Prolific은 연구자와 AI 팀을 신원이 확인된 유료 참가자 풀과 연결해 설문, 행동 실험, 선호 데이터 수집, 모델 평가를 수행하도록 돕습니다. 다층 품질 검증을 갖추고 구독 없이 사용한 만큼만 지불합니다.
이 도구를 사용해 보셨나요? 평점을 남겨 주세요
Prolific은 인간 데이터를 거래하는 양면 시장입니다. 한쪽에는 실제 사람의 응답이 필요한 연구자, 제품 팀, AI 연구소가 있고, 다른 한쪽에는 신원 확인을 마치고 보수를 받으며 설문, 행동 과제, 인터뷰, 모델 평가를 수행하는 수십만 명의 참가자가 있습니다. 공식 홈페이지는 약속을 간결하게 내겁니다. 진짜 사람에게서 나온 데이터를 몇 분 안에 확보할 수 있다는 것입니다. 이 회사는 2014년 옥스퍼드 대학교를 기반으로 설립되었고 본사는 런던에 있습니다.
처음 접하는 분이 가장 먼저 이해해야 할 점은 이것을 설문 제작 도구가 아니라 표본 시장으로 봐야 한다는 것입니다. Prolific은 설문 편집기를 제공하지 않습니다. 대신 참가자 풀, 그 풀을 잘게 나누는 선별 조건, 지급 통로, 그리고 상대방이 실제로 존재하고 성실하며 중복 가입하지 않은 사람임을 보장하려는 품질 장치를 제공합니다. 설문이나 과제 자체는 보통 Qualtrics, Gorilla, 자체 제작 웹 애플리케이션, 또는 직접 만든 어노테이션 화면 등 외부에 두고, Prolific은 조건에 맞는 사람을 그곳으로 보내고 그들의 시간에 대해 보수를 지급하는 역할을 맡습니다.
플랫폼의 무게 중심은 눈에 띄게 이동했습니다. 초기에는 학술 심리학과 사회과학을 위한 인프라였습니다. 당시에는 온라인에서 대표성 있는 표본을 구하기 어려웠고, Mechanical Turk는 성의 없는 응답으로 평판이 좋지 않았습니다. 지금은 두 번째 고객층이 점점 더 큰 비중을 차지합니다. 선호 데이터, 안전성 평가, 레드팀 탐색, 전문가 어노테이션을 조달하는 AI 팀들입니다. 도구 디렉터리 맥락에서 가장 적절한 이해는 이것입니다. Prolific은 AI의 공급 측에 자리하며, 모델을 학습시키고 채점하는 인간의 판단이 바로 여기에서 나옵니다.
검증을 거쳐 세밀하게 선별 가능한 참가자 풀: 공식 자료는 30만 명 이상의 활동 참가자를 내세웁니다(업체 자체 발표 수치). 이 풀을 쓸모 있게 만드는 것은 규모 자체가 아니라 그 위에 얹힌 타기팅 계층입니다. TechCrunch 보도에 따르면 이 회사는 인구 조사 등을 근거로 한 300개가 넘는 필터를 구축해 고객이 원하는 표본을 더 정확히 조준할 수 있게 했습니다. 이러한 사전 선별 항목은 인구통계, 직업, 건강 상태, 언어, 기기 보유 여부, 과거 제출 이력까지 아우르며, 먼저 도착한 사람을 받는 대신 전국 대표 표본에 근접한 구성을 만들 수 있게 해 줍니다.
신원 및 진정성 검증: 품질은 Protocol이라 부르는 체계가 담당합니다. 회사 측은 Protocol이 신원 확인을 위해 40개 이상의 검사를 수행하며, 유입된 지원자 가운데 약 55%만 통과해 과제를 시작할 수 있다고 밝힙니다. 모두 독립 감사를 거친 수치가 아니라 업체 자체 발표이지만 방향성은 분명합니다. 이 플랫폼은 사람을 최대한 모으는 방식이 아니라 걸러 내는 방식으로 경쟁합니다.
