A Prolific liga pesquisadores e equipas de IA a um painel de participantes remunerados com identidade verificada para inquéritos, estudos comportamentais, dados de preferência e avaliação de modelos, com controlos de qualidade e pagamento conforme o uso.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
A Prolific é um mercado de dois lados dedicado a dados humanos. De um lado estão pesquisadores, equipas de produto e laboratórios de inteligência artificial que precisam de respostas de pessoas reais; do outro, centenas de milhares de participantes com identidade verificada que recebem para responder a inquéritos, executar tarefas comportamentais, participar em entrevistas e avaliar modelos. A empresa enuncia a sua promessa sem rodeios na página inicial: dados humanos autênticos, prontos em minutos, recolhidos junto de pessoas reais em vez de sintetizados ou extraídos automaticamente. Foi fundada em 2014, com raízes na Universidade de Oxford, e tem sede em Londres.
O ponto mais importante para quem chega agora é perceber que se trata de um mercado de amostras e não de uma ferramenta de inquéritos. A Prolific não fornece um editor de formulários. Fornece um conjunto de participantes, uma camada de filtros para segmentar esse conjunto, um canal de pagamento e um aparato de qualidade que procura garantir que do outro lado está uma pessoa real, atenta e sem registo duplicado. O questionário ou a tarefa fica normalmente alojado noutro sítio — no Qualtrics, no Gorilla, numa aplicação web própria ou na sua própria interface de anotação — e a Prolific encarrega-se de levar até lá pessoas qualificadas e de remunerar o tempo delas de forma justa.
O centro de gravidade da plataforma deslocou-se de forma nítida. Começou como infraestrutura para a psicologia académica e as ciências sociais, numa época em que obter amostras representativas em linha era difícil e o Mechanical Turk arrastava fama de participação superficial. Hoje serve um segundo público, cada vez mais dominante: equipas de inteligência artificial que se abastecem de dados de preferência, avaliações de segurança, sondagens adversariais e anotações especializadas. No contexto de um diretório de ferramentas, o modelo mental mais útil é este: a Prolific situa-se do lado da oferta da inteligência artificial, pois é daí que vem o julgamento humano que treina e classifica os modelos.
Um painel verificado e finamente filtrável: a plataforma anuncia mais de 300 mil participantes ativos e envolvidos, número divulgado pela própria empresa. O que torna esse painel utilizável não é a dimensão bruta, mas a camada de segmentação que o cobre. A TechCrunch noticiou que a Prolific construiu mais de 300 filtros baseados em dados censitários e outras fontes para que os clientes consigam afinar melhor a amostra que procuram. Estes critérios prévios abrangem características sociodemográficas, ocupação, estado de saúde, idioma, equipamento detido e histórico de participações anteriores, permitindo aproximar-se de uma amostra representativa em vez de aceitar quem aparecer primeiro.
Verificação de identidade e autenticidade: a qualidade assenta num sistema a que a empresa chama Protocol. Segundo a companhia, o Protocol executa mais de 40 verificações para confirmar a identidade e, de quem entra no funil, apenas cerca de 55 por cento passa e pode começar a realizar estudos. São números da própria empresa, sem auditoria independente, mas a orientação é clara: esta plataforma compete pela capacidade de excluir pessoas, não por acumular efetivos.
Deteção de respostas geradas por IA: o problema de qualidade mais atual na investigação remunerada é o participante que cola a resposta de um assistente conversacional num campo de texto livre. A Prolific afirma que as suas verificações próprias de autenticidade detetam respostas de texto livre geradas por IA com uma precisão de 98,7 por cento, valor igualmente divulgado pela empresa e não auditado de forma independente. Isto é acompanhado por um compromisso comercial designado 100% Human Guarantee, que prevê compensação financeira quando agentes de IA conseguem contornar as verificações prévias.
Dados de preferência e feedback humano para alinhamento de modelos: no domínio da inteligência artificial, a plataforma gera dados de preferência, feedback humano e sinais de julgamento destinados a alinhar modelos com os comportamentos pretendidos, e mede capacidade, segurança e qualidade através de avaliações humanas, verificação por especialistas da matéria e conceção de grelhas de classificação. Na prática, transforma a cadeia de fornecimento do RLHF e da avaliação num produto de autosserviço em vez de um contrato de externalização à medida.
