Prolific verbindet Forschende und KI-Teams mit einem identitätsgeprüften Pool bezahlter Teilnehmender für Umfragen, Verhaltensstudien, Präferenzdaten und Modellevaluationen, samt mehrstufiger Qualitätsprüfung und nutzungsbasierter Abrechnung ohne Vertrag.
Hast du dieses Tool genutzt? Bewerte es
Hast du dieses Tool genutzt? Bewerte es
Prolific ist ein zweiseitiger Marktplatz für Humandaten. Auf der einen Seite stehen Forschende, Produktteams und KI-Labore, die Antworten von echten Menschen benötigen; auf der anderen Seite mehrere hunderttausend Teilnehmende mit geprüfter Identität, die dafür bezahlt werden, Umfragen auszufüllen, Verhaltensaufgaben zu bearbeiten, an Interviews teilzunehmen und Modelle zu bewerten. Das Unternehmen formuliert sein Versprechen auf der Startseite unmissverständlich: echte Humandaten, in wenigen Minuten verfügbar, erhoben bei realen Menschen statt synthetisiert oder abgegriffen. Gegründet wurde es 2014 mit Wurzeln an der Universität Oxford, der Hauptsitz liegt in London.
Für Einsteigende ist eines besonders wichtig: Prolific ist als Marktplatz für Stichproben zu verstehen, nicht als Umfragewerkzeug. Es liefert keinen Formulareditor. Es liefert einen Pool, eine Filterebene zum Zuschneiden dieses Pools, eine Auszahlungsstrecke und einen Qualitätsapparat, der sicherstellen soll, dass am anderen Ende ein realer, aufmerksamer und nicht doppelt registrierter Mensch sitzt. Der Fragebogen oder die Aufgabe liegt üblicherweise woanders — in Qualtrics, Gorilla, einer eigenen Webanwendung oder der eigenen Annotationsoberfläche — und Prolific bringt qualifizierte Personen dorthin und vergütet ihre Zeit fair.
Der Schwerpunkt der Plattform hat sich spürbar verschoben. Sie begann als Infrastruktur für akademische Psychologie und Sozialwissenschaften, als repräsentative Onlinestichproben schwer zu bekommen waren und Mechanical Turk im Ruf stand, oberflächliche Teilnahme zu begünstigen. Inzwischen bedient sie eine zweite, zunehmend dominierende Klientel: KI-Teams, die Präferenzdaten, Sicherheitsbewertungen, Red-Team-Sondierungen und Fachannotationen beschaffen. Im Kontext eines Werkzeugverzeichnisses lautet das nützlichste Denkmodell: Prolific sitzt auf der Angebotsseite der KI — hier entsteht das menschliche Urteil, das Modelle trainiert und benotet.
Ein geprüfter, fein filterbarer Teilnehmerpool: Die Plattform nennt über 300.000 aktive und engagierte Teilnehmende, eine Angabe des Anbieters. Brauchbar wird dieser Pool nicht durch die schiere Größe, sondern durch die darüberliegende Zielgruppenebene. TechCrunch berichtete, dass Prolific mehr als 300 Filter auf Basis von Zensusdaten und weiteren Quellen aufgebaut hat, damit Kundschaft die gesuchte Stichprobe genauer zuschneiden kann. Diese Vorabfilter umfassen Soziodemografie, Beschäftigung, Gesundheitsstatus, Sprache, Gerätebesitz und die bisherige Teilnahmehistorie und erlauben es, sich einer bevölkerungsrepräsentativen Stichprobe anzunähern, statt schlicht die Schnellsten zu nehmen.
Identitäts- und Echtheitsprüfung: Für die Qualität sorgt ein System, das Prolific Protocol nennt. Nach Angaben des Unternehmens führt Protocol über 40 Prüfungen zur Identitätsverifikation durch, und von den Bewerbenden im Zulauf bestehen lediglich rund 55 Prozent und dürfen Studien und Aufgaben beginnen. Beides sind Anbieterangaben ohne unabhängige Prüfung, doch die Stoßrichtung ist eindeutig: Diese Plattform konkurriert darüber, Menschen auszusortieren, nicht darüber, möglichst viele zu sammeln.
