Attention checks w ankietach online: co jeszcze działa

Andrzej Szymkowiak · Ostatnia aktualizacja: lipiec 2026

TL;DR: Użyj dwóch warstw attention checks, a nie jednej pozycji „zaznacz pięć". Doświadczeni respondenci panelowi rozpoznają klasyczną kontrolę, a w jednym badaniu około 61% niepowodzeń na niej było celową odmową, nie brakiem uwagi (Silber, Roßmann, & Gummer, 2022). Dodaj bogus item ukrytą w skali i dopasowaną do jej pozycji ("Na Księżycu zbudowano linię metra", poprawna odpowiedź zdecydowanie się nie zgadzam). Ustal reguły wykluczenia przed zbieraniem danych. Na Prolific w badaniu trwającym pięć minut lub dłużej odrzucić możesz dopiero po więcej niż jednej niezdanej kontroli.

Otwierasz plik z danymi i 30 z twoich 400 respondentów ukończyło 12-minutową ankietę w mniej niż 4 minuty, wszyscy przechodząc twoją jedną pozycję „proszę zaznaczyć 'zgadzam się'". Czy twój attention check zadziałał? Ten przewodnik omawia, czym jest nieuważne odpowiadanie (careless responding), które kontrole wciąż je wykrywają w 2026 roku, dlaczego standardowe tracą siłę, oraz projekt, którego sam używam w swoich badaniach: zakamuflowaną bogus item, której nie da się przejść bez czytania. Kończy się zasadami platformy — co wolno, a czego nie wolno odrzucać na Prolific — i gotowym do adaptacji przykładem.

Czym naprawdę jest nieuważne odpowiadanie

Nieuważne odpowiadanie (careless, albo „insufficient effort" responding) oznacza odpowiadanie bez czytania — przeskakiwanie wzrokiem, klikanie wzorców albo pozwolenie, by robił to bot. Przyjmuje dwie różne formy: odpowiadanie losowe, które dodaje szum, oraz odpowiadanie nielosowe, takie jak straightlining, które może zniekształcić korelacje i uszkodzić strukturę czynnikową (Meade & Craig, 2012). Nawet umiarkowany odsetek nieuważnych respondentów może zmienić merytoryczne wnioski, dlatego skrining stał się standardową praktyką; aktualnym punktem odniesienia dla całej dziedziny jest przegląd Annual Review autorstwa Ward i Meade (2023).

Narzędzia detekcji dzielą się na dwie rodziny:

Żadna z rodzin nie wystarcza sama w sobie. Najnowsze badania eksperymentalne wykazały, że wskaźniki pośrednie — zwłaszcza spójność wewnątrzosobowa — często dorównują lub przewyższają pozycje bezpośrednie (Goldammer et al., 2024), więc dobry plan skriningu łączy obie.

Problem: respondenci nauczyli się klasycznych kontroli

Respondenci paneli online nie są naiwni. Częsti uczestnicy widzieli powszechne paradygmaty i miary wielokrotnie (Chandler, Mueller, & Paolacci, 2014), a próby z platform panelowych rutynowo wypadają lepiej niż uniwersyteckie panele badawcze na attention checks — nawet na nowatorskich kontrolach, których wcześniej nie mogli widzieć, co odzwierciedla naprawdę wyższą przeciętną uważność w tych próbach (Hauser & Schwarz, 2016). Zaznajomienie z powtarzanymi kontrolami to osobny, realny problem.

Dwa niedawne odkrycia doprecyzowują ten obraz. Po pierwsze, gdy badacze przeanalizowali niepowodzenia na klasycznej instructed-response item, około 61% wyglądało na celowe niedostosowanie się — respondentów, którzy rozpoznali kontrolę i wybrali niepodążanie za instrukcją — a nie na prawdziwy brak uwagi (Silber, Roßmann, & Gummer, 2022). Trywialna kontrola, którą doświadczeni respondenci rozpoznają po samym kształcie, mierzy uległość, nie uwagę. Po drugie, duże porównanie typów kontroli wykazało, że ich użyteczność różni się ogromnie, i zarekomendowało preferowanie kontroli pamięciowych oraz opartych na oczywistej odpowiedzi nad formatami takimi jak klasyczny instructional manipulation check (Perfecto & O'Donnell, 2026).

