Let’s Talk aBOT Scam Online Survey Completions in Health Behavior Research: Tutorial With Case Studies, Practical Guidance, and a Checklist for Researchers
Notice bibliographique
Résumé
BACKGROUND: Online data collection can reach large populations efficiently and cost-effectively. However, the increase in bots and scammers (ie, person- or software-based fraudulent completions) completing online surveys raises data integrity issues and wastes scarce research resources. OBJECTIVE: This paper aims to describe case studies and experiences in which bot or scam completions of online surveys occurred within the health behavior field (specifically physical activity and nutrition). Lessons learned and a checklist of strategies to assist researchers before, during, and after data collection to reduce the incidence of and identify bot or scam completions are provided. METHODS: Four diverse case studies are presented from studies that used online recruitment and data collection methods for cross-sectional surveys by parents about children's screen time, cross-sectional surveys by adults about transport-related physical activity, qualitative interviews for a proposed trauma-informed physical activity program for female victim-survivors of intimate partner violence, and the Australian component of a large multicountry prospective study targeting university students. The strategies used to identify and prevent bot or scam online survey completions are explored. RESULTS: High levels (7%-80%) of suspected bot or scam completions were identified in a number of these studies. Participant characteristics and outcome variables were significantly different between included and excluded participants (eg, excluded responses had a higher percentage of male parents and children, higher social media use, and lower physical activity guideline adherence). The learnings from these case studies and the wider literature are combined to create a checklist of strategies that researchers can use to prevent and identify bot or scam completions. These include strategies before data collection (when creating study collateral), during survey design and development (including the use of inbuilt platform functions and the design of the survey questions and structure), following data collection (indicators of potential bot or scam completions), and recommendations for reporting of bots or scams. CONCLUSIONS: The checklist, based on the included case studies and wider literature, can be used to help researchers who use online recruitment and data collection methods at each stage, from planning and conducting through to analyzing and reporting their findings. Researchers should include several steps to prevent and identify fraudulent survey responses when creating surveys and completing data cleaning. This checklist should also be considered in grant applications and ethics applications. This will provide greater confidence in the research findings and reduce unnecessary waste of research time and resources.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,075 | 0,086 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,008 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».