Anotação especializada em várias línguas: para trabalhos que uma multidão generalista não consegue executar, especialistas de domínio verificados produzem dados de afinação supervisionada, pares de instrução e resposta e anotações especializadas em mais de 80 idiomas. Isto é decisivo para equipas que desenvolvem capacidades fora do inglês ou que precisam de clínicos, juristas, engenheiros ou falantes nativos em vez de perfis generalistas.
HUMAINE, um quadro de avaliação público: o HUMAINE é uma classificação assente em preferências humanas que avalia modelos de fronteira a partir de utilizações reais, pontuando-os em raciocínio, estilo de comunicação, desempenho na tarefa central, adaptabilidade, confiança, ética e segurança. O seu painel está estruturado para representar 22 grupos sociodemográficos nos Estados Unidos e no Reino Unido. O quadro foi apresentado como artigo de conferência na ICLR 2026, o que o torna um dos materiais metodologicamente mais escrutinados publicados por um fornecedor de dados.
Acesso programático e agêntico: para além do painel web existem uma API Human Data documentada e um servidor MCP, permitindo que as rondas de avaliação sejam desencadeadas a partir de código ou por um agente, em vez de configuradas manualmente.
Estudos académicos que exigem amostras defensáveis: uma investigadora de psicologia ou economia precisa de 400 adultos britânicos equilibrados por idade e sexo, cada um a realizar uma tarefa de doze minutos alojada no Gorilla. Configura os critérios prévios, define a remuneração, cola a ligação da tarefa e deixa a plataforma encaminhar os participantes correspondentes. A solidez vem de poder descrever com precisão o recrutamento e a remuneração na secção de método, algo que uma amostra de conveniência recolhida em redes sociais não permite. A tarifa académica reduzida torna a operação viável dentro de um orçamento de projeto.
Recolha de dados de preferência para alinhamento de modelos: uma equipa de inteligência artificial precisa de comparações aos pares entre duas saídas de modelo ao longo de milhares de instruções, provenientes de um conjunto de avaliadores demograficamente diverso e não de uma equipa de prestadores homogénea. Executa as comparações com as ferramentas de tarefas da plataforma e exporta os resultados para modelação de recompensa. Como os resultados podem ser exportados em JSONL para alimentar diretamente o treino de RLHF, DPO e modelos de recompensa, a passagem para um pipeline existente é curta.
Avaliações de segurança e sondagem adversarial antes do lançamento: antes de implantar uma atualização de modelo, uma equipa quer julgamento humano sobre o comportamento perante recusas, o tratamento de conteúdo nocivo e o tom face a instruções adversariais. Avaliadores humanos orientados por uma grelha produzem apreciações que as avaliações automáticas não alcançam, sobretudo em dimensões subjetivas como a condescendência, a recusa excessiva ou a insensibilidade cultural.
Investigação de produto e de mercado com clientes reais: uma equipa de produto valida o posicionamento ou a perceção de preço com uma amostra filtrada, por exemplo pessoas que compraram numa categoria nos últimos seis meses. Face a um fornecedor de painéis tradicional, o apelo está na rapidez e no autosserviço; a contrapartida é que o painel pende para determinados países e para pessoas habituadas ao trabalho em linha.
Comparação de modelos à luz da preferência humana: uma equipa quer saber não apenas se um modelo pontua bem em testes estáticos, mas se as pessoas preferem as suas respostas e se essa preferência varia consoante o grupo. Uma avaliação ao estilo do HUMAINE revela divergências entre grupos que uma pontuação agregada única esconde.
Pontos de controlo humano dentro de fluxos agênticos: um pipeline automatizado interrompe-se para colocar uma questão a pessoas — por exemplo, condicionar um lançamento a uma pontuação de avaliação ou escalar um caso ambíguo — e retoma quando os resultados chegam. É precisamente esse o propósito da integração MCP, que converte o feedback humano de um exercício em lote agendado numa chamada disponível a pedido.
Criar uma conta de investigador e carregar saldo: o registo é feito em autosserviço no subdomínio da aplicação. A cobrança é por utilização: para começar não é preciso assinar contrato nem pagar subscrição. Carrega-se saldo e os estudos são descontados a partir dele.
Construir primeiro a tarefa noutro sítio: prepare o inquérito, a experiência ou a interface de anotação na sua própria ferramenta e obtenha uma ligação funcional. Garanta que ela recebe o identificador de participante transmitido no URL e que redireciona para um endereço de conclusão no final; é assim que a plataforma sabe quem terminou.
