Prolific 是一個人類資料的雙邊市場。一端是需要真人回答的研究者、產品團隊與 AI 實驗室，另一端則是數十萬名通過身分核驗、按勞計酬的參與者，他們負責填答問卷、執行行為任務、接受訪談與進行模型評測。官網首頁把承諾寫得相當直白：真實的人類資料，幾分鐘內就能到位。這家公司 2014 年創立，源自牛津大學，總部位於倫敦。
對初次接觸的人來說，最關鍵的一點是：要把它理解成「樣本市場」，而不是「問卷工具」。Prolific 不提供表單編輯器，它提供的是人群池、一整套切分人群的篩選條件、一條付款通道，以及一系列力求確保對面是真實、專注、未重複註冊真人的品質機制。問卷或任務通常託管在別處——Qualtrics、Gorilla、自建網頁應用，或你自己的標註介面——Prolific 負責把符合條件的人帶過來，並為他們付出的時間付費。
平台的重心已明顯位移。它起家於學術心理學與社會科學：當年線上代表性樣本難以取得，而 Mechanical Turk 因參與者敷衍作答而名聲不佳。如今它服務的第二類客戶正逐漸成為主力——採購偏好資料、安全評測、紅隊探測與專家標註的 AI 團隊。放在工具目錄的脈絡裡，最貼切的理解是：Prolific 站在 AI 的供給側，訓練與評判模型所需的人類判斷正是由此而來。
經核驗且可細緻篩選的人群池：官網宣稱擁有 30 萬名以上活躍參與者（廠商口徑）。真正讓這個池子好用的並非規模，而是覆蓋其上的定向層。據 TechCrunch 報導，平台建置了 300 多項以人口普查等來源為基礎的篩選條件，客戶得以更精準鎖定所需樣本。這些前置篩選涵蓋人口統計、職業、健康狀況、語言、裝置持有情形與過往提交紀錄，讓你能逼近全國代表性樣本，而非先到先得。
身分與真實性核驗：品質由平台稱為 Protocol 的體系負責。官方表示 Protocol 執行 40 多項校驗以核實身分，而進入漏斗的申請者中僅約 55% 能通過並開始接案。這些皆屬廠商口徑而非獨立稽核結論，但方向相當明確：這家平台靠「篩掉人」競爭，而不是靠堆人頭。
AI 生成回答辨識：付費調研當前最棘手的品質問題，是參與者把聊天機器人的答案貼進開放式題目。官方稱其專有真實性校驗能以 98.7% 的精度辨識 AI 生成的自由文字，該數字為廠商自報、未見獨立稽核。平台另配有名為「100% Human Guarantee」的商業承諾：若 AI 代理繞過前置校驗，將提供金錢賠付。
面向模型對齊的偏好資料與人類回饋：在 AI 這一側，平台產出用於對齊模型的偏好資料、人類回饋與判斷訊號，並透過人類評測、領域專家核驗與評分標準設計來衡量能力、安全性與品質。這等於把 RLHF 與評測的供應鏈做成可自助下單的產品，而非一紙客製外包合約。
跨語種的專家標註：對於一般群眾做不來的工作，經驗證的領域專家可跨 80 多種語言產出監督微調資料、指令-回應對與專業標註。對需要非英語能力，或需要醫師、律師、工程師、母語者而非泛用勞力的團隊，這點格外關鍵。
HUMAINE 公開評測框架：HUMAINE 是一個以真實使用情境為基礎的人類偏好排行榜，沿推理、溝通風格、核心任務表現、適應性、信任、倫理與安全等維度為前沿模型評分，評測人群涵蓋英美兩地 22 個人口統計群體。該框架已作為會議論文發表於 ICLR 2026，使其成為資料供應商公開產物中方法學檢視較充分的一個。
程式化與智能體介接：除網頁控制台外，官方另提供 Human Data API 與 MCP 伺服器，評測任務可由程式碼觸發，也能由智能體直接發起，無須人工逐一點選。
需要可辯護樣本的學術研究：某位心理學或經濟學研究者需要 400 名年齡性別均衡的英國成年人，各完成一項託管於 Gorilla、約 12 分鐘的任務。設定前置篩選、訂好報酬、貼上任務連結，平台便會把匹配的人送來。可辯護性來自能在方法學章節中把招募方式與報酬水準交代清楚——這是社群媒體便利樣本給不了的。學術折扣費率讓這類研究得以在計畫經費內執行。
模型對齊所需的偏好資料蒐集：AI 團隊需要在數千條提示上對兩個模型輸出做成對比較，且評分者的人口結構要夠分散，而非同質化的外包小隊。他們在平台上完成比較後匯出結果供獎勵模型使用。由於結果可匯出為 JSONL 直接餵入 RLHF、DPO 與獎勵模型訓練，銜接既有訓練管線的路徑相當短。