AI 생성 응답 탐지: 유료 조사에서 가장 현대적인 품질 문제는 참가자가 챗봇의 답변을 자유 응답란에 붙여 넣는 것입니다. 회사 측은 자체 진정성 검사가 AI가 생성한 자유 텍스트를 98.7%의 정밀도로 탐지한다고 밝히지만, 이 역시 독립 감사를 거치지 않은 업체 발표 수치입니다. 여기에 100% Human Guarantee라는 상업적 약속을 덧붙여, AI 에이전트가 사전 검사를 통과해 버린 경우 금전적으로 보상한다고 안내합니다.
모델 정렬을 위한 선호 데이터와 인간 피드백: AI 영역에서는 모델을 의도한 결과에 맞추기 위한 선호 데이터, 인간 피드백, 판단 신호를 생성하고, 인간 평가와 해당 분야 전문가 검증, 채점 기준 설계를 통해 역량과 안전성, 품질을 측정합니다. 사실상 RLHF와 평가의 공급망을 맞춤 외주 계약이 아니라 셀프서비스 제품으로 만든 셈입니다.
다국어 전문가 어노테이션: 일반 크라우드가 처리할 수 없는 작업을 위해, 검증된 도메인 전문가가 80개 이상의 언어에 걸쳐 지도 미세조정 데이터, 지시-응답 쌍, 전문 어노테이션을 생산합니다. 영어 이외 언어 역량을 구축하거나 일반 작업자가 아닌 임상의, 법률가, 엔지니어, 원어민이 필요한 팀에게 중요한 대목입니다.
공개 평가 프레임워크 HUMAINE: HUMAINE은 실제 사용 상황을 기준으로 프런티어 모델을 평가하는 인간 선호 리더보드로, 추론, 소통 방식, 핵심 과제 수행, 적응성, 신뢰, 윤리, 안전 등의 축에서 점수를 매깁니다. 평가단은 영국과 미국의 22개 인구통계 집단을 대표하도록 구성됩니다. 이 프레임워크는 ICLR 2026에 학회 논문으로 채택되어, 데이터 공급업체가 내놓은 결과물 중 방법론적 검증이 비교적 충실한 사례가 되었습니다.
프로그래밍 방식 및 에이전트 연동: 웹 대시보드 외에도 문서화된 Human Data API와 MCP 서버를 제공해, 평가 작업을 코드에서 실행하거나 에이전트가 직접 요청하도록 만들 수 있습니다.
방어 가능한 표본이 필요한 학술 연구: 심리학이나 경제학 연구자가 연령과 성별이 균형 잡힌 영국 성인 400명에게 Gorilla에서 호스팅하는 12분짜리 과제를 수행하게 하려는 상황입니다. 사전 선별 조건을 설정하고 보수를 정한 뒤 과제 링크를 붙여 넣으면 조건에 맞는 참가자가 유입됩니다. 방어 가능성은 방법론 절에서 모집 방식과 보수 수준을 정확히 기술할 수 있다는 점에서 나오며, 이는 소셜 미디어를 통한 편의 표본으로는 얻기 어렵습니다. 학술 할인 요율 덕분에 연구비 범위 안에서 실행할 수 있습니다.
모델 정렬을 위한 선호 데이터 수집: AI 팀이 수천 개의 프롬프트에 대해 두 모델 출력을 짝지어 비교하되, 평가자를 동질적인 외주 인력이 아니라 인구 구성이 분산된 집단으로 두고자 합니다. 플랫폼에서 비교를 진행한 뒤 결과를 보상 모델링에 사용합니다. 결과를 JSONL로 내보내 RLHF, DPO, 보상 모델 학습에 곧바로 투입할 수 있어 기존 학습 파이프라인으로 넘기는 경로가 짧습니다.
출시 전 안전성 평가와 레드팀 탐색: 모델 업데이트를 배포하기 전에 거부 응답 동작, 유해 콘텐츠 처리, 적대적 프롬프트 상황에서의 어조에 대한 인간의 판단을 확보하려는 경우입니다. 채점 기준을 갖춘 인간 평가자는 자동 평가가 잡아내지 못하는 점수를 산출하며, 특히 잘난 체하는 말투, 과도한 거부, 문화적 둔감함처럼 주관적인 축에서 그렇습니다.
실제 고객을 대상으로 한 제품 및 시장 조사: 제품 팀이 선별된 표본으로 포지셔닝이나 가격 인식을 검증합니다. 예를 들어 최근 6개월 내 특정 카테고리에서 구매한 사람들을 대상으로 삼는 식입니다. 전통적인 패널 공급업체와 비교하면 속도와 셀프서비스가 매력이지만, 참가자 풀이 특정 국가와 온라인 과제에 익숙한 사람 쪽으로 기운다는 점은 감수해야 합니다.