Definir a amostra com os critérios prévios: escolha a população-alvo através da camada de filtragem. Verifique a exequibilidade antes de avançar: cruzamentos muito específicos podem reduzir o conjunto elegível ao ponto de o recrutamento estagnar e demorar dias em vez de minutos.
Definir duração e remuneração com honestidade: estime quanto tempo a tarefa demora realmente e fixe o preço em função das referências horárias. Subestimar a duração é a ferida autoinfligida mais comum: baixa a taxa horária efetiva, provoca queixas e atrasa o recrutamento.
Fazer um piloto com um lote pequeno: abra primeiro a um punhado de participantes. Confirme que os dados chegam corretamente, que os códigos de conclusão funcionam e que as instruções não são ambíguas. Corrigir um redirecionamento defeituoso após 400 submissões sai caro; fazê-lo após dez é trivial.
Lançar, acompanhar e rever as submissões: à medida que os dados chegam, vigie os tempos de conclusão e a qualidade das respostas abertas. Aprove com rapidez: os participantes recebem no momento da aprovação, e a lentidão a aprovar é uma queixa frequente. Rejeite apenas quando tiver um motivo defensável ligado a regras anunciadas.
Exportar e analisar: extraia os dados juntamente com os metadados sociodemográficos para ponderação ou análise de subgrupos e registe os parâmetros de recrutamento utilizados, para que o estudo possa ser reproduzido.
Pagar acima do mínimo e não no mínimo: a Prolific recomenda pagar aos participantes pelo menos 9,00 libras / 12,00 dólares por hora, sendo que a remuneração mínima permitida na plataforma é de 6,00 libras / 8,00 dólares por hora. Os estudos colocados no mínimo preenchem-se mais devagar e atraem respostas apressadas. Trate a tarifa recomendada como a verdadeira base do orçamento.
Cronometrar a tarefa antes de lhe fixar preço: execute a tarefa você mesmo e acrescente margem para quem lê com mais atenção do que você. A duração declarada determina a taxa horária efetiva, e esta determina a velocidade de preenchimento.
Não empilhar filtros de forma descuidada: cada critério adicional multiplica a escassez. Se precisar de três atributos pouco comuns em simultâneo, verifique primeiro a exequibilidade e prepare-se para um período de campo mais longo ou um orçamento maior.
Incluir mesmo assim verificações de atenção próprias: os controlos de qualidade ao nível da plataforma reduzem os agentes menos idóneos, mas não substituem a conceção do instrumento. Inclua perguntas de compreensão e use a distribuição dos tempos de resposta para identificar preenchimentos desatentos.
Conceber perguntas abertas resistentes a assistentes conversacionais: peça pormenores pessoais, experiências recentes concretas ou reações a um estímulo apresentado dentro da tarefa. As perguntas de desenvolvimento genéricas são as mais fáceis de responder com um modelo de linguagem e as mais difíceis de fiscalizar.
Orçamentar a comissão e não apenas a remuneração: o custo visível de um estudo é o pagamento aos participantes, mas a comissão da plataforma acresce por cima. Calcule o custo total antes de avançar e não se esqueça do escalão académico e sem fins lucrativos, caso se qualifique.
Aprovar depressa e comunicar com clareza: a sua reputação junto dos participantes influencia a velocidade de preenchimento. Instruções claras, aprovações rápidas e um tratamento justo dos casos-limite fazem com que os estudos seguintes recrutem mais depressa.
Repetir o piloto a cada alteração: qualquer mudança na ligação da tarefa, no redirecionamento ou no código de conclusão merece um novo piloto reduzido. Estas falhas ocorrem em silêncio e saem caras.
Investigadores académicos: psicólogos, economistas, linguistas e cientistas sociais que precisam de amostras descritíveis de forma defensável num artigo, com remuneração compatível com as exigências das comissões de ética e uma tarifa reduzida para trabalhos académicos e sem fins lucrativos.
Laboratórios de IA e equipas de modelos: grupos que se abastecem de dados de preferência, pontuações de avaliação, julgamentos de segurança e anotação especializada, sobretudo os que procuram um fornecedor neutro com amplitude sociodemográfica em vez de um conjunto opaco de prestadores.