Erkennung KI-generierter Antworten: Das gegenwärtig heikelste Qualitätsproblem bezahlter Forschung sind Teilnehmende, die die Antwort eines Chatbots in ein Freitextfeld kopieren. Prolific gibt an, dass seine proprietären Echtheitsprüfungen KI-generierte Freitextantworten mit 98,7 Prozent Genauigkeit erkennen — ebenfalls eine Anbieterangabe ohne unabhängige Prüfung. Flankiert wird das durch ein kommerzielles Versprechen namens 100% Human Guarantee, das finanzielle Entschädigung vorsieht, wenn KI-Agenten die Vorabprüfungen unterlaufen.
Präferenzdaten und menschliches Feedback für Modellausrichtung: Auf der KI-Seite erzeugt Prolific Präferenzdaten, menschliches Feedback und Bewertungssignale, um Modelle auf beabsichtigte Ergebnisse auszurichten, und misst Leistungsfähigkeit, Sicherheit und Qualität über menschliche Bewertungen, fachliche Verifikation und die Gestaltung von Bewertungsrastern. Damit wird die Lieferkette für RLHF und Evaluation als Selbstbedienungsprodukt statt als maßgeschneiderter Dienstleistungsvertrag angeboten.
Fachannotation über Sprachgrenzen hinweg: Für Arbeiten, die eine allgemeine Crowd nicht leisten kann, erzeugen verifizierte Fachleute Daten für überwachtes Finetuning, Instruktions-Antwort-Paare und Spezialannotationen in mehr als 80 Sprachen. Das ist entscheidend für Teams, die Fähigkeiten jenseits des Englischen aufbauen oder Klinikerinnen, Juristen, Ingenieure oder Muttersprachlerinnen statt Generalisten benötigen.
HUMAINE, ein öffentliches Bewertungsframework: HUMAINE ist eine auf menschlichen Präferenzen beruhende Rangliste, die Spitzenmodelle anhand realer Nutzung bewertet und dabei Punkte für Schlussfolgern, Kommunikationsstil, Kernaufgabenleistung, Anpassungsfähigkeit, Vertrauen, Ethik und Sicherheit vergibt. Der Pool ist so aufgebaut, dass er 22 soziodemografische Gruppen in den USA und im Vereinigten Königreich abbildet. Das Framework wurde als Konferenzbeitrag auf der ICLR 2026 vorgestellt, was es zu einem der methodisch am gründlichsten geprüften Artefakte macht, die ein Datenanbieter veröffentlicht hat.
Programmatischer und agentischer Zugang: Über das Web-Dashboard hinaus gibt es eine dokumentierte Human Data API und einen MCP-Server, sodass Bewertungsläufe aus Code heraus oder von einem Agenten angestoßen werden können statt manuell zusammengeklickt zu werden.
Akademische Studien mit begründbarer Stichprobe: Eine Forscherin aus Psychologie oder Ökonomie benötigt 400 nach Alter und Geschlecht ausbalancierte britische Erwachsene, die je eine zwölfminütige, in Gorilla gehostete Aufgabe bearbeiten. Sie konfiguriert Vorabfilter, legt die Vergütung fest, fügt den Aufgabenlink ein und lässt Prolific passende Teilnehmende zuleiten. Die Begründbarkeit entsteht daraus, Rekrutierung und Vergütung im Methodenteil präzise beschreiben zu können — was eine Gelegenheitsstichprobe aus sozialen Medien nicht hergibt. Der ermäßigte akademische Tarif macht das im Rahmen von Drittmitteln tragfähig.