인간 선호를 기준으로 한 모델 벤치마킹: 정적 벤치마크 점수가 아니라 사람들이 실제로 어떤 답변을 더 선호하는지, 그리고 그 선호가 집단에 따라 달라지는지를 알고 싶은 경우입니다. HUMAINE 방식의 평가는 단일 종합 점수가 가려 버리는 집단 간 차이를 드러냅니다.
에이전트 워크플로 안의 인간 체크포인트: 자동화된 파이프라인이 중간에 멈춰 사람에게 질문하고, 평가 점수를 기준으로 배포 여부를 결정하거나 애매한 사례를 사람에게 넘긴 뒤, 결과가 돌아오면 다시 진행합니다. MCP 연동이 겨냥한 지점이 바로 여기이며, 인간 피드백을 정해진 일정의 배치 작업에서 필요할 때 호출하는 기능으로 바꿔 놓습니다.
연구자 계정 생성 후 잔액 충전: app 하위 도메인에서 셀프서비스로 가입합니다. 플랫폼은 사용한 만큼 지불하는 방식이라 시작하는 데 계약서나 구독이 필요하지 않습니다. 먼저 충전해 두면 연구 진행에 따라 잔액에서 차감됩니다.
과제는 먼저 외부에서 완성: 자신의 도구로 설문, 실험, 어노테이션 화면을 만들고 동작하는 링크를 확보하세요. URL로 전달되는 참가자 ID를 받을 수 있는지, 종료 시 완료 URL로 되돌아오는지 반드시 확인해야 합니다. 플랫폼은 이를 근거로 누가 과제를 마쳤는지 판단합니다.
사전 선별 조건으로 표본 정의: 선별 계층을 이용해 목표 집단을 지정합니다. 확정 전에 실현 가능성을 확인하세요. 조건을 지나치게 좁게 교차하면 적격 인원이 줄어 모집이 몇 분이 아니라 며칠씩 걸리거나 아예 멈출 수 있습니다.
소요 시간과 보수를 정직하게 설정: 과제에 실제로 걸리는 시간을 추정하고 시급 기준에 맞춰 가격을 정하세요. 소요 시간을 낮게 잡는 것이 가장 흔한 자충수입니다. 실질 시급이 떨어지고 불만이 쌓이며 모집 속도도 느려집니다.
소규모 파일럿 먼저 실행: 우선 소수 인원에게만 공개하세요. 데이터가 제대로 저장되는지, 완료 코드가 작동하는지, 지시문에 모호한 부분이 없는지 확인합니다. 400건을 받은 뒤 리디렉션 오류를 고치는 것은 비용이 크지만, 10건일 때 고치면 사소한 일입니다.
실행, 모니터링, 제출물 검토: 데이터가 들어오는 동안 완료 시간과 자유 응답 품질을 살펴보세요. 승인은 신속하게 처리해야 합니다. 참가자는 승인 시점에 보수를 받기 때문에 승인 지연은 잦은 불만 요인입니다. 거부는 사전에 공지한 규칙에 근거가 있을 때만 하십시오.
내보내기와 분석: 가중치 부여나 하위 집단 분석을 위해 인구통계 메타데이터와 함께 데이터를 내려받고, 재현이 가능하도록 사용한 모집 조건을 기록해 두세요.
하한이 아니라 권장 금액으로 지급하기: 회사는 참가자에게 시간당 최소 £9.00 / $12.00 지급을 권장하며, 플랫폼이 허용하는 최저 시급은 £6.00 / $8.00입니다. 하한에 맞춘 연구는 모집이 느리고 서두른 응답을 부르기 쉽습니다. 권장 금액을 실제 기준선으로 삼아 예산을 짜십시오.
가격을 정하기 전에 직접 시간 재기: 과제를 처음부터 끝까지 직접 수행해 보고, 자신보다 꼼꼼히 읽는 사람을 위해 여유를 더하세요. 표기한 소요 시간이 실질 시급을 결정하고, 실질 시급이 모집 속도를 결정합니다.