Investigadores de experiência do utilizador e de produto: equipas que validam conceitos, comparam propostas de desenho ou medem a compreensão fora da sua própria base de utilizadores, quando a rapidez importa mais do que a profundidade longitudinal.
Profissionais de estudos de mercado: quem conduz testes de conceito, estudos de perceção de preço e estudos de marca, valoriza a rapidez do autosserviço e a transparência de custos e consegue trabalhar dentro da concentração geográfica do painel.
Investigadores de políticas públicas e do setor público: equipas que precisam de opiniões amplamente distribuídas sobre questões de política pública, em que a transparência do recrutamento e a remuneração justa fazem parte da própria credibilidade do resultado.
Equipas de engenharia que constroem pipelines de avaliação: programadores que querem invocar o julgamento humano a partir de código ou de um agente, em vez de o coordenarem como um processo manual paralelo.
Participantes à procura de trabalho remunerado flexível: pessoas que querem tarefas em linha curtas e legítimas, pagas em dinheiro e com tarifas claras, sem esquemas de vales, aceitando que os rendimentos são complementares e que a disponibilidade oscila.
Aplicação web: a interface principal tanto para investigadores como para participantes, usada na configuração de estudos, definição da amostra, acompanhamento, aprovações e pagamentos. Os participantes acedem através do navegador e são reencaminhados para tarefas alojadas externamente.
API Human Data: uma interface programática documentada para criar e gerir estudos e recolher resultados, adequada a equipas que integram o recrutamento nos seus próprios sistemas.
Servidor MCP: funciona com o Claude Code, o Claude Desktop, o Cursor e qualquer cliente que implemente a especificação Model Context Protocol, permitindo que um agente solicite julgamento humano a meio do processo. Segundo a empresa, as ferramentas MCP são descobertas automaticamente, sem necessidade de SDK ou camadas intermédias.
Formatos de exportação estruturados: os resultados regressam em JSON estruturado e podem ser exportados em JSONL para alimentar diretamente o treino de RLHF, DPO e modelos de recompensa.
Interoperabilidade com ferramentas de estudo externas: como as tarefas são alojadas noutro sítio, a plataforma foi pensada para funcionar em conjunto com os criadores habituais de inquéritos e experiências através de redirecionamento por ligação, e não para os substituir.
Não está documentada uma aplicação móvel nativa dedicada a investigadores: os participantes usam geralmente a versão web para telemóvel, e alguns tipos de estudo exigem explicitamente um navegador de computador. (a verificar)
Não existe subscrição nem plano gratuito no sentido habitual do software em linha: financia-se estudos e paga-se pelo tempo humano consumido. A empresa opera duas vias comerciais: uma via Platform de autosserviço, descrita como pagamento conforme o uso sem mensalidades, e uma via Managed Services para recolha de dados conduzida por especialistas com garantia de qualidade dedicada, dimensionada caso a caso e habitualmente regulada por um caderno de encargos.
A economia do autosserviço é invulgarmente transparente para esta categoria. A comissão da plataforma é habitualmente de 42,8 por cento para clientes empresariais e de uns 33,3 por cento com desconto para clientes académicos e sem fins lucrativos, aplicada sobre aquilo que é pago aos participantes. Do lado da remuneração, recomenda-se pagar pelo menos 9,00 libras / 12,00 dólares por hora, sendo o mínimo permitido de 6,00 libras / 8,00 dólares por hora. Um pormenor pesa concretamente nos orçamentos institucionais: o imposto sobre o valor acrescentado incide apenas sobre as comissões da plataforma, não estando as remunerações dos participantes sujeitas a ele, o que altera o custo efetivo para entidades registadas para efeitos deste imposto.
Do lado dos participantes o arranjo inverte-se e é igualmente explícito. Assim que alguém tenha ganho pelo menos 6 dólares / 6 libras, pode levantar o valor diretamente a partir da sua conta, e os pagamentos chegam em dinheiro através do PayPal em vez de vales ou pontos. Uma análise independente estima que os participantes recebem cerca de 70 por cento do total gasto pelos investigadores, o que é coerente com a estrutura de comissões publicada. Os acordos empresariais e de grande volume são orçamentados individualmente e não são publicados.
Amazon Mechanical Turk: o mercado generalista de trabalho distribuído de longa data. Mais barato por resposta e muito maior em volume de tarefas, mas com garantias de identidade mais fracas e uma reputação longamente documentada de problemas de atenção em contextos de investigação.
