Prolific met en relation chercheurs et équipes IA avec un vivier de participants rémunérés dont l'identité est vérifiée, pour des enquêtes, des études comportementales, des données de préférence et l'évaluation de modèles, avec contrôles qualité et facturation à l'usage.
Vous avez utilisé cet outil ? Notez-le
Vous avez utilisé cet outil ? Notez-le
Prolific est une place de marché à deux versants dédiée aux données humaines. D'un côté se trouvent les chercheurs, les équipes produit et les laboratoires d'IA qui ont besoin de réponses provenant de personnes réelles ; de l'autre, plusieurs centaines de milliers de participants dont l'identité a été vérifiée et qui sont rémunérés pour répondre à des enquêtes, réaliser des tâches comportementales, participer à des entretiens et évaluer des modèles. L'entreprise formule sa promesse sans détour sur sa page d'accueil : des données humaines authentiques, disponibles en quelques minutes, collectées auprès de vraies personnes plutôt que synthétisées ou récupérées par extraction automatique. Fondée en 2014 dans le sillage de l'université d'Oxford, elle a son siège à Londres.
Le point le plus important pour un nouvel utilisateur est de comprendre qu'il s'agit d'une place de marché d'échantillons et non d'un outil d'enquête. Prolific ne fournit pas de générateur de formulaires. Il fournit un vivier de personnes, une couche de filtrage permettant de découper ce vivier, un circuit de paiement, et un dispositif de contrôle qualité destiné à garantir que la personne à l'autre bout est bien un être humain réel, attentif et non dupliqué. Le questionnaire ou la tâche est généralement hébergé ailleurs — dans Qualtrics, Gorilla, une application web sur mesure ou votre propre interface d'annotation — et Prolific se charge d'y amener des personnes qualifiées et de rémunérer équitablement leur temps.
Le centre de gravité de la plateforme s'est nettement déplacé. Elle a débuté comme une infrastructure destinée à la psychologie universitaire et aux sciences sociales, à une époque où obtenir des échantillons représentatifs en ligne relevait de la gageure et où Mechanical Turk traînait une réputation de participation superficielle. Elle sert désormais un second public, de plus en plus dominant : les équipes d'IA qui se procurent des données de préférence, des évaluations de sécurité, des sondes de type red team et des annotations expertes. Dans le contexte d'un annuaire d'outils, le modèle mental le plus utile est le suivant : Prolific se situe du côté de l'offre de l'IA, car c'est de là que provient le jugement humain qui entraîne et note les modèles.
Un vivier de participants vérifiés et finement filtrable : la plateforme annonce plus de 300 000 participants actifs et engagés, un chiffre communiqué par l'éditeur. Ce qui rend ce vivier exploitable n'est pas sa taille brute mais la couche de ciblage qui le recouvre. TechCrunch a rapporté que Prolific a construit plus de 300 filtres fondés sur des données de recensement et d'autres sources afin que ses clients puissent affiner l'échantillon recherché. Ces critères de présélection couvrent les caractéristiques sociodémographiques, l'emploi, l'état de santé, la langue, l'équipement détenu et l'historique de participation, ce qui permet d'approcher un échantillon représentatif au lieu de recruter les premiers venus.
Vérification de l'identité et de l'authenticité : la qualité repose sur un dispositif que Prolific nomme Protocol. Selon l'entreprise, Protocol exécute plus de 40 contrôles pour vérifier l'identité, et seuls 55 % environ des candidats entrant dans l'entonnoir sont acceptés et peuvent commencer des études. Ces chiffres émanent de l'éditeur et n'ont pas fait l'objet d'un audit indépendant, mais l'orientation est claire : la plateforme se distingue par sa capacité à écarter des personnes, non à maximiser les effectifs.
Détection des réponses générées par IA : le problème de qualité le plus contemporain dans la recherche rémunérée est le participant qui colle la réponse d'un agent conversationnel dans un champ de texte libre. Prolific indique que ses contrôles d'authenticité propriétaires détectent les réponses en texte libre générées par IA avec une précision de 98,7 %, chiffre communiqué par l'éditeur et non audité de façon indépendante. L'entreprise adosse cette affirmation à un engagement commercial baptisé 100% Human Guarantee, prévoyant une compensation financière lorsque des agents d'IA franchissent les contrôles préalables.