선별 조건을 무턱대고 겹치지 않기: 사전 선별 항목이 하나 늘 때마다 희소성은 배로 커집니다. 흔치 않은 속성 세 가지를 동시에 요구한다면 먼저 실현 가능성을 확인하고 모집 기간이 길어지거나 예산이 늘어날 각오를 하십시오.
플랫폼과 별개로 주의력 점검 항목 넣기: 플랫폼 차원의 품질 관리는 악의적 응답을 줄여 주지만 설문 설계를 대신하지는 못합니다. 이해도 확인 문항을 넣고 응답 시간 분포로 불성실한 완료를 찾아내세요.
챗봇이 대신 쓰기 어려운 자유 응답 설계하기: 개인적인 구체 사항, 최근의 실제 경험, 과제 안에서 제시한 자극에 대한 즉각적 반응을 묻는 편이 좋습니다. 일반적인 논술형 문항은 대규모 언어 모델이 가장 쉽게 대신 써 주는 유형이자 가장 걸러 내기 어려운 유형입니다.
수수료까지 포함해 총액 계산하기: 연구의 표면 비용은 참가자 보수이지만 플랫폼 수수료가 그 위에 얹힙니다. 확정 전에 총비용을 계산하고, 자격이 된다면 학술 및 비영리 요율을 잊지 마십시오.
빠르게 승인하고 명확히 소통하기: 참가자 사이의 평판이 모집 속도에 영향을 줍니다. 지시문이 명확하고 승인이 빠르며 경계 사례를 공정하게 처리하면 다음 연구의 모집이 훨씬 수월해집니다.
변경할 때마다 파일럿 다시 돌리기: 과제 링크, 리디렉션, 완료 코드를 조금이라도 손봤다면 소규모 파일럿을 다시 실행할 가치가 있습니다. 이런 종류의 오류는 조용히 발생하고 비용이 큽니다.
학술 연구자: 논문에서 표본을 방어 가능하게 기술해야 하는 심리학, 경제학, 언어학, 사회과학 연구자에게 적합합니다. 연구윤리 심의 기준에 부합하는 보수 체계와 학술 및 비영리 대상 할인 요율을 제공합니다.
AI 연구소와 모델 팀: 선호 데이터, 평가 점수, 안전성 판단, 전문가 어노테이션을 조달하는 팀, 특히 불투명한 외주 인력 풀 대신 인구 구성이 넓고 중립적인 공급자를 원하는 팀에 알맞습니다.
UX 및 제품 연구자: 자사 사용자 밖에서 아이디어를 검증하고 디자인을 비교하며 이해도를 측정해야 하는 팀으로, 장기 추적보다 속도가 중요한 상황에 적합합니다.
시장 조사 실무자: 콘셉트 테스트, 가격 인식, 브랜드 조사를 진행하며 셀프서비스 속도와 투명한 비용을 중시하고, 플랫폼의 지역 편중 안에서 작업할 수 있는 실무자에게 맞습니다.
정책 및 공공 부문 연구자: 정책 사안에 대해 폭넓은 여론이 필요하고, 투명한 모집과 공정한 보수 자체가 결과의 신뢰성을 구성하는 팀에 적합합니다.
평가 파이프라인을 구축하는 엔지니어링 팀: 인간의 판단을 수작업으로 조율하는 별도 절차가 아니라 코드나 에이전트에서 호출 가능한 기능으로 만들고 싶은 개발자에게 유용합니다.
유연한 유료 과제를 찾는 참가자: 짧고 정당하며 현금으로 정산되고 요율이 명확한, 상품권 방식이 아닌 온라인 과제를 원하는 사람에게 적합합니다. 다만 수입은 보조적이고 과제 물량은 변동한다는 점을 감안해야 합니다.
웹 애플리케이션: 연구자와 참가자 모두의 주요 창구로, 연구 설정, 표본 구성, 진행 모니터링, 승인, 지급에 사용됩니다. 참가자는 브라우저에서 과제를 받아 외부에 호스팅된 과제로 이동합니다.
Human Data API: 연구를 생성하고 관리하며 결과를 회수할 수 있는 문서화된 프로그래밍 인터페이스로, 모집 기능을 자체 시스템에 심으려는 팀에 적합합니다.
