Onde Recrutar Participantes de Pesquisa (e o Que Pode Dar Errado)

Andrzej Szymkowiak · Última revisão: agosto de 2026

Resumo: Na prática, pesquisadores quantitativos recrutam em seis lugares: painéis acadêmicos como o Prolific, MTurk, postagens em redes sociais, bola de neve através da própria rede, pools de disciplinas universitárias e listas de clientes. Cada um compra velocidade e abre mão de algo diferente. O risco não é teórico: um estudo de saúde que recrutou no Twitter e no Facebook recebeu 271 pesquisas completas em 7 horas e classificou 94.5% delas como fraudulentas (Pozzar et al., 2020). Nenhuma fonte remove as duas limitações que valem para as seis - nenhuma delas é uma amostra probabilística de uma população geral, e nenhuma delas cobre pessoas que não estão on-line.

Um doutorando me pergunta onde conseguir 400 respondentes até o fim do mês. A resposta honesta é que a pergunta não tem um único vencedor, apenas trocas (trade-offs) que você precisa nomear na sua seção de Método. Este artigo mapeia as fontes, indica o que cada uma pode e não pode sustentar, e mostra o trabalho de verificação que precisa acontecer qualquer que seja a fonte escolhida.

Onde os pesquisadores realmente recrutam participantes?

As seis fontes abaixo cobrem quase tudo o que vejo na pesquisa de consumo e de gestão. Leia primeiro a última coluna: ela indica que tipo de alegação a fonte pode sustentar.

"Custo quase zero" é uma armadilha nesta tabela. Um estudo de bola de neve que leva seis semanas e produz 180 respostas inutilizáveis é mais caro do que um estudo de painel que leva três dias, quando o seu próprio tempo é contado.

MTurk: minha leitura honesta do risco

O Amazon Mechanical Turk foi o padrão durante uma década, e é aqui que preciso ser explícito sobre a diferença entre evidência e julgamento.

A evidência publicada é real, mas limitada. Chmielewski e Kucker (2020) documentaram uma queda acentuada na qualidade dos dados do MTurk a partir do verão de 2018: mais falhas em indicadores de validade de resposta, menor confiabilidade e validade para uma medida de personalidade amplamente usada, e falhas em replicar achados bem estabelecidos. Kennedy e colegas (2020) rastrearam parte do problema até respondentes que acessavam os estudos por meio de servidores privados virtuais, mostraram que essa fraude cresceu, e constataram que esses respondentes produzem dados de qualidade particularmente baixa, capazes de enfraquecer efeitos de tratamento. Os dois artigos terminam de forma construtiva: os autores mostram que a triagem de validade de resposta e as ferramentas de detecção de fraude mitigam boa parte do efeito.

O que vem a seguir é meu julgamento pessoal, não um fato estabelecido. Certa vez, apliquei um estudo no MTurk e os resultados estavam tão distantes de hipóteses bem fundamentadas que não confiei neles. Repeti o mesmo estudo no Prolific, com o mesmo questionário e o mesmo desenho. Os dados do Prolific contaram uma história coerente. Uma anedota não é evidência, e não posso descartar que algo mais tenha mudado entre as duas ondas - por isso a ofereço como o motivo pelo qual hoje parto de uma plataforma diferente, não como um achado. Ela se soma a uma comparação publicada que aponta na mesma direção (Peer et al., 2022).

O mesmo julgamento aparece na revisão por pares. Na minha própria experiência, tanto como autor recebendo pareceres quanto como revisor de periódicos de pesquisa de consumo e marketing, uma amostra do MTurk atrai escrutínio imediato hoje em dia. Já vi a pergunta "por que MTurk?" aparecer em pareceres em que uma amostra do Prolific no mesmo desenho não atraiu nenhum comentário. Quando avalio um manuscrito com dados do MTurk, leio a seção de qualidade dos dados antes das hipóteses. Esse é um viés sobre uma plataforma, e o assumo como meu. Outros revisores discordarão, e bons periódicos ainda publicam estudos com MTurk.

A conclusão prática é sobre risco, não proibição. Se você usar o MTurk para pesquisa de consumo de nível publicável, carrega um ônus extra: qualificações de trabalhador definidas com antecedência, vários indicadores de qualidade independentes, um pipeline de triagem documentado e contagens de exclusão relatadas por critério. Se você não pode arcar com esse ônus, o mesmo dinheiro em um painel acadêmico geralmente significa menos perguntas na revisão. Note também que amostras via crowdsourcing nunca foram um atalho para a representatividade, para começo de conversa - Goodman e Paolacci (2017) explicaram o que o crowdsourcing pode e não pode entregar para a pesquisa de consumo bem antes do declínio de qualidade.

Prolific e painéis acadêmicos: o padrão atual, não uma cura

O Prolific e painéis acadêmicos comparáveis se tornaram o padrão para muitas equipes, por boas razões. Peer et al. (2022) compararam três plataformas de autoatendimento (MTurk, CloudResearch, Prolific) com dois painéis de pesquisa de mercado (Qualtrics, Dynata) quanto à qualidade dos dados: o Prolific obteve a pontuação mais alta em atenção, compreensão, honestidade e confiabilidade, e o MTurk obteve a mais baixa mesmo após filtros de qualidade. Verificação de identidade, uma conta por pessoa, pré-triagens demográficas integradas e normas de pagamento justo aplicadas eliminam vários modos de falha antes mesmo de a sua pesquisa abrir.

Mas não eliminam todos. Os membros de painéis são respondentes experientes: muitos deles já viram uma verificação como a sua antes, sabem como as triagens funcionam, e uma parte deles é efetivamente formada por participantes profissionais. Pague pouco demais e você atrairá os clicadores mais rápidos, não os leitores mais cuidadosos. Nada disso torna os painéis inutilizáveis. Isso faz das verificações de atenção e dos