Wniosek nie brzmi „porzuć attention checks". Brzmi: nie pozwól, by wszystkie twoje kontrole wyglądały jak kontrole.

Kontrola, której nie da się przejść bez czytania

Projekt, którego używam w moich własnych badaniach, dodaje drugą warstwę obok standardowej instructed-response item: bogus item zakamuflowaną wewnątrz skali. Stwierdzenie jest oczywiście fałszywe dla każdego — bez wiedzy uprzedniej, bez dwuznaczności:

Na Księżycu zbudowano linię metra.

Jedyną obronną odpowiedzią jest zdecydowanie się nie zgadzam (albo na pewno nie). To, co sprawia, że pozycja działa, to nie samo stwierdzenie — to kamuflaż:

• Dopasuj format. Bogus item siedzi wewnątrz siatki Likerta, używa tej samej skali odpowiedzi i pasuje do sąsiednich pozycji długością oraz konstrukcją gramatyczną. Jednowierszowy absurd między dwuwierszowymi pozycjami postawy łatwo dostrzec; dopasowany — nie.
• Dopasuj pozycję. Umieść ją w środku ankiety, wewnątrz bloku prawdziwych pozycji — nie na początku, nie na końcu, nie samotnie na stronie. Jedno zastrzeżenie: wytyczne Prolific preferują kontrole blisko początku badania, gdy są podstawą do odrzucenia płatności, więc zakamuflowaną kontrolę w środku ankiety najlepiej traktować jako kryterium wykluczenia z analizy (respondent zostaje opłacony, ale usunięty z analizy), a nie jako podstawę odrzucenia płatności.
• Uczyń ją uniwersalnie fałszywą. Stwierdzenie musi nie wymagać ani wiedzy, ani osądu. „Nigdy nie korzystałem z internetu" działa w ankiecie online; „Stolicą Australii jest Sydney" nie działa (to pytanie wiedzowe, a platformy nie zaakceptują go jako attention check).
• Uważaj na punkt środkowy. Jeśli twoja skala oferuje neutralną opcję środkową, nieuważny, ale ostrożny respondent może ją wybrać, by uniknąć wykrycia. Polityka Prolific wyraźnie wymaga, by pozycje bez sensu użyte do odrzucenia płatności nie miały obronnej neutralnej odpowiedzi — więc albo użyj skali odpowiedzi, gdzie poprawna odpowiedź jest jednoznaczna, albo traktuj odpowiedzi środkowe jako flagę do przeglądu, nie automatyczne odrzucenie.

Punktuj bogus item osobno Punktuj bogus item osobno i usuń ją ze skali. To pozycja skriningowa, nie wskaźnik twojego konstruktu — nigdy nie pozwól, by weszła do kompozytu albo ładowała się na czynnik w CFA czy innym modelu pomiarowym. (To też zapobiega przypadkowemu potraktowaniu jej jako pozycji odwróconej.)

Uczciwy stan dowodów: nie ma jeszcze dedykowanego eksperymentu head-to-head porównującego kontrole zakamuflowane z jawnie trywialnymi. Rekomendacja jest wnioskiem: ukryte kontrole są zalecane nad jawnymi (Muszyński, 2023), celowe niedostosowanie się pokazuje, że rozpoznawalne kontrole przestają mierzyć uwagę (Silber et al., 2022), a format pozycji wyraźnie ma znaczenie dla detekcji (Goldammer et al., 2024). W moich własnych badaniach używam tego jako jednej z kilku warstw: pozycje attention check plus kryteria czasu i wariancji, z wykluczeniami zaraportowanymi w pracy (Szymkowiak & Antoniak, 2024; Szaban, Szymkowiak, & Zdziennicka, 2025).