MCP 서버: Claude Code, Claude Desktop, Cursor를 비롯해 Model Context Protocol 사양을 구현한 모든 클라이언트를 지원하며, 에이전트가 작업 도중 인간의 판단을 요청할 수 있습니다. 회사 측은 MCP 도구가 자동으로 탐색되며 별도의 SDK나 래퍼가 필요하지 않다고 안내합니다.
구조화된 내보내기 형식: 결과는 구조화된 JSON으로 반환되며 JSONL로 내보내 RLHF, DPO, 보상 모델 학습에 바로 사용할 수 있습니다.
외부 연구 도구와의 연계: 과제가 외부에 호스팅되므로, 이 플랫폼은 일반적인 설문 및 실험 제작 도구를 대체하지 않고 링크 기반 리디렉션으로 함께 작동하도록 설계되어 있습니다.
연구자용 별도 네이티브 모바일 앱은 확인되지 않음: 참가자는 보통 모바일 웹을 사용하며, 일부 과제 유형은 데스크톱 브라우저를 명시적으로 요구합니다. (정보 확인 필요)
일반적인 의미의 구독제나 무료 요금제는 없습니다. 연구에 자금을 충전하고 소비한 인간의 시간에 대해 지불하는 구조입니다. 상업 경로는 두 가지입니다. 월 요금 없이 사용한 만큼 지불하는 셀프서비스 Platform 경로, 그리고 전담 품질 보증과 함께 전문가가 주도해 데이터를 수집하는 Managed Services 경로로, 후자는 사안별로 견적을 내고 보통 작업 기술서로 약정합니다.
셀프서비스 쪽 비용 구조는 이 분야에서 보기 드물게 투명합니다. 플랫폼 수수료는 기업 고객이 보통 42.8%, 학술 및 비영리 고객은 할인된 33.3%이며, 모두 참가자에게 지급하는 보수 위에 더해집니다. 보수 측면에서는 시간당 최소 £9.00 / $12.00 지급을 권장하고, 플랫폼이 허용하는 절대 하한은 £6.00 / $8.00입니다. 기관 예산에 실질적으로 영향을 주는 세부 사항이 하나 있습니다. 부가가치세는 플랫폼 수수료에만 부과되고 참가자 보수에는 부과되지 않아, 부가세 등록 기관의 실효 비용이 달라집니다.
참가자 쪽은 방향이 반대이지만 조건은 마찬가지로 명확합니다. 누적 수입이 $6/£6에 도달하면 계정에서 바로 출금할 수 있고, 지급은 상품권이나 포인트가 아니라 PayPal을 통한 현금으로 이루어집니다. 제3자 분석은 참가자가 연구자 총지출의 약 70%를 받는다고 추정하며, 이는 공개된 수수료 구조와도 대체로 맞아떨어집니다. 기업 단위나 대량 계약은 개별 견적으로 처리되며 금액은 공개되지 않습니다.
Amazon Mechanical Turk: 오래된 범용 크라우드워크 마켓입니다. 응답 단가가 저렴하고 과제 물량이 훨씬 많지만 신원 보증이 약하고, 연구 맥락에서 응답 성실성 문제로 오랫동안 지적을 받아 왔습니다.
CloudResearch Connect: 행동 연구를 겨냥한 유사 포지션으로, 검증된 참가자와 선별 도구를 제공합니다. 완료 건당 비용과 풀 구성을 놓고 직접 비교되는 경우가 많습니다.
Cint, Dynata 등 전통 패널 공급업체: 규모가 훨씬 크고 특히 영국과 미국 밖에서 대규모 전국 대표 소비자 조사에 적합하지만, 셀프서비스 정도가 낮고 참가자 보수의 투명성도 대체로 떨어집니다.
Scale AI, Surge AI 등 데이터 공급업체: AI 연구소를 정면으로 겨냥해 관리형 어노테이션 인력과 맞춤 파이프라인을 제공합니다. 대규모의 복잡하고 장기적인 어노테이션 프로그램에는 강하지만, 빠른 인구통계 표집이나 학술형 연구에는 약합니다.
User Interviews, Respondent 등 사용자 조사 모집 서비스: 전문가나 접근하기 어려운 대상을 상대로 한 진행자 인터뷰와 사용성 테스트 등 정성 조사에 더 적합하며, 표본 수는 적고 인당 비용은 훨씬 높습니다.