發布前的安全評測與紅隊探測：在推送模型更新之前，團隊想取得人類對拒答行為、有害內容處理，以及對抗性提示下語氣的判斷。帶評分標準的人類評審能給出自動評測給不了的分數，尤其在態度高高在上、過度拒答、文化不敏感這類主觀維度上。
面向真實顧客的產品與市場研究：產品團隊以篩選後的樣本驗證定位或價格感知——例如近半年在某品類有過購買行為的族群。相較傳統樣本供應商，優勢在於速度與自助；代價則是人群池向特定國家、以及習慣線上任務者傾斜。
以人類偏好為基準的模型比較：團隊想知道的不只是模型在靜態基準上得幾分，而是人們是否更偏好它的回答，以及這種偏好是否因族群而異。HUMAINE 式的評測能揭露單一綜合分數所掩蓋的群體差異。
智能體流程中的人類檢查點：自動化管線在中途暫停向人類提問——以評測分數為發布放行，或把模稜兩可的案例升級交由人處理——取得結果後再繼續執行。這正是 MCP 介接的設計用意，它把人類回饋從排程批次作業變成隨取隨用的呼叫。
註冊研究者帳號並儲值：在 app 子網域自助註冊。平台採隨用隨付：開始使用無須簽約，也無須訂閱。你先儲值，研究上線後從餘額中扣除。
先在別處把任務做好：用你自己的工具寫好問卷、實驗或標註介面，取得可用連結。務必確認它能接收 URL 中傳入的參與者 ID，並在結束時跳轉回完成連結——平台正是靠這個判斷誰完成了任務。
以前置篩選定義樣本：用篩選層圈定目標族群。下單前先確認可行性：過於具體的條件交集會把合格人群壓縮到招募停滯的程度，原本幾分鐘的事可能拖成好幾天。
誠實設定時長與報酬：估算任務真正需要的時間，再據此對照時薪標準定價。低估時長是最常見的自傷——它拉低實際時薪、招來抱怨，也拖慢招募速度。
先跑小批量試辦：先向少數幾人開放。確認資料是否正確落地、完成碼是否有效、指導語是否有歧義。收到 400 份之後才修跳轉錯誤代價高昂，收到 10 份時修則微不足道。
上線、監控並審核提交：資料進來時留意完成時長與開放題品質。請及時審核——參與者是在審核通過後拿到錢的，審核緩慢是高頻抱怨來源。唯有在有據可依、且與事先公告規則掛鉤時才拒絕。
匯出與分析：把資料連同人口統計中繼資訊一併匯出，用於加權或次族群分析，並記錄所使用的招募參數，讓研究得以重現。
照建議價支付，別壓到底線：官方建議參與者時薪不低於 £9.00 / $12.00，平台允許的絕對最低時薪為 £6.00 / $8.00。壓在底線的研究招募更慢，也更容易引來倉促作答。請把建議價當成真正的基準來編預算。
先計時再定價：自己把任務完整做一遍，並為讀得比你更仔細的人預留餘裕。你填報的時長決定實際時薪，而實際時薪決定招募速度。
別隨意疊加篩選條件：每多一項前置篩選，稀缺性就成倍增加。若同時需要三個不常見的屬性，請先查可行性，並做好拉長招募期或加預算的準備。
平台之外仍要自建注意力檢查：平台層級的品質管控能壓制惡意作答，但取代不了量表設計。請加入理解性檢查，並用作答時長分布找出敷衍完成的樣本。
把開放題設計成聊天機器人難以代答的樣子：多問個人化的具體細節、近期真實經歷，或對任務中呈現刺激物的即時反應。空泛的申論題最容易被大型語言模型代筆，也最難查核。
算總帳要含服務費：研究的顯性成本是參與者報酬，但平台費疊加其上。下單前先算總成本；若你符合學術與非營利資格，別忘了折扣級距。
快審核、講清楚：你在參與者之間的口碑會影響招募速度。指導語清楚、審核及時、邊界情況處理公道，後續研究招人會更順。
每次改動都重跑試辦：任何對任務連結、跳轉或完成碼的改動都值得再跑一次小規模試辦，因為這類故障往往靜默發生、代價高昂。
學術研究者：需要在論文中可辯護地描述樣本的心理學、經濟學、語言學與社會科學研究者，平台提供符合倫理審查期待的報酬機制，並對學術與非營利研究給予折扣費率。
AI 實驗室與模型團隊：採購偏好資料、評測分數、安全判斷與專家標註的團隊，尤其是希望找到人群結構分散、立場中立的供應商，而非不透明外包人力池的團隊。
使用者經驗與產品研究者：需要在自有使用者之外驗證概念、比較設計方案或量測理解度的團隊，此類情境對速度的要求高於縱向深度。
市場研究從業者：進行概念測試、價格感知與品牌研究，重視自助速度與成本透明，且能在平台的地域集中度內作業的從業者。