Erhebung von Präferenzdaten für die Modellausrichtung: Ein KI-Team braucht paarweise Vergleiche zweier Modellausgaben über tausende Prompts hinweg, und zwar von einer demografisch gestreuten Bewertergruppe statt von einem homogenen Dienstleisterteam. Die Vergleiche laufen über die Aufgabenwerkzeuge der Plattform, die Ergebnisse fließen in die Belohnungsmodellierung. Da sich Ergebnisse als JSONL exportieren und direkt in RLHF-, DPO- und Belohnungsmodell-Training einspeisen lassen, ist die Übergabe an eine bestehende Trainingspipeline kurz.
Sicherheitsbewertungen und Red-Team-Sondierung vor dem Release: Vor dem Ausrollen eines Modellupdates möchte ein Team menschliche Urteile zu Verweigerungsverhalten, zum Umgang mit schädlichen Inhalten und zum Tonfall unter adversarialen Prompts. Menschliche Bewertende mit Bewertungsraster liefern Urteile, die automatisierte Evaluationen nicht erbringen, besonders bei subjektiven Dimensionen wie Herablassung, übermäßiger Verweigerung oder kultureller Unsensibilität.
Produkt- und Marktforschung mit echten Kundinnen und Kunden: Ein Produktteam validiert Positionierung oder Preiswahrnehmung an einer gefilterten Stichprobe, etwa Personen, die in den vergangenen sechs Monaten in einer Kategorie gekauft haben. Gegenüber klassischen Panelanbietern reizen Geschwindigkeit und Selbstbedienung; der Preis dafür ist, dass der Pool zu bestimmten Ländern und zu onlineaffinen Personen tendiert.
Modellvergleiche am Maßstab menschlicher Präferenz: Ein Team will nicht nur wissen, ob ein Modell in statischen Benchmarks gut abschneidet, sondern ob Menschen seine Antworten bevorzugen und ob diese Präferenz je nach Gruppe variiert. Eine Bewertung nach HUMAINE-Art legt Gruppenunterschiede offen, die ein einzelner Gesamtwert verdeckt.
Menschliche Kontrollpunkte in agentischen Abläufen: Eine automatisierte Pipeline hält an, um Menschen zu befragen — etwa ein Release an einen Bewertungswert zu knüpfen oder einen mehrdeutigen Fall zu eskalieren — und läuft weiter, sobald Ergebnisse eintreffen. Genau darauf zielt die MCP-Anbindung, die menschliches Feedback von einer geplanten Stapelverarbeitung in einen bedarfsgerechten Aufruf verwandelt.
Forschungskonto anlegen und Guthaben aufladen: Die Registrierung erfolgt selbstständig über die App-Subdomain. Abgerechnet wird nach Verbrauch: Für den Start braucht es weder Vertrag noch Abonnement. Du lädst Guthaben auf, Studien werden davon abgebucht.
Die Aufgabe zuerst anderswo bauen: Erstelle Umfrage, Experiment oder Annotationsoberfläche im eigenen Werkzeug und besorge dir einen funktionierenden Link. Stelle sicher, dass er die per URL übergebene Teilnehmer-ID aufnimmt und am Ende auf eine Abschluss-URL zurückleitet — daran erkennt Prolific, wer fertig geworden ist.
Stichprobe über Vorabfilter definieren: Lege die Zielgruppe über die Filterebene fest. Prüfe die Machbarkeit, bevor du dich festlegst: Sehr spezifische Filterkombinationen können den infrage kommenden Pool so verkleinern, dass die Rekrutierung stockt und Tage statt Minuten dauert.
Dauer und Vergütung ehrlich ansetzen: Schätze, wie lange die Aufgabe wirklich dauert, und bepreise sie an den Stundensätzen. Die Dauer zu niedrig anzusetzen ist die häufigste selbst zugefügte Wunde: Es senkt den effektiven Stundenlohn, provoziert Beschwerden und bremst die Rekrutierung.