Ustal reguły, zanim napłyną dane

Reguły wykluczenia zdefiniowane po zobaczeniu danych to „ogród rozwidlających się ścieżek" (garden of forking paths — dokonywanie wielu drobnych, pozornie obronnych wyborów, aż wynik stanie się istotny): każdy drobny wybór wygląda niewinnie, ale przy wystarczającej swobodzie decyzyjnej możesz „wyczyścić" sobie drogę do istotności. Trzy reguły utrzymują skrining uczciwym:

1. Zapisz kryteria przed zbieraniem danych — które kontrole, ile niepowodzeń, jaki próg czasu, co dzieje się z granicznymi przypadkami oznaczonymi flagą. Progi czasowe powinny pochodzić z pilotażu (na przykład 40% mediany z pilotażu), nie z odgadywania.
2. Zaraportuj skrining w pracy — ilu wykluczono, według jakiego kryterium, w jakiej kolejności. Moje własne badania raportują liczby wykluczeń dla każdego kryterium (np. Szaban, Szymkowiak, & Chwialkowska, 2025), a recenzenci coraz częściej oczekują takiego poziomu szczegółowości.
3. Wiedz, że wykluczenie to analiza, nie porządki. Wykluczanie uczestników może obciążyć oszacowanie efektu eksperymentalnego, gdy uważność wiąże się z warunkiem lub wynikiem (Mathur, 2025). Jednocześnie całkowite ignorowanie uwagi może ukryć realne efekty (Roth & Yakobi, 2024). Obronny środek: reguły ustalone z góry, analizy wrażliwości z wykluczeniami i bez nich, oraz brak wymyślania reguł po zobaczeniu wyników.

Jedną starszą obawę można częściowo odłożyć: dwa badania nie znalazły dowodów, że obecność attention checks zniekształca średnie w skalach albo strukturę pomiaru (Kung, Kwok, & Brown, 2018), choć podpowiedzi dotyczące uwagi mogą w niektórych grupach popychać w stronę odpowiedzi społecznie pożądanych (Clifford & Jerit, 2015). Kontrole wbudowane po cichu w skale nie wprowadzają żadnej podpowiedzi, co omija ten problem — kolejny argument za kamuflażem zamiast konfrontacji. Ta sama logika projektowania na pierwszym miejscu dotyczy też method bias: najważniejsze środki zaradcze stosuje się przed zbieraniem danych, nie po nim — zobacz common method bias: lepiej zapobiegać niż wykrywać →.

Co wolno odrzucić na Prolific (a czego nie wolno)

Zasady platformy są częścią metody. Aktualna polityka Prolific (centrum pomocy dla badaczy, stan na lipiec 2026) pozwala odrzucić płatność dokładnie za dwa typy attention checks: instructed-response items oraz pozycje bez sensu (bogus) z obiektywnie poprawną odpowiedzią. Kontrole zrozumienia, pytania pamięciowe i pozycje subiektywne nie są ważną podstawą odrzucenia — a w imię uczciwości nie powinieneś odrzucać na podstawie kryteriów, o których uczestnicy nigdy nie zostali poinformowani. Dla badań trwających pięć minut lub dłużej uczestnik musi nie przejść więcej niż jednej kontroli, zanim będzie można go odrzucić; poniżej pięciu minut wystarczy jedno niepowodzenie. Jeśli rekrutujesz przez Prolific, wbuduj te reguły w badanie przed uruchomieniem — odrzucenie łamiące politykę i tak kosztuje cię opłatę, plus odwołanie, plus twoją ocenę reputacji. Zaplanuj budżet też na wykluczenia: jeśli spodziewasz się usunąć 5–10%, rekrutuj powyżej wielkości próby, jakiej potrzebuje twoja analiza.