Données de préférence et retours humains pour l'alignement des modèles : côté IA, Prolific produit des données de préférence, des retours humains et des signaux de jugement servant à aligner les modèles sur les comportements attendus, et mesure la capacité, la sécurité et la qualité au moyen d'évaluations humaines, de vérifications par des experts du domaine et de la conception de grilles de notation. C'est la chaîne d'approvisionnement du RLHF et de l'évaluation transformée en produit en libre-service plutôt qu'en prestation sur mesure.
Annotation experte multilingue : pour les travaux qu'une foule généraliste ne peut traiter, des experts métier vérifiés produisent des données de fine-tuning supervisé, des paires instruction-réponse et des annotations spécialisées dans plus de 80 langues. C'est déterminant pour les équipes qui développent des capacités hors anglais ou qui ont besoin de cliniciens, de juristes, d'ingénieurs ou de locuteurs natifs plutôt que de profils généralistes.
HUMAINE, un cadre d'évaluation public : HUMAINE est un classement fondé sur les préférences humaines qui évalue les modèles de pointe à partir d'usages réels, en les notant sur le raisonnement, le style de communication, la performance sur la tâche principale, l'adaptabilité, la confiance, l'éthique et la sécurité. Son panel est structuré pour représenter 22 groupes sociodémographiques aux États-Unis et au Royaume-Uni. Le cadre a fait l'objet d'un article présenté à la conférence ICLR 2026, ce qui en fait l'un des artefacts les plus scrutés méthodologiquement publiés par un fournisseur de données.
Accès programmatique et agentique : au-delà du tableau de bord web, une API Human Data documentée et un serveur MCP permettent de déclencher des campagnes d'évaluation depuis du code ou depuis un agent, sans passage manuel par l'interface.
Études universitaires nécessitant des échantillons défendables : un chercheur en psychologie ou en économie a besoin de 400 adultes britanniques équilibrés en âge et en sexe, chacun réalisant une tâche de douze minutes hébergée dans Gorilla. Il configure les critères de présélection, fixe la rémunération, colle le lien de la tâche, et laisse Prolific orienter les participants correspondants. La solidité méthodologique vient de la possibilité de décrire précisément le recrutement et la rémunération dans la section méthode, ce qu'un échantillon de convenance issu des réseaux sociaux ne permet pas. Le tarif académique réduit rend l'opération viable sur un budget de recherche.
Collecte de données de préférence pour l'alignement : une équipe d'IA a besoin de comparaisons par paires entre deux sorties de modèle sur des milliers d'invites, auprès d'un panel d'évaluateurs démographiquement diversifié plutôt que d'une équipe de prestataires homogène. Elle réalise les comparaisons via les outils de tâche de la plateforme puis exporte les résultats pour la modélisation de récompense. Comme les résultats peuvent être exportés en JSONL pour alimenter directement l'entraînement RLHF, DPO et des modèles de récompense, le transfert vers un pipeline existant est court.
Évaluations de sécurité et sondage adversarial avant mise en production : avant de déployer une mise à jour de modèle, une équipe souhaite un jugement humain sur le comportement de refus, le traitement des contenus nuisibles et le ton face à des invites adversariales. Des évaluateurs humains guidés par une grille produisent des scores que les évaluations automatiques ne savent pas produire, en particulier sur des dimensions subjectives comme la condescendance, le refus excessif ou l'insensibilité culturelle.
Recherche produit et marché auprès de vrais clients : une équipe produit valide un positionnement ou une perception tarifaire auprès d'un échantillon filtré, par exemple des personnes ayant acheté dans une catégorie au cours des six derniers mois. Comparé à un panéliste traditionnel, l'attrait tient à la rapidité et au libre-service ; la contrepartie est que le vivier penche vers certains pays et vers des personnes à l'aise avec le travail en ligne.
Comparaison de modèles à l'aune des préférences humaines : une équipe veut savoir non seulement si un modèle obtient de bons scores sur des jeux de tests statiques, mais si les gens préfèrent ses réponses, et si cette préférence varie selon les groupes. Une évaluation de type HUMAINE fait apparaître des divergences entre groupes qu'un score agrégé unique dissimule.
Points de contrôle humains dans un flux agentique : un pipeline automatisé s'interrompt pour poser une question à des humains — conditionner une mise en production à un score d'évaluation, ou faire remonter un cas ambigu — puis reprend quand les résultats arrivent. C'est précisément l'objet de l'intégration MCP, qui transforme le retour humain d'un exercice par lots planifié en un appel disponible à la demande.