政策與公部門研究者：需要就政策議題取得涵蓋面較廣的公眾意見，且招募透明與報酬公道本身就構成結論可信度一環的團隊。
建置評測管線的工程團隊：希望人類判斷能由程式碼或智能體直接呼叫，而不是當成人工協調旁路流程來安排的開發者。
尋找彈性有償任務的參與者：想找短時、正規、以現金結算、費率清楚且不玩禮品卡把戲之線上任務的族群——前提是接受收入屬補充性質、任務量會有波動。
網頁版應用：研究者與參與者的主要入口，用於研究建置、樣本設定、進度監控、審核與付款。參與者於瀏覽器中接案，並跳轉至外部託管的任務。
Human Data API：具正式文件的程式化介面，可建立與管理研究並回收結果，適合把招募能力嵌入自有系統的團隊。
MCP 伺服器：支援 Claude Code、Claude Desktop、Cursor 以及任何實作 MCP 規範的用戶端，智能體可在流程中途請求人類判斷。官方表示 MCP 工具會被自動探索，無須 SDK 或封裝層。
結構化匯出格式：結果以結構化 JSON 回傳，並可匯出為 JSONL，直接用於 RLHF、DPO 與獎勵模型訓練。
與外部研究工具協作：由於任務託管在別處，平台透過連結跳轉與常見問卷、實驗建置工具協作，而非取而代之。
未見面向研究者的獨立原生行動應用：參與者一般使用行動網頁版，部分任務類型明確要求桌面瀏覽器。（資訊待驗證）
這裡沒有訂閱制，也沒有一般意義上的免費方案——你為研究儲值，為消耗掉的人類時間付費。平台有兩條商業路徑：自助的 Platform 通道，隨用隨付、無月費；以及 Managed Services 通道，由專家主導資料蒐集並配置專責品質保障，逐案報價，通常以工作說明書約定。
自助路徑的成本結構在同類產品中相當透明。企業客戶的平台費通常為 42.8%，學術與非營利客戶則享折扣後的 33.3%，兩者皆疊加於參與者報酬之上。報酬這一側，官方建議時薪不低於 £9.00 / $12.00，平台允許的絕對下限為 £6.00 / $8.00。有一個細節會實質影響機構預算：加值稅僅就平台服務費課徵，參與者報酬部分不計加值稅，這會改變已登記加值稅之機構的實際成本。
參與者側的安排恰好相反，同樣明確：累計收入達 $6/£6 即可由帳戶提領，出金透過 PayPal 以現金形式發放，而非禮品卡或點數。第三方分析估算參與者約可取得研究者總支出的 70%，與公開費率結構大致吻合。企業級與大批量合作採個別報價，未公開具體數字。
Amazon Mechanical Turk：老牌通用群眾外包市場。單份回答更便宜、任務總量大得多，但身分保障較弱，且在研究情境下長期存在作答敷衍的紀錄。
CloudResearch Connect：定位與 Prolific 相近，同樣面向行為科學研究提供經篩選的參與者與甄別工具，常被直接拿來比較單份完成成本與人群組成。
Cint、Dynata 等傳統樣本供應商：規模大得多，更適合大體量的全國代表性消費者研究，尤其在英美之外的市場；但自助程度較低，參與者報酬的透明度通常也不如前者。
Scale AI、Surge AI 等資料供應商：直接面向 AI 實驗室，提供託管標註團隊與客製管線。做大規模、複雜、長週期的標註專案更強；做快速人口定向抽樣與學術式研究則較弱。
User Interviews、Respondent 等使用者研究招募平台：更適合質性研究——面向專業人士或稀缺受眾的有主持人訪談與可用性測試，樣本量小而單人費用高出許多。
平台服務費是最常被詬病的一點：企業客戶 42.8% 的費率，意味著預算中大約每 10 元有 4 元買的是平台服務而非參與者時間。樣本量越大，這部分疊加得越快，也是研究者評價中反覆出現的抱怨。
地域集中度偏高：人群池以英國與美國最為密集。核心區域之外的參與者反映可接任務偏少；Trustpilot 上就有評價建議向非洲參與者開放更多任務。若你的研究需涵蓋樣本稀薄的地區，請在據此設計方案前先驗證可行性。
品質數據皆為廠商自報：55% 的初篩通過率、98.7% 的 AI 文字辨識精度、30 萬以上人群池，全部出自官方素材；就公開資料所見，均未經獨立稽核。請把它們當成方向性說法，而非已驗證的基準。