Przykład konfiguracji

12-minutowa ankieta konsumencka z dwoma blokami skal Likerta, docelowe N = 400:

1. Jedna instructed-response item wcześnie ("Dla kontroli jakości, proszę zaznaczyć 'raczej się nie zgadzam' dla tego stwierdzenia.") — standardowa warstwa.
2. Jedna zakamuflowana bogus item w środku ankiety, wewnątrz drugiego bloku skali, dopasowana długością i formatem ("Na Księżycu zbudowano linię metra.").
3. Kryterium czasowe ustalone na podstawie pilotażu: oznacz flagą ukończenia szybsze niż, na przykład, 40% mediany z pilotażu.
4. Kryterium wariancji: oznacz flagą bloki skal o zerowej wariancji (straightlined).
5. Reguła decyzyjna, ustalona z góry: domyślna ścieżka — zapłać wszystkim i wyklucz z analizy każdego, kto nie przejdzie obu wbudowanych kontroli albo nie przejdzie jednej i dodatkowo uruchomi flagę czasu/wariancji. To czystsza opcja, która omija zastrzeżenie dotyczące umiejscowienia opisane wyżej: ponieważ bogus item siedzi w środku ankiety, a nie blisko początku, bezpieczniej traktować ją jako kryterium wykluczenia z analizy niż jako podstawę odrzucenia płatności. Surowszy wariant, którego niektóre zespoły używają, zgodny z polityką Prolific: odrzuć płatność respondentom, którzy nie przejdą obu wbudowanych kontroli (dwa niepowodzenia, co jest zgodne z polityką dla badania tej długości). Używaj tego wariantu ostrożnie i dokumentuj go jasno, ponieważ zależy od spełnienia wymogów platformy dotyczących umiejscowienia i wielokrotnego niepowodzenia. Wszystkie liczby są tak czy inaczej raportowane w pracy.

Zdanie do sekcji metody, gotowe do adaptacji:

Jakość danych sprawdzono za pomocą dwóch wbudowanych attention checks (jednej instructed-response item i jednej bogus item), kryterium czasu ukończenia ustalonego na 40% mediany z pilotażu oraz kryterium zerowej wariancji dla bloków skal; wszystkie reguły zdefiniowano przed zbieraniem danych. Spośród 431 uczestników 12 nie przeszło obu wbudowanych kontroli, a kolejnych 19 spełniło co najmniej jedno kryterium wykluczenia; wszystkich 31 opłacono i usunięto z analizy, pozostawiając N = 400.

Częste błędy, których należy unikać

• Poleganie na jednej pozycji „zaznacz X" — doświadczeni respondenci ją rozpoznają, a część celowo jej nie przechodzi.
• Używanie podchwytliwych, pamięciowych albo wiedzowych pytań jako kontroli — mierzą nie to, co trzeba, i łamią polityki platform dotyczące odrzucania płatności.
• Pisanie reguł wykluczenia po zobaczeniu danych — to stopień swobody badacza, nie kontrola jakości.
• Odrzucanie płatności za niepowodzenia, których twoja platforma nie akceptuje jako podstawy (kontrole zrozumienia, jedno niepowodzenie w długim badaniu).
• Danie bogus item obronnej odpowiedzi środkowej, a potem odrzucanie respondentów, którzy ją wybrali.
• Piętrzenie tak wielu kontroli, że uważni respondenci czują się obserwowani zamiast obdarzeni zaufaniem — kontrole też komunikują nieufność.

Najczęściej zadawane pytania

References

Chandler, J., Mueller, P., & Paolacci, G. (2014). Nonnaïveté among Amazon Mechanical Turk workers: Consequences and solutions for behavioral researchers. Behavior Research Methods, 46(1), 112–130. https://doi.org/10.3758/s13428-013-0365-7

Clifford, S., & Jerit, J. (2015). Do attempts to improve respondent attention increase social desirability bias? Public Opinion Quarterly, 79(3), 790–802. https://doi.org/10.1093/poq/nfv027

