Securing Web-Based Surveys: A Three-Stage Strategy for Detecting and Preventing Fraudulent Human and Automated Responses
Notice bibliographique
Résumé
Web-based surveys are efficient and cost-effective methods to collect data from diverse, large, and geographically dispersed populations. They overcome the physical and logistical barriers of in-person or paper-based data collection, enabling broad, rapid, and inclusive participation across geographic and demographic boundaries. However, the increasing automation of online environments exposes these surveys to threats from bots, duplicate entries, and fraudulent responses that can compromise data integrity and study validity. This method-focused paper presents a comprehensive strategy for minimizing these risks through three interrelated stages: Design and Testing, Data Collection, and Data Cleaning and Validation. The structure integrates technical solutions and strategic research design principles to prevent, detect, and remediate survey fraud while safeguarding participant privacy and accessibility. Key preventive measures include eligibility screening, geofencing, device fingerprinting, CAPTCHA implementation, and honeypot traps during instrument design and testing. Real-time monitoring employs personalized survey links, traffic pattern analysis, and consistency checks to identify anomalous behavior during the data collection stage. In the last stage after data collection, rigorous data cleaning involves automated rule-based filters, manual adjudication of suspicious responses, and reliance on composite fraud scoring models to ensure the inclusion of high-quality, bot-free data for analysis. By synthesizing current best practices and emerging challenges, this work provides a practical guide for researchers designing and conducting secure web-based surveys in increasingly complex and adversarial digital environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».