Mit einer kleinen Charge pilotieren: Öffne zunächst für eine Handvoll Teilnehmender. Prüfe, ob Daten korrekt ankommen, ob Abschlusscodes funktionieren und ob die Anweisungen eindeutig sind. Eine defekte Weiterleitung nach 400 Einreichungen zu reparieren ist teuer; nach zehn ist es eine Bagatelle.
Starten, überwachen und Einreichungen prüfen: Beobachte während der Erhebung Bearbeitungszeiten und die Qualität der Freitexte. Genehmige zügig — Teilnehmende werden bei Genehmigung bezahlt, und langsame Genehmigungen sind ein häufiger Beschwerdegrund. Lehne nur ab, wenn ein begründbarer, an angekündigte Regeln geknüpfter Anlass vorliegt.
Exportieren und auswerten: Ziehe die Daten samt soziodemografischer Metadaten für Gewichtung oder Subgruppenanalysen und dokumentiere die verwendeten Rekrutierungsparameter, damit sich die Studie reproduzieren lässt.
Über dem Mindestsatz zahlen, nicht auf ihm: Prolific empfiehlt, Teilnehmenden mindestens 9,00 £ / 12,00 $ pro Stunde zu zahlen; die auf der Plattform zulässige Mindestvergütung liegt bei 6,00 £ / 8,00 $ pro Stunde. Studien am unteren Anschlag füllen sich langsamer und ziehen hastige Antworten an. Behandle den empfohlenen Satz als die eigentliche Basis deiner Kalkulation.
Erst stoppuhren, dann bepreisen: Bearbeite die Aufgabe selbst und rechne einen Aufschlag für Menschen ein, die sorgfältiger lesen als du. Die angegebene Dauer bestimmt den effektiven Stundenlohn, und dieser bestimmt das Tempo der Rekrutierung.
Filter nicht leichtfertig stapeln: Jeder zusätzliche Vorabfilter vervielfacht die Knappheit. Wenn du drei seltene Merkmale gleichzeitig brauchst, prüfe zuerst die Machbarkeit und stelle dich auf eine längere Feldphase oder ein größeres Budget ein.
Trotzdem eigene Aufmerksamkeitsprüfungen einbauen: Qualitätskontrollen auf Plattformebene reduzieren schlechte Akteure, ersetzen aber keine Instrumentengestaltung. Baue Verständnisfragen ein und nutze die Verteilung der Bearbeitungszeiten, um unaufmerksame Bearbeitungen zu erkennen.
Freitextfragen chatbotresistent gestalten: Frage nach persönlichen Einzelheiten, konkreten jüngeren Erfahrungen oder Reaktionen auf einen in der Aufgabe gezeigten Stimulus. Generische Aufsatzfragen lassen sich am leichtesten von einem Sprachmodell beantworten und am schwersten kontrollieren.
Die Gebühr mitkalkulieren, nicht nur die Vergütung: Der sichtbare Posten einer Studie ist die Teilnehmervergütung, doch die Plattformgebühr kommt obendrauf. Rechne die Gesamtkosten durch, bevor du dich festlegst, und denke an den akademischen Tarif, falls du dafür infrage kommst.
Schnell genehmigen und klar kommunizieren: Dein Ruf bei den Teilnehmenden beeinflusst die Füllgeschwindigkeit. Klare Anweisungen, zügige Genehmigungen und ein faires Vorgehen in Grenzfällen sorgen dafür, dass künftige Studien schneller rekrutieren.
Nach jeder Änderung neu pilotieren: Jede Anpassung an Aufgabenlink, Weiterleitung oder Abschlusscode verdient einen frischen kleinen Pilotlauf. Die Fehlerbilder treten lautlos auf und sind teuer.
Akademisch Forschende: Psychologinnen, Ökonomen, Linguistinnen und Sozialwissenschaftler, die Stichproben brauchen, die sich in einer Publikation begründet beschreiben lassen, mit ethikkonformer Vergütung und einem ermäßigten Tarif für akademische und gemeinnützige Arbeiten.