CloudResearch Connect: posicionado muito perto da Prolific para investigação comportamental, oferecendo participantes verificados e ferramentas de triagem. É frequentemente comparado de forma direta pelo custo por resposta completa e pela composição do painel.
Fornecedores de painéis tradicionais como a Cint ou a Dynata: bastante maiores e mais adequados a investigação de consumo representativa em larga escala, sobretudo fora do Reino Unido e dos Estados Unidos, mas em geral menos orientados ao autosserviço e menos transparentes quanto à remuneração dos participantes.
Fornecedores de dados como a Scale AI ou a Surge AI: dirigidos diretamente aos laboratórios de IA, com equipas de anotação geridas e pipelines à medida. Mais fortes em programas de anotação grandes, complexos e prolongados; mais fracos em amostragem sociodemográfica rápida e estudos de feição académica.
Serviços de recrutamento para investigação de utilizadores como a User Interviews ou a Respondent: preferíveis para trabalho qualitativo — entrevistas moderadas e sessões de usabilidade com públicos profissionais ou difíceis de alcançar — em que as amostras são pequenas e os honorários por participante bastante mais elevados.
A comissão da plataforma é a objeção mais citada: uma taxa de 42,8 por cento para clientes empresariais significa que cerca de quatro em cada dez libras do orçamento compram serviços da plataforma em vez de tempo de participante. Em amostras muito grandes o efeito acumula-se depressa, e é a queixa recorrente nas avaliações de investigadores.
Concentração geográfica: o painel é mais denso no Reino Unido e nos Estados Unidos. Os participantes fora das regiões principais relatam menor disponibilidade; em avaliações do Trustpilot surge o pedido de que sejam abertas mais atividades a participantes africanos. Se a sua investigação exigir cobertura de regiões sub-representadas, confirme a exequibilidade antes de construir o desenho sobre esse pressuposto.
As estatísticas de qualidade são divulgadas pelo fornecedor: a taxa inicial de aprovação de 55 por cento, a precisão de 98,7 por cento na deteção de texto gerado por IA e o número superior a 300 mil participantes provêm todos de materiais da própria empresa e, tanto quanto mostram as fontes públicas, não foram auditados de forma independente. Encare-os como indicações de tendência e não como referências verificadas.
A capacidade de resposta do apoio ao cliente é criticada de ambos os lados: no Trustpilot a plataforma mantém uma TrustScore de 4,5 em 14 854 avaliações, com 78 por cento de classificações de cinco estrelas e 7 por cento de uma estrela. Dentro da minoria negativa, um tema recorrente é o de que os recursos junto do apoio se revelaram por vezes inúteis na resolução de disputas de pagamento.
Do lado dos participantes o acesso não está aberto a todos: a adesão passa por uma lista de espera e uma fase de verificação; só depois do convite é que a pessoa realiza uma verificação de identidade de cerca de quinze minutos e uma breve tarefa de treino. Os rendimentos são complementares e a disponibilidade de estudos oscila.
Continua a ser necessária uma ferramenta separada para conduzir o estudo: a plataforma recruta e paga, mas não constrói o seu questionário nem a sua experiência. Preveja no orçamento uma plataforma de inquéritos ou experiências, bem como o trabalho de integração para transmitir corretamente identificadores e códigos de conclusão.
A autosseleção continua a ser uma limitação real: todas as pessoas do painel escolheram aderir a uma plataforma de investigação remunerada e têm prática em completar estudos. Os filtros conseguem equilibrar a composição sociodemográfica, mas não eliminam por completo o efeito de profissionalização inerente a qualquer painel permanente.
As condições jurídicas residem fora do sítio principal: a documentação legal não se encontra nos caminhos convencionais; o único ponto de entrada é a página de privacidade e assuntos jurídicos, que remete separadamente para avisos de privacidade, condições legais e informação adicional sobre proteção de dados. Esses documentos estão alojados num espaço externo do Notion, pelo que convém consultá-los diretamente antes de assumir compromissos de conformidade, já que os prazos concretos de conservação e eventuais cláusulas de utilização secundária não são reproduzidos no sítio principal. (a verificar)
Não no sentido de um plano gratuito. Não há mensalidade nem contrato obrigatório para começar, mas cada estudo custa dinheiro porque os participantes são pagos pelo seu tempo e a plataforma cobra uma percentagem por cima. Criar conta e explorar a interface não custa nada; conduzir investigação, sim. Preveja no orçamento tanto a remuneração dos participantes como a comissão da plataforma.