Goldammer, P., Stöckli, P. L., Escher, Y. A., Annen, H., Jonas, K., & Antonakis, J. (2024). Careless responding detection revisited: Accuracy of direct and indirect measures. Behavior Research Methods, 56(8), 8422–8449. https://doi.org/10.3758/s13428-024-02484-3

Hauser, D. J., & Schwarz, N. (2016). Attentive Turkers: MTurk participants perform better on online attention checks than do subject pool participants. Behavior Research Methods, 48(1), 400–407. https://doi.org/10.3758/s13428-015-0578-z

Kung, F. Y. H., Kwok, N., & Brown, D. J. (2018). Are attention check questions a threat to scale validity? Applied Psychology, 67(2), 264–283. https://doi.org/10.1111/apps.12108

Mathur, M. B. (2025). On the statistical analysis of studies with attention checks. Advances in Methods and Practices in Psychological Science, 8(2). https://doi.org/10.1177/25152459251338041

Meade, A. W., & Craig, S. B. (2012). Identifying careless responses in survey data. Psychological Methods, 17(3), 437–455. https://doi.org/10.1037/a0028085

Muszyński, M. (2023). Attention checks and how to use them: Review and practical recommendations. Ask: Research and Methods, 32(1), 3–38. https://doi.org/10.18061/ask.v32i1.0001

Perfecto, H., & O'Donnell, M. (2026). The use and usefulness of attention checks in behavioral research. Journal of Consumer Research, 53(1), 182–200. https://doi.org/10.1093/jcr/ucaf058

Roth, Y., & Yakobi, O. (2024). Attention! Do we really need attention checks? Journal of Behavioral Decision Making, 37(2), e2377. https://doi.org/10.1002/bdm.2377

Silber, H., Roßmann, J., & Gummer, T. (2022). The issue of noncompliance in attention check questions: False positives in instructed response items. Field Methods, 34(4), 346–360. https://doi.org/10.1177/1525822X221115830

Szaban, M., Szymkowiak, A., & Chwialkowska, A. (2025). Breaking barriers: Navigating the stages of the green consumer journey. Environment, Development and Sustainability, 28(5), 13087–13124. https://doi.org/10.1007/s10668-025-06795-z

Szaban, M., Szymkowiak, A., & Zdziennicka, A. (2025). Unpacking consumer price perceptions: The role of sustainability and ethical labels in the cosmetics market. Journal of Cleaner Production, 490, 144730. https://doi.org/10.1016/j.jclepro.2025.144730

Szymkowiak, A., & Antoniak, M. A. (2024). Eco-endorsement dynamics: Unraveling the influence of celebrity attitudes on eco-product perceptions and purchase decisions. International Journal of Wine Business Research, 36(3), 453–472. https://doi.org/10.1108/IJWBR-11-2023-0068

Ward, M. K., & Meade, A. W. (2023). Dealing with careless responding in survey data: Prevention, identification, and recommended best practices. Annual Review of Psychology, 74, 577–596. https://doi.org/10.1146/annurev-psych-040422-045007

Jak Explonia robi to za ciebie

W Explonii attention checks to zwykłe pozycje: umieszczasz instructed-response lub bogus item wewnątrz dowolnego bloku skali, a ona automatycznie dziedziczy skalę odpowiedzi i układ tego bloku — kamuflaż zalecany w tym artykule, bez żadnego specjalnego widgetu, który by ją zdradzał. Screen-outy, limity odpowiedzi i czasy ukończenia per respondent są wbudowane, więc twoje prerejestrowane reguły wykluczenia można zastosować i zaraportować przejrzyście na etapie analizy. Jeśli piszesz własne pozycje, sprawdź najpierw przewodnik po pisaniu pozycji i zobacz demo ze screen-outem w galerii. Funkcja „Article description" przygotowuje twój akapit wyników z finalnego, przesianego zbioru danych — ty pozostajesz autorem i edytujesz każde słowo.

Gotowy, by zebrać dane, których będziesz mógł bronić? Zbuduj ankietę z wbudowanymi attention checks i screen-outami w Explonii. Zacznij za darmo →