KI-Labore und Modellteams: Gruppen, die Präferenzdaten, Bewertungswerte, Sicherheitsurteile und Fachannotationen beschaffen, insbesondere solche, die einen neutralen Anbieter mit demografischer Breite statt eines intransparenten Dienstleisterpools suchen.
UX- und Produktforschende: Teams, die Konzepte validieren, Entwürfe vergleichen oder Verständlichkeit außerhalb der eigenen Nutzerbasis messen, wenn Tempo wichtiger ist als längsschnittliche Tiefe.
Marktforschungspraxis: Fachleute, die Konzepttests, Preiswahrnehmung und Markenstudien durchführen, Wert auf Selbstbedienungstempo und Kostentransparenz legen und mit der geografischen Konzentration des Pools arbeiten können.
Forschende in Politik und öffentlichem Sektor: Teams, die bevölkerungsbreite Sichtweisen auf politische Fragen benötigen und bei denen transparente Rekrutierung und faire Bezahlung selbst zur Glaubwürdigkeit des Ergebnisses beitragen.
Engineering-Teams, die Bewertungspipelines bauen: Entwicklerinnen und Entwickler, die menschliches Urteil aus Code oder von einem Agenten heraus aufrufen wollen, statt es als manuellen Nebenprozess zu koordinieren.
Teilnehmende auf der Suche nach flexibler bezahlter Arbeit: Menschen, die kurze, seriöse Onlineaufgaben mit Barauszahlung und klaren Sätzen ohne Gutscheinmodelle suchen — im Bewusstsein, dass die Einkünfte ergänzend sind und die Verfügbarkeit schwankt.
Webanwendung: Die zentrale Oberfläche für Forschende wie Teilnehmende, genutzt für Studienaufbau, Stichprobenkonfiguration, Überwachung, Genehmigungen und Auszahlungen. Teilnehmende greifen über den Browser zu und werden zu extern gehosteten Aufgaben weitergeleitet.
Human Data API: Eine dokumentierte programmatische Schnittstelle zum Anlegen und Verwalten von Studien und zum Abholen der Ergebnisse, geeignet für Teams, die Rekrutierung in eigene Systeme einbetten.
MCP-Server: Er arbeitet mit Claude Code, Claude Desktop, Cursor und jedem Client zusammen, der die Model-Context-Protocol-Spezifikation umsetzt, sodass ein Agent mitten im Ablauf menschliches Urteil anfordern kann. Nach Angaben von Prolific werden MCP-Werkzeuge automatisch erkannt, ohne SDK oder Wrapper.
Strukturierte Exportformate: Ergebnisse kommen als strukturiertes JSON zurück und lassen sich als JSONL exportieren, um direkt in RLHF-, DPO- und Belohnungsmodell-Training einzufließen.
Zusammenspiel mit externen Studienwerkzeugen: Da Aufgaben anderswo gehostet werden, ist die Plattform darauf ausgelegt, mit gängigen Umfrage- und Experimentbaukästen per Linkweiterleitung zusammenzuarbeiten, statt sie zu ersetzen.
Eine eigene native Mobil-App für Forschende ist nicht dokumentiert: Teilnehmende nutzen in der Regel die mobile Webversion, und manche Studientypen verlangen ausdrücklich einen Desktop-Browser. (noch zu verifizieren)
Es gibt weder ein Abonnement noch eine kostenlose Stufe im üblichen Sinn — du finanzierst Studien und bezahlst die menschliche Zeit, die du verbrauchst. Prolific betreibt zwei kommerzielle Wege: eine Selbstbedienungsschiene namens Platform, beschrieben als nutzungsbasierte Abrechnung ohne Monatsgebühren, sowie Managed Services für expertengeführte Datenerhebung mit eigener Qualitätssicherung, die individuell zugeschnitten und in der Regel über ein Leistungsverzeichnis geregelt wird.