Payer au-dessus du plancher, pas au plancher : Prolific recommande de rémunérer les participants au moins 9,00 £ / 12,00 $ de l'heure, tandis que la rémunération minimale autorisée sur la plateforme est de 6,00 £ / 8,00 $ de l'heure. Les études calées sur le plancher se remplissent plus lentement et attirent des réponses expédiées. Traitez le tarif recommandé comme la véritable base de calcul.
Chronométrer la tâche avant de la tarifer : réalisez la tâche vous-même et ajoutez une marge pour les personnes qui lisent plus attentivement que vous. La durée annoncée détermine votre taux horaire effectif, lequel détermine à son tour votre vitesse de remplissage.
Ne pas empiler les filtres à la légère : chaque critère supplémentaire multiplie la rareté. Si vous avez besoin de trois attributs peu communs simultanément, vérifiez d'abord la faisabilité et préparez-vous à une période de terrain plus longue ou à un budget plus élevé.
Prévoir malgré tout ses propres contrôles d'attention : les garde-fous de la plateforme réduisent les acteurs malveillants mais ne remplacent pas la conception de l'instrument. Intégrez des questions de compréhension et exploitez la distribution des temps de réponse pour repérer les complétions inattentives.
Concevoir des questions ouvertes résistantes aux agents conversationnels : demandez des précisions personnelles, des expériences récentes concrètes ou des réactions à un stimulus présenté dans la tâche. Les questions dissertatives génériques sont les plus faciles à traiter avec un modèle de langage et les plus difficiles à contrôler.
Budgéter les frais, pas seulement la rémunération : le coût affiché d'une étude est la rémunération des participants, mais les frais de plateforme s'y ajoutent. Modélisez le coût total avant de vous engager, et pensez au palier académique et associatif si vous y êtes éligible.
Valider vite et communiquer clairement : votre réputation auprès des participants influe sur la vitesse de remplissage. Des consignes claires, des validations rapides et un traitement équitable des cas limites accélèrent le recrutement de vos études suivantes.
Refaire un pilote à chaque modification : toute retouche du lien, de la redirection ou du code de complétion mérite un nouveau petit pilote. Les modes de défaillance sont silencieux et coûteux.
Les chercheurs universitaires : psychologues, économistes, linguistes et spécialistes des sciences sociales ayant besoin d'échantillons descriptibles de manière défendable dans un article, avec une rémunération compatible avec les exigences éthiques et un tarif réduit pour les travaux académiques et associatifs.
Les laboratoires d'IA et équipes modèle : les groupes qui se procurent des données de préférence, des scores d'évaluation, des jugements de sécurité et des annotations expertes, en particulier ceux qui souhaitent un fournisseur neutre offrant une diversité démographique plutôt qu'un vivier de prestataires opaque.
Les chercheurs UX et produit : les équipes qui valident des concepts, comparent des maquettes ou mesurent la compréhension auprès de personnes extérieures à leur base d'utilisateurs, lorsque la rapidité prime sur la profondeur longitudinale.
Les praticiens des études de marché : ceux qui mènent des tests de concept, des études de perception tarifaire et des études de marque, qui recherchent la rapidité du libre-service et la transparence des coûts, et qui peuvent composer avec la concentration géographique du vivier.
Les chercheurs en politiques publiques : les équipes ayant besoin d'opinions largement réparties sur des questions de politique publique, où la transparence du recrutement et l'équité de la rémunération participent elles-mêmes de la crédibilité du résultat.
Les équipes d'ingénierie construisant des pipelines d'évaluation : les développeurs qui souhaitent appeler le jugement humain depuis du code ou depuis un agent, plutôt que de le coordonner comme un processus manuel annexe.
Les participants en quête de travail rémunéré flexible : les personnes cherchant des tâches en ligne courtes et légitimes, payées en espèces, avec des tarifs clairs et sans dispositif de bons d'achat, en acceptant que les gains soient un complément et que la disponibilité fluctue.
Application web : l'interface principale pour les chercheurs comme pour les participants, utilisée pour la configuration des études, la définition de l'échantillon, le suivi, les validations et les paiements. Les participants accèdent aux études depuis un navigateur et sont redirigés vers des tâches hébergées à l'extérieur.
API Human Data : une interface programmatique documentée pour créer et gérer des études et récupérer les résultats, adaptée aux équipes qui intègrent le recrutement à leurs propres systèmes.