客服回應在雙邊都受到批評：Trustpilot 上該平台 TrustScore 為 4.5，基於 14,854 則評價，其中五星占 78%、一星占 7%。在負面評價中，反覆出現的主題是處理付款爭議申訴時，客服支援有時無濟於事。
參與者側並非人人可入：加入須經候補名單與驗證環節，獲邀後還要完成約 15 分鐘的身分驗證與一項簡短練習任務。收入屬補充性質，且可接任務量存在波動。
你仍需另備一套工具來執行研究：平台負責招募與付款，不負責建置問卷或實驗。請把問卷／實驗平台的成本，以及正確傳遞 ID 與完成碼的介接工時一併計入預算。
自我選擇偏誤始終存在：池中的每個人都是主動加入付費研究平台的，且對完成研究任務相當熟練。篩選條件能平衡人口結構，卻無法完全消除任何常設樣本庫固有的「職業化受試者」效應。
法務條款不在主站常規路徑下：法務文件並不位於 /privacy 或 /terms 這類直覺路徑，唯一入口是隱私與法務頁面，再由其分別指向隱私通知、法律條款與資料保護補充說明。這些文件託管於外部 Notion 空間，因此在做出合規承諾前請直接查閱原文——具體保存期限與二次利用條款並未在主站行銷頁面上重述。（資訊待驗證）
不行，至少不存在一般意義上的免費方案。開始使用無須訂閱費、也無須簽約，但每一項研究都要花錢，因為參與者的時間要付費，平台還要按比例抽成。註冊帳號、瀏覽介面不用錢；真正執行研究才要花錢。規劃研究前，請把參與者報酬與平台服務費一併納入預算。
總成本等於參與者報酬加平台服務費。企業客戶費率通常為 42.8%，學術與非營利客戶為 33.3%，皆以報酬總額計算。因此一項付給參與者共 700 英鎊的研究，企業帳號總成本約 1000 英鎊，學術帳號約 933 英鎊。加值稅僅就平台服務費課徵，參與者報酬部分不計。
官方建議研究者支付至少 £9.00 / $12.00 時薪，絕對下限為 £6.00 / $8.00。實際收入完全取決於一個人能匹配到多少研究，而這又隨人口特徵與所在地區而變化。把它理解為補充性收入較為恰當，而非取代一份工作；第三方分析估算參與者約可取得研究者總支出的 70%。
以現金形式透過 PayPal 發放。累計收入達 $6/£6 即可提領，官方明確表示始終支付現金，不發禮品卡或點數。研究者審核提交後才會觸發付款，這也是審核緩慢成為參與者高頻不滿來源的原因。
一般不行——它是招募與付款層，不是問卷建置工具。你需要在自己的工具中託管問卷、實驗或標註任務並分享連結，透過 URL 傳遞參與者 ID，並在完成時跳轉回來。例外是平台自帶、面向文字標註與評測工作的 AI 任務工具。
靠它稱為 Protocol 的分層體系：入池時做身分核驗，持續於全池範圍執行詐欺偵測，自動標記快得不合理的提交，並對開放題進行真實性校驗。官方稱辨識 AI 生成自由文字的精度為 98.7%，並以「100% Human Guarantee」承諾在校驗被繞過時給予賠付。這些皆為廠商口徑，請同時保留你自己的注意力檢查。
也能做 AI 訓練與評測，而且這已是主要業務的重要一環。平台提供偏好資料、人類回饋、安全與能力評測，以及包含監督微調資料與指令-回應對在內、跨 80 多種語言的專家標註。它還發布了評估前沿模型的人類偏好榜單 HUMAINE，該框架已作為會議論文發表於 ICLR 2026。
有。官方提供用於程式化管理研究的 Human Data API，以及支援 Claude Code、Claude Desktop、Cursor 等 MCP 相容用戶端的 MCP 伺服器，智能體無須離開自身工作流即可發起研究並接收結構化結果。結果可匯出為 JSONL，直接用於 RLHF、DPO 與獎勵模型訓練。
人群池集中於英國與美國，在歐洲及其他地區亦有一定覆蓋，但可接任務量明顯較稀薄。部分地區的參與者反映能匹配到的研究很少。若你的研究倚賴特定國家或罕見的人群條件交集，請先用篩選工具核驗可行性，再據此設計方案。
核心差異在於甄別機制與報酬政策。Prolific 核驗身分、設定報酬下限，並提供大量以人口普查資訊為基礎的前置篩選——TechCrunch 曾提到其建置了 300 多項以人口普查等來源為基礎的篩選條件。Mechanical Turk 更便宜、體量更大，但在研究情境下長期存在作答專注度與資料品質問題。取捨在於：是省成本，還是要對「究竟是誰作答」更有把握。