Die Ökonomie der Selbstbedienungsschiene ist für diese Kategorie ungewöhnlich transparent. Die Plattformgebühr beträgt üblicherweise 42,8 Prozent für Unternehmenskunden und ermäßigte 33,3 Prozent für akademische und gemeinnützige Kunden, jeweils zusätzlich zu dem, was an Teilnehmende ausgezahlt wird. Auf der Vergütungsseite empfiehlt Prolific mindestens 9,00 £ / 12,00 $ pro Stunde, während die zulässige Untergrenze bei 6,00 £ / 8,00 $ pro Stunde liegt. Ein Detail wirkt sich spürbar auf institutionelle Budgets aus: Die Umsatzsteuer wird ausschließlich auf die Plattformgebühren erhoben, Teilnehmervergütungen unterliegen ihr nicht, was die effektiven Kosten für vorsteuerabzugsberechtigte Einrichtungen verändert.
Für Teilnehmende ist die Regelung spiegelbildlich und ebenso eindeutig. Sobald jemand mindestens 6 $ / 6 £ verdient hat, kann er direkt aus dem Konto auszahlen lassen, und die Auszahlung erfolgt als Bargeld über PayPal statt als Gutschein oder Punkte. Eine Analyse Dritter schätzt, dass Teilnehmende rund 70 Prozent dessen erhalten, was Forschende insgesamt aufwenden, was zur veröffentlichten Gebührenstruktur passt. Vereinbarungen für Großkunden und hohe Volumina werden individuell kalkuliert und nicht veröffentlicht.
Amazon Mechanical Turk: Der etablierte, allgemeine Marktplatz für Crowdwork. Pro Antwort günstiger und im Aufgabenvolumen weit größer, jedoch mit schwächeren Identitätsgarantien und einem lange dokumentierten Ruf für Aufmerksamkeitsprobleme im Forschungskontext.
CloudResearch Connect: Nah an Prolific positioniert für verhaltenswissenschaftliche Forschung, mit geprüften Teilnehmenden und Auswahlwerkzeugen. Wird häufig direkt über die Kosten je vollständigem Fall und über die Zusammensetzung des Pools verglichen.
Klassische Panelanbieter wie Cint oder Dynata: Deutlich größer und besser geeignet für bevölkerungsrepräsentative Verbraucherforschung im großen Maßstab, insbesondere außerhalb des Vereinigten Königreichs und der USA, dafür meist weniger selbstbedienbar und weniger transparent bei der Teilnehmervergütung.
Datenanbieter wie Scale AI oder Surge AI: Direkt auf KI-Labore ausgerichtet, mit gemanagten Annotationsteams und maßgeschneiderten Pipelines. Stärker bei großen, komplexen und langlaufenden Annotationsprogrammen; schwächer bei schneller demografischer Stichprobenziehung und akademisch geprägten Studien.
Rekrutierungsdienste für Nutzerforschung wie User Interviews oder Respondent: Besser für qualitative Arbeit — moderierte Interviews und Usability-Sitzungen mit beruflichen oder schwer erreichbaren Zielgruppen — bei kleinen Fallzahlen und deutlich höheren Honoraren je Person.
Die Plattformgebühr ist der meistgenannte Einwand: Ein Satz von 42,8 Prozent für Unternehmenskunden bedeutet, dass rund vier von zehn Pfund deines Budgets Plattformleistungen statt Teilnehmerzeit kaufen. Bei sehr großen Stichproben summiert sich das rasch, und es ist die wiederkehrende Klage in Bewertungen von Forschenden.
Geografische Konzentration: Der Pool ist im Vereinigten Königreich und in den USA am dichtesten. Teilnehmende außerhalb der Kernregionen berichten von dünnerer Verfügbarkeit; in Trustpilot-Bewertungen findet sich die Bitte, mehr Aktivitäten für Teilnehmende in Afrika zu öffnen. Wenn deine Forschung unterrepräsentierte Regionen abdecken muss, prüfe die Machbarkeit, bevor du das Design darauf aufbaust.