Serveur MCP : il fonctionne avec Claude Code, Claude Desktop, Cursor et tout client implémentant la spécification Model Context Protocol, de sorte qu'un agent peut solliciter un jugement humain en cours de traitement. Prolific indique que les outils MCP sont découverts automatiquement, sans SDK ni surcouche.
Formats d'export structurés : les résultats reviennent en JSON structuré et peuvent être exportés en JSONL pour alimenter directement l'entraînement RLHF, DPO et des modèles de récompense.
Interopérabilité avec les outils d'étude externes : les tâches étant hébergées ailleurs, la plateforme est conçue pour fonctionner avec les générateurs d'enquêtes et d'expériences courants par redirection via lien, sans chercher à les remplacer.
Aucune application mobile native dédiée aux chercheurs n'est documentée : les participants utilisent généralement la version web mobile, et certains types d'études exigent explicitement un navigateur de bureau. (à vérifier)
Il n'y a ni abonnement ni offre gratuite au sens habituel du logiciel en ligne : vous financez des études et payez le temps humain que vous consommez. Prolific exploite deux voies commerciales : une voie Platform en libre-service, décrite comme du paiement à l'usage sans frais mensuels, et une voie Managed Services pour une collecte pilotée par des experts avec assurance qualité dédiée, cadrée au cas par cas et généralement régie par un énoncé de travaux.
L'économie du libre-service est d'une transparence inhabituelle pour cette catégorie. Les frais de plateforme s'élèvent généralement à 42,8 % pour les clients entreprises et à 33,3 % pour les clients académiques et associatifs, appliqués en sus de ce qui est versé aux participants. Côté rémunération, Prolific recommande de payer les participants au moins 9,00 £ / 12,00 $ de l'heure, le minimum autorisé sur la plateforme étant de 6,00 £ / 8,00 $ de l'heure. Un détail pèse concrètement sur les budgets institutionnels : la TVA n'est appliquée que sur les frais de plateforme, les rémunérations des participants n'y étant pas soumises, ce qui modifie le coût effectif pour les organismes assujettis.
Du côté des participants, le dispositif est inversé et tout aussi explicite. Dès qu'un participant a gagné au moins 6 $ / 6 £, il peut effectuer un retrait directement depuis son compte, et les versements arrivent en espèces via PayPal plutôt que sous forme de bons d'achat ou de points. Une analyse tierce estime que les participants perçoivent environ 70 % de ce que les chercheurs dépensent au total, ce qui concorde avec la grille tarifaire publiée. Les accords grands comptes et gros volumes font l'objet de devis individuels non publiés.
Amazon Mechanical Turk : la place de marché généraliste historique du travail en ligne. Moins chère par réponse et bien plus vaste en volume de tâches, mais avec des garanties d'identité plus faibles et une réputation ancienne de problèmes d'attention en contexte de recherche.
CloudResearch Connect : positionné au plus près de Prolific pour la recherche comportementale, avec des participants vérifiés et des outils de sélection. Souvent comparé directement sur le coût par réponse complète et sur la composition du vivier.
Panélistes traditionnels comme Cint ou Dynata : bien plus vastes et mieux adaptés aux études consommateurs représentatives à grande échelle, en particulier hors Royaume-Uni et États-Unis, mais généralement moins en libre-service et moins transparents sur la rémunération des participants.
Fournisseurs de données comme Scale AI ou Surge AI : orientés directement vers les laboratoires d'IA, avec des équipes d'annotation gérées et des pipelines sur mesure. Plus solides pour les programmes d'annotation vastes, complexes et de longue haleine ; plus faibles pour l'échantillonnage démographique rapide et les études de facture universitaire.
Recruteurs pour la recherche utilisateur comme User Interviews ou Respondent : préférables pour le qualitatif — entretiens modérés et tests d'utilisabilité auprès de publics professionnels ou difficiles à atteindre — où les effectifs sont réduits et les honoraires par participant nettement plus élevés.
Les frais de plateforme sont l'objection la plus citée : un taux de 42,8 % pour les clients entreprises signifie qu'environ quatre livres sterling sur dix de votre budget achètent des services de plateforme plutôt que du temps de participant. Sur de très grands échantillons, l'effet se cumule vite, et c'est la critique récurrente dans les avis de chercheurs.
Concentration géographique : le vivier est le plus dense au Royaume-Uni et aux États-Unis. Les participants situés hors des régions principales signalent une disponibilité plus faible ; des avis Trustpilot demandent que davantage d'activités soient ouvertes aux participants africains. Si votre recherche exige une couverture de régions sous-représentées, vérifiez la faisabilité avant de bâtir votre protocole dessus.