플랫폼 수수료가 가장 많이 지적됩니다: 기업 고객 기준 42.8%라는 요율은 예산의 열에 넷 정도가 참가자의 시간이 아니라 플랫폼 서비스에 쓰인다는 뜻입니다. 표본이 커질수록 이 부담은 빠르게 누적되며, 연구자 후기에서 반복적으로 등장하는 불만입니다.
지역 편중: 참가자 풀은 영국과 미국에 가장 밀집해 있습니다. 핵심 지역 밖 참가자들은 받을 수 있는 과제가 적다고 말하며, Trustpilot 후기에는 아프리카 참가자에게 더 많은 과제를 열어 달라는 요청도 있습니다. 표본이 얕은 지역을 다뤄야 한다면 설계에 반영하기 전에 실현 가능성을 확인하십시오.
품질 수치는 모두 업체 자체 발표입니다: 55%의 초기 통과율, 98.7%의 AI 텍스트 탐지 정밀도, 30만 명 이상이라는 풀 규모는 모두 회사 자료에서 나온 것이며 공개된 범위에서는 독립 감사를 거치지 않았습니다. 검증된 벤치마크가 아니라 방향성을 보여 주는 주장으로 받아들이는 편이 안전합니다.
고객 지원은 양쪽 모두에서 비판을 받습니다: Trustpilot에서 이 플랫폼의 TrustScore는 14,854건의 후기를 기준으로 4.5이며, 별 다섯이 78%, 별 하나가 7%입니다. 부정적인 소수 의견에서 반복되는 주제는 결제 분쟁을 해결할 때 지원 부서의 이의 처리가 때때로 도움이 되지 않았다는 점입니다.
참가자 쪽은 누구나 들어갈 수 있는 구조가 아닙니다: 가입은 대기자 명단과 검증 절차를 거치며, 초대를 받은 뒤에야 약 15분 분량의 신원 확인과 짧은 연습 과제를 마치게 됩니다. 수입은 보조적이고 과제 물량도 일정하지 않습니다.
연구를 진행하려면 별도 도구가 여전히 필요합니다: 이 플랫폼은 모집과 지급을 담당할 뿐 설문이나 실험을 만들어 주지는 않습니다. 설문 및 실험 도구 비용과 함께, ID와 완료 코드를 올바로 전달하기 위한 연동 작업까지 예산에 넣으십시오.
자기 선택 편향은 여전한 제약입니다: 풀에 속한 모든 사람은 유료 연구 플랫폼에 스스로 가입했고 과제 수행에 익숙합니다. 선별 조건으로 인구 구성은 맞출 수 있어도, 상시 운영되는 패널이 본질적으로 갖는 숙련화 효과까지 없애지는 못합니다.
법률 문서는 본 사이트의 일반적인 경로에 없습니다: 법무 문서는 /privacy나 /terms 같은 직관적인 경로에 있지 않고, 유일한 입구인 개인정보 및 법률 페이지가 개인정보 고지, 법률 약관, 추가 데이터 보호 정보를 각각 연결합니다. 해당 문서들은 외부 Notion 공간에 호스팅되므로 규정 준수를 약속하기 전에 원문을 직접 확인해야 합니다. 구체적인 보관 기간이나 2차 이용 조항은 본 사이트 마케팅 페이지에 다시 기재되어 있지 않습니다. (정보 확인 필요)
일반적인 의미의 무료 요금제는 없습니다. 시작하는 데 구독료나 계약이 필요하지는 않지만, 참가자의 시간에 보수를 지급하고 플랫폼이 그 위에 일정 비율을 가져가므로 연구를 진행하려면 반드시 비용이 듭니다. 계정을 만들고 화면을 둘러보는 것은 무료이고, 실제 연구를 돌리는 데 비용이 발생합니다. 연구를 계획할 때 참가자 보수와 플랫폼 수수료를 함께 예산에 넣으십시오.
총비용은 참가자 보수에 플랫폼 수수료를 더한 금액입니다. 수수료는 기업 고객이 보통 42.8%, 학술 및 비영리 고객이 33.3%이며 보수 총액을 기준으로 계산합니다. 따라서 참가자에게 총 700파운드를 지급하는 연구라면 기업 계정은 약 1,000파운드, 학술 계정은 약 933파운드가 듭니다. 부가가치세는 플랫폼 수수료에만 붙고 참가자 보수에는 붙지 않습니다.