Qualitätskennzahlen stammen vom Anbieter: Die anfängliche Bestehensquote von 55 Prozent, die Erkennungsgenauigkeit von 98,7 Prozent bei KI-Text und die Poolgröße von über 300.000 stammen sämtlich aus Materialien von Prolific und wurden nach Lage der öffentlichen Quellen nicht unabhängig geprüft. Behandle sie als Richtungsangaben, nicht als verifizierte Benchmarks.
Die Reaktionsfähigkeit des Supports wird von beiden Seiten kritisiert: Auf Trustpilot hält die Plattform einen TrustScore von 4,5 bei 14.854 Bewertungen, davon 78 Prozent mit fünf Sternen und 7 Prozent mit einem Stern. Innerhalb der negativen Minderheit ist ein wiederkehrendes Thema, dass Einsprüche beim Support bei der Klärung von Zahlungsstreitigkeiten gelegentlich nicht weiterhalfen.
Der Zugang ist auf Teilnehmerseite nicht für alle offen: Der Beitritt läuft über eine Warteliste und einen Verifikationsschritt; erst nach einer Einladung absolviert man eine etwa fünfzehnminütige Identitätsprüfung und eine kurze Übungsaufgabe. Die Einkünfte sind ergänzend, und die Verfügbarkeit von Studien schwankt.
Für die Durchführung braucht es weiterhin ein separates Werkzeug: Prolific rekrutiert und zahlt; es baut weder deinen Fragebogen noch dein Experiment. Kalkuliere eine Umfrage- oder Experimentplattform ein sowie den Integrationsaufwand, IDs und Abschlusscodes korrekt zu übergeben.
Selbstselektion bleibt eine reale Einschränkung: Alle im Pool haben sich aktiv für eine bezahlte Forschungsplattform entschieden und sind im Bearbeiten von Studien geübt. Filter können die Soziodemografie ausbalancieren, den Professionalisierungseffekt eines dauerhaften Panels aber nicht vollständig beseitigen.
Rechtliche Bedingungen liegen außerhalb der Hauptseite: Die Rechtsdokumentation findet sich nicht unter den üblichen Pfaden; der einzige Einstieg ist die Seite zu Datenschutz und Recht, die auf gesonderte Datenschutzhinweise, Rechtsbedingungen und weitere Informationen zum Datenschutz verweist. Diese Dokumente liegen in einem externen Notion-Bereich, prüfe sie daher direkt, bevor du Zusagen zur Compliance machst — konkrete Aufbewahrungsfristen und etwaige Klauseln zur Zweitnutzung werden auf der Hauptseite nicht wiedergegeben. (noch zu verifizieren)
Nicht im Sinne eines kostenlosen Tarifs. Für den Einstieg fallen weder Abonnementgebühren noch ein Vertrag an, doch jede Studie kostet Geld, weil Teilnehmende für ihre Zeit bezahlt werden und die Plattform darauf einen Prozentsatz erhebt. Ein Konto anzulegen und die Oberfläche zu erkunden kostet nichts; Forschung durchzuführen schon. Plane sowohl Teilnehmervergütung als auch Plattformgebühr ein.
Die Gesamtkosten setzen sich aus Teilnehmervergütung plus Plattformgebühr zusammen. Die Gebühr beträgt üblicherweise 42,8 Prozent für Unternehmenskunden und 33,3 Prozent für akademische und gemeinnützige Kunden, bezogen auf die Vergütungssumme. Eine Studie, die Teilnehmenden insgesamt 700 £ zahlt, kostet somit rund 1.000 £ für ein Unternehmenskonto und rund 933 £ für ein akademisches. Die Umsatzsteuer fällt nur auf die Plattformgebühr an, nicht auf die Vergütungen.