Les statistiques de qualité émanent de l'éditeur : le taux de réussite initial de 55 %, la précision de 98,7 % dans la détection de texte produit par IA et le chiffre de plus de 300 000 participants proviennent tous des documents de Prolific et n'ont pas, en l'état des sources publiques, fait l'objet d'un audit indépendant. Traitez-les comme des indications de tendance plutôt que comme des références vérifiées.
La réactivité du support est critiquée des deux côtés : sur Trustpilot, la plateforme affiche un TrustScore de 4,5 sur 14 854 avis, avec 78 % de notes cinq étoiles et 7 % de notes une étoile. Au sein de la minorité négative, un thème récurrent est que les recours auprès du support se sont parfois révélés inutiles pour résoudre des litiges de paiement.
L'accès n'est pas ouvert à tous côté participant : l'inscription passe par une liste d'attente et une étape de vérification ; ce n'est qu'après invitation qu'une personne effectue une vérification d'identité d'environ quinze minutes et une courte tâche d'entraînement. Les gains sont un complément et la disponibilité des études fluctue.
Un outil distinct reste nécessaire pour mener l'étude : Prolific recrute et paie ; il ne construit ni votre questionnaire ni votre expérience. Prévoyez au budget une plateforme d'enquête ou d'expérimentation, ainsi que le travail d'intégration consistant à transmettre correctement identifiants et codes de complétion.
L'auto-sélection demeure une contrainte réelle : toutes les personnes du vivier ont choisi de rejoindre une plateforme de recherche rémunérée et sont entraînées à réaliser des études. Les filtres peuvent équilibrer les caractéristiques sociodémographiques mais n'effacent pas l'effet de professionnalisation inhérent à tout panel permanent.
Les conditions juridiques sont hébergées hors du site principal : la documentation légale ne se trouve pas aux chemins conventionnels ; l'unique point d'entrée est la page consacrée à la confidentialité et au droit, qui renvoie vers des avis de confidentialité, des conditions juridiques et des informations complémentaires sur la protection des données. Ces documents sont hébergés sur un espace Notion externe : consultez-les directement avant tout engagement de conformité, car les durées de conservation précises et les éventuelles clauses d'usage secondaire ne sont pas reprises sur le site principal. (à vérifier)
Pas au sens d'une offre gratuite. Il n'y a ni abonnement ni contrat obligatoire pour commencer, mais chaque étude a un coût, puisque les participants sont rémunérés pour leur temps et que la plateforme prélève un pourcentage par-dessus. Créer un compte et explorer l'interface ne coûte rien ; mener une recherche, si. Prévoyez au budget à la fois la rémunération des participants et les frais de plateforme.
Le coût total correspond à la rémunération des participants augmentée des frais de plateforme. Ces frais s'élèvent généralement à 42,8 % pour les clients entreprises et à 33,3 % pour les clients académiques et associatifs, appliqués à l'enveloppe de rémunération. Une étude versant 700 £ au total aux participants revient donc à environ 1 000 £ pour un compte entreprise et à environ 933 £ pour un compte académique. La TVA porte uniquement sur les frais de plateforme, pas sur les rémunérations.
Prolific recommande aux chercheurs de payer au moins 9,00 £ / 12,00 $ de l'heure, avec un plancher absolu de 6,00 £ / 8,00 $. Les gains réels dépendent entièrement du nombre d'études auxquelles une personne est éligible, ce qui varie selon les caractéristiques sociodémographiques et le lieu de résidence. Il faut y voir un revenu d'appoint plutôt qu'un substitut à un emploi ; une analyse tierce estime que les participants perçoivent environ 70 % de la dépense totale des chercheurs.
Les versements se font en espèces via PayPal. Un participant peut retirer ses gains dès qu'il a atteint 6 $ / 6 £, et Prolific précise que le paiement se fait toujours en espèces, jamais en bons d'achat ni en points. Le paiement est déclenché par la validation des soumissions par le chercheur, ce qui explique que la lenteur des validations soit une source fréquente de frustration.
En règle générale non : Prolific est une couche de recrutement et de paiement, pas un générateur d'enquêtes. Vous hébergez le questionnaire, l'expérience ou la tâche d'annotation dans votre propre outil et partagez le lien, en transmettant les identifiants de participant via l'URL et en redirigeant à la fin. L'exception concerne les outils de tâches IA propres à la plateforme, destinés à l'annotation et à l'évaluation de texte.
