通过机器学习检测不注意的受访者:一种通用技术,可以取代定向问题的比例,并弥补其缺陷
1Graduate School of Business Sciences, University of Tsukuba, 3-29-1, Otsuka, Bunkyo-ku, Tokyo, 112-0012, Japan. koken@gssm.otsuka.tsukuba.ac.jp.
Behavior research methods
|April 8, 2024
概括
本研究引入了一种机器学习方法,用于检测网络调查中不注意的受访者. 它使用响应时间和利克特尺度,为心理研究数据质量提供一种通用和准确的方法.
科学领域:
- 心理学研究 心理学研究
- 数据科学数据科学数据科学
- 调查方法 调查方法
背景情况:
- 网络调查对心理学研究至关重要,但受访者注意力不集中.
- 现有的检测方法通常需要额外的调查项目或复杂的收集后分析.
- 需要有效和普遍适用的方法来确保数据完整性.
研究的目的:
- 开发一种基于机器学习的新方法,用于在网络调查中检测不注意的受访者.
- 创建一个适用于不同问卷的通用模型,与以前的调查特定方法不同.
- 提高在线研究中识别不可靠数据的准确性和效率.
主要方法:
- 利用机器学习算法训练了来自16个网络调查的数据.
- 纳入响应时间和利克尔特尺度数据作为预测变量.
- 开发了适用于任何网络调查的通用模型,包括响应时间和利克特尺度数据.
主要成果:
- 拟议的方法有效地检测不注意的受访者,仅使用响应时间和利克特尺度数据.
- 开发的机器学习模型证明了在不同类型的调查中具有普遍性.
- 与现有的检测技术相比,新方法实现了部分更高的准确性.
结论:
- 这种机器学习方法为在网上调查中识别不注意的受访者提供了实用和高效的解决方案.
- 该模型的通用性增强了它在各种心理研究环境中的实用性.
- 这些发现表明,在确保网络调查数据的质量和可靠性方面取得了重大进展.