O custo total é a remuneração dos participantes acrescida da comissão da plataforma. Essa comissão é habitualmente de 42,8 por cento para clientes empresariais e de 33,3 por cento para clientes académicos e sem fins lucrativos, aplicada sobre o valor das remunerações. Assim, um estudo que pague no total 700 libras aos participantes custa cerca de 1000 libras numa conta empresarial e cerca de 933 libras numa conta académica. O imposto sobre o valor acrescentado incide apenas sobre a comissão, não sobre as remunerações.
A empresa recomenda que os investigadores paguem pelo menos 9,00 libras / 12,00 dólares por hora, com um limite mínimo absoluto de 6,00 libras / 8,00 dólares. Os ganhos reais dependem inteiramente do número de estudos para os quais cada pessoa é elegível, o que varia consoante as características sociodemográficas e a localização. É mais correto entender isto como rendimento complementar do que como substituto de um emprego; uma análise independente estima que os participantes recebem cerca de 70 por cento do gasto total dos investigadores.
Os pagamentos são feitos em dinheiro através do PayPal. É possível levantar assim que se tenham ganho pelo menos 6 dólares / 6 libras, e a empresa afirma explicitamente que paga sempre em dinheiro, nunca em vales ou pontos. O pagamento é desencadeado pela aprovação da submissão por parte do investigador, razão pela qual a lentidão nas aprovações é uma fonte habitual de frustração.
Regra geral não: trata-se de uma camada de recrutamento e pagamento, não de um criador de inquéritos. O questionário, a experiência ou a tarefa de anotação são alojados na sua própria ferramenta e partilha-se a ligação, transmitindo os identificadores de participante através do URL e redirecionando no final. A exceção são as ferramentas de tarefas de IA da própria plataforma, destinadas a anotação e avaliação de texto.
Através de um sistema em camadas chamado Protocol: verificação de identidade à entrada, deteção contínua de fraude em todo o painel, sinalização automática de submissões implausivelmente rápidas e verificações de autenticidade nas respostas abertas. A empresa indica uma precisão de 98,7 por cento na deteção de texto livre gerado por IA e prevê compensação ao abrigo da 100% Human Guarantee quando as verificações são contornadas. Por serem números do fornecedor, mantenha também as suas próprias verificações de atenção.
Serve também para inteligência artificial, e essa é hoje uma parte importante do negócio. A plataforma fornece dados de preferência, feedback humano, avaliações de segurança e de capacidade, além de anotação especializada que inclui dados de afinação supervisionada e pares de instrução e resposta em mais de 80 idiomas. Publica ainda o HUMAINE, uma classificação de preferências humanas que avalia modelos de fronteira e que foi apresentada como artigo na conferência ICLR 2026.
Sim. Há uma API Human Data documentada para gestão programática de estudos e um servidor MCP que funciona com o Claude Code, o Claude Desktop, o Cursor e outros clientes compatíveis com MCP, permitindo que um agente lance estudos e receba resultados estruturados sem sair do seu fluxo de trabalho. Os resultados podem ser exportados em JSONL para utilização direta em RLHF, DPO e modelação de recompensa.
O painel concentra-se no Reino Unido e nos Estados Unidos, com cobertura apreciável na Europa e noutras regiões, mas com disponibilidade nitidamente menor nos restantes locais. Participantes de algumas zonas referem existirem poucos estudos para os quais sejam elegíveis. Se a sua investigação depender de um país específico ou de um cruzamento sociodemográfico raro, confirme a exequibilidade com as ferramentas de filtragem antes de desenhar o estudo sobre esse pressuposto.
A diferença essencial está na triagem e na política de remuneração. A Prolific verifica a identidade, impõe um limite mínimo de pagamento e oferece numerosos critérios prévios alimentados por dados censitários: a TechCrunch referiu mais de 300 filtros baseados em dados censitários e outras fontes. O Mechanical Turk é mais barato e maior, mas arrasta uma reputação longamente documentada de problemas de atenção e de qualidade dos dados em ambientes de investigação. A escolha resume-se a poupar custos ou a comprar confiança sobre quem efetivamente respondeu.