Prolific empfiehlt Forschenden, mindestens 9,00 £ / 12,00 $ pro Stunde zu zahlen, bei einer absoluten Untergrenze von 6,00 £ / 8,00 $. Die tatsächlichen Einkünfte hängen vollständig davon ab, für wie viele passende Studien jemand infrage kommt, was mit Soziodemografie und Wohnort variiert. Es ist eher als Zusatzeinkommen denn als Ersatz für eine Erwerbstätigkeit zu verstehen; eine Analyse Dritter schätzt den Anteil der Teilnehmenden auf rund 70 Prozent der Gesamtausgaben.
Die Auszahlung erfolgt als Bargeld über PayPal. Ab einem Verdienst von 6 $ / 6 £ kann ausgezahlt werden, und Prolific stellt ausdrücklich klar, dass stets Bargeld und niemals Gutscheine oder Punkte fließen. Die Zahlung wird durch die Genehmigung der Einreichung durch Forschende ausgelöst, weshalb langsame Genehmigungen eine häufige Quelle von Unmut sind.
In der Regel nein — Prolific ist eine Rekrutierungs- und Zahlungsschicht, kein Umfragebaukasten. Du hostest Fragebogen, Experiment oder Annotationsaufgabe im eigenen Werkzeug und teilst den Link, übergibst Teilnehmer-IDs per URL und leitest am Ende zurück. Eine Ausnahme bilden die plattformeigenen KI-Aufgabenwerkzeuge für Textannotation und Bewertung.
Über ein mehrschichtiges System namens Protocol: Identitätsprüfung beim Zugang, laufende Betrugserkennung über den gesamten Pool, automatische Markierung unplausibel schneller Einreichungen und Echtheitsprüfungen bei Freitextantworten. Prolific nennt eine Genauigkeit von 98,7 Prozent bei der Erkennung KI-generierter Freitexte und stellt im Rahmen der 100% Human Guarantee eine Entschädigung in Aussicht, falls Prüfungen umgangen werden. Da es Anbieterangaben sind, solltest du eigene Aufmerksamkeitsprüfungen ergänzen.
Ja, und das ist inzwischen ein wesentlicher Teil des Geschäfts. Die Plattform liefert Präferenzdaten, menschliches Feedback, Sicherheits- und Fähigkeitsbewertungen sowie Fachannotationen einschließlich Daten für überwachtes Finetuning und Instruktions-Antwort-Paaren in mehr als 80 Sprachen. Zudem veröffentlicht sie HUMAINE, eine Präferenzrangliste zur Bewertung von Spitzenmodellen, die als Konferenzbeitrag auf der ICLR 2026 vorgestellt wurde.
Ja. Es existiert eine dokumentierte Human Data API für die programmatische Studienverwaltung sowie ein MCP-Server, der mit Claude Code, Claude Desktop, Cursor und weiteren MCP-kompatiblen Clients zusammenarbeitet, sodass ein Agent Studien starten und strukturierte Ergebnisse empfangen kann, ohne seinen Arbeitsablauf zu verlassen. Ergebnisse lassen sich als JSONL für RLHF, DPO und Belohnungsmodellierung exportieren.
Der Pool konzentriert sich auf das Vereinigte Königreich und die USA, mit spürbarer Abdeckung in Europa und anderen Regionen, aber merklich dünnerer Verfügbarkeit anderswo. Teilnehmende in manchen Regionen berichten von wenigen passenden Studien. Hängt deine Forschung an einem bestimmten Land oder einer seltenen demografischen Kombination, prüfe die Machbarkeit mit den Filterwerkzeugen, bevor du das Design darauf gründest.
Der Kernunterschied liegt in Prüfung und Vergütungspolitik. Prolific verifiziert Identitäten, erzwingt eine Vergütungsuntergrenze und bietet umfangreiche, zensusgestützte Vorabfilter — TechCrunch verwies auf mehr als 300 Filter auf Basis von Zensusdaten und weiteren Quellen. Mechanical Turk ist günstiger und größer, hat aber im Forschungskontext einen lange dokumentierten Ruf für Aufmerksamkeits- und Datenqualitätsprobleme. Der Kompromiss lautet: Kosten gegen Gewissheit darüber, wer geantwortet hat.