Par un dispositif en couches nommé Protocol : vérification d'identité à l'entrée, détection continue de la fraude à l'échelle du vivier, signalement automatique des soumissions anormalement rapides et contrôles d'authenticité sur les réponses libres. Prolific annonce une précision de 98,7 % dans la détection de texte libre généré par IA et prévoit une compensation au titre du 100% Human Guarantee lorsque les contrôles sont contournés. Ces chiffres émanant de l'éditeur, conservez vos propres contrôles d'attention.
Il sert aussi à l'IA, et c'est désormais une part majeure de l'activité. La plateforme fournit des données de préférence, des retours humains, des évaluations de sécurité et de capacité, ainsi que des annotations expertes incluant des données de fine-tuning supervisé et des paires instruction-réponse dans plus de 80 langues. Elle publie également HUMAINE, un classement de préférences humaines évaluant les modèles de pointe, présenté comme article à la conférence ICLR 2026.
Oui. Une API Human Data documentée permet la gestion programmatique des études, et un serveur MCP fonctionne avec Claude Code, Claude Desktop, Cursor et d'autres clients compatibles MCP, ce qui permet à un agent de lancer des études et de recevoir des résultats structurés sans quitter son flux de travail. Les résultats s'exportent en JSONL pour un usage direct en RLHF, DPO et modélisation de récompense.
Le vivier est concentré au Royaume-Uni et aux États-Unis, avec une couverture appréciable en Europe et ailleurs, mais une disponibilité nettement plus faible dans les autres régions. Des participants de certaines zones signalent peu d'études éligibles. Si votre recherche dépend d'un pays précis ou d'un croisement démographique rare, vérifiez la faisabilité avec les outils de filtrage avant de construire votre protocole sur cette hypothèse.
La différence tient au filtrage et à la politique de rémunération. Prolific vérifie l'identité, impose un plancher de rémunération et propose de nombreuses présélections nourries par des données de recensement — TechCrunch évoquait plus de 300 filtres fondés sur des données de recensement et d'autres sources. Mechanical Turk est moins cher et plus vaste, mais souffre d'une réputation ancienne de problèmes d'attention et de qualité des données en contexte de recherche. L'arbitrage se joue entre le coût et la confiance dans l'identité du répondant.
Comment utiliser Prolific
Créer un compte chercheur et approvisionner un portefeuille : l'inscription se fait en libre-service sur le sous-domaine applicatif. La plateforme fonctionne au paiement à l'usage : aucun contrat ni abonnement n'est nécessaire pour démarrer. Vous ajoutez des fonds, et les études viennent s'imputer sur ce solde.
Construire d'abord la tâche ailleurs : rédigez votre enquête, votre expérience ou votre interface d'annotation dans votre propre outil et obtenez un lien fonctionnel. Assurez-vous qu'il récupère l'identifiant de participant transmis dans l'URL et qu'il redirige vers une URL de complétion à la fin ; c'est ainsi que Prolific sait qui a terminé.
Définir l'échantillon avec les présélections : choisissez votre population cible à l'aide de la couche de filtrage. Vérifiez la faisabilité avant de vous engager : des croisements de filtres très spécifiques peuvent réduire le vivier éligible au point que le recrutement s'enlise et prenne des jours plutôt que des minutes.
Fixer honnêtement la durée et la rémunération : estimez le temps réellement nécessaire et fixez le prix au regard des repères horaires. Sous-estimer la durée est la blessure auto-infligée la plus courante : cela abaisse votre taux horaire effectif, suscite des plaintes et ralentit le recrutement.
Tester avec un petit lot : ouvrez d'abord à une poignée de participants. Vérifiez que les données arrivent correctement, que les codes de complétion fonctionnent et que les consignes sont sans ambiguïté. Corriger une redirection défectueuse après 400 réponses coûte cher ; la corriger après dix ne coûte presque rien.
Lancer, surveiller et examiner les soumissions : surveillez les temps de complétion et la qualité des réponses libres au fil de la collecte. Validez rapidement : les participants sont payés à la validation, et les validations lentes sont un motif de plainte fréquent. Ne rejetez que pour un motif défendable, rattaché à des règles annoncées.
Exporter et analyser : récupérez vos données avec les métadonnées sociodémographiques pour la pondération ou l'analyse par sous-groupes, et consignez les paramètres de recrutement utilisés afin que l'étude puisse être reproduite.