um que gera uma análise que desmonta na primeira pergunta da banca. Nenhuma delas exige estatística avançada pra resolver, exige só ser tomada de forma consciente e registrada no método, em vez de copiada de outro artigo sem entender por que aquele autor fez daquele jeito.

Quando você entende essas escolhas em vez de copiar um modelo pronto, a análise que vem depois da coleta para de ser um ponto de ansiedade e vira só mais uma etapa prevista desde o desenho da pesquisa. É essa diferença, entre aplicar um formato e entender uma lógica, que normalmente separa quem defende tranquila de quem passa a arguição inteira justificando decisões que deveriam ter sido pensadas meses antes.