회사는 연구자에게 시간당 최소 £9.00 / $12.00 지급을 권장하며 절대 하한은 £6.00 / $8.00입니다. 실제 수입은 개인이 조건에 맞는 연구를 얼마나 많이 만나느냐에 전적으로 달려 있고, 이는 인구통계 특성과 거주 지역에 따라 달라집니다. 직업을 대체하는 소득이라기보다 보조 수입으로 이해하는 편이 정확하며, 제3자 분석은 참가자가 연구자 총지출의 약 70%를 받는다고 추정합니다.
PayPal을 통해 현금으로 지급됩니다. 누적 수입이 $6/£6에 도달하면 출금할 수 있고, 회사는 상품권이나 포인트가 아니라 항상 현금으로 지급한다고 명시합니다. 연구자가 제출물을 승인해야 지급이 이루어지므로, 승인이 늦어지는 것이 참가자 불만의 흔한 원인이 됩니다.
일반적으로는 불가능합니다. 이곳은 모집과 지급을 담당하는 계층이지 설문 제작 도구가 아닙니다. 설문, 실험, 어노테이션 과제는 자신의 도구에 두고 링크를 공유하며, URL로 참가자 ID를 전달하고 완료 시 되돌아오도록 설정해야 합니다. 예외는 텍스트 어노테이션과 평가 작업을 위해 플랫폼이 자체 제공하는 AI 과제 도구입니다.
Protocol이라 부르는 다층 체계를 통해 걸러 냅니다. 진입 시 신원을 확인하고, 풀 전체에 걸쳐 지속적으로 부정 행위를 탐지하며, 비현실적으로 빠른 제출을 자동으로 표시하고, 자유 응답에 진정성 검사를 적용합니다. 회사는 AI 생성 자유 텍스트 탐지 정밀도를 98.7%로 보고하며, 검사가 우회된 경우 100% Human Guarantee에 따라 보상한다고 안내합니다. 모두 업체 자체 발표이므로 자체 주의력 점검 항목을 함께 사용하십시오.
가능하며, 지금은 사업의 큰 축입니다. 선호 데이터, 인간 피드백, 안전성 및 역량 평가는 물론 지도 미세조정 데이터와 지시-응답 쌍을 포함해 80개 이상 언어에 걸친 전문가 어노테이션을 제공합니다. 또한 프런티어 모델을 평가하는 인간 선호 리더보드 HUMAINE을 공개했으며, 이 프레임워크는 ICLR 2026에 학회 논문으로 채택되었습니다.
있습니다. 연구를 프로그래밍 방식으로 관리하는 Human Data API가 문서화되어 있고, Claude Code, Claude Desktop, Cursor 등 MCP 호환 클라이언트를 지원하는 MCP 서버가 제공되어 에이전트가 자체 워크플로를 벗어나지 않고 연구를 실행하고 구조화된 결과를 받을 수 있습니다. 결과는 JSONL로 내보내 RLHF, DPO, 보상 모델 학습에 바로 쓸 수 있습니다.
참가자 풀은 영국과 미국에 집중되어 있으며 유럽과 그 밖의 지역도 어느 정도 포괄하지만 과제 물량은 눈에 띄게 적습니다. 일부 지역 참가자들은 조건에 맞는 연구가 거의 없다고 말합니다. 특정 국가나 드문 인구통계 조합에 의존하는 연구라면, 그 전제로 설계하기 전에 선별 도구로 실현 가능성을 먼저 확인하십시오.
핵심 차이는 검증 방식과 보수 정책입니다. Prolific은 신원을 확인하고 보수 하한을 강제하며 인구 조사 정보에 기반한 사전 선별 항목을 폭넓게 제공합니다. TechCrunch는 인구 조사 등을 근거로 한 300개가 넘는 필터를 언급한 바 있습니다. Mechanical Turk는 더 저렴하고 규모도 크지만 연구 환경에서 응답 성실성과 데이터 품질 문제가 오래 지적되어 왔습니다. 결국 비용을 아낄 것인지, 누가 답했는지에 대한 확신을 살 것인지의 선택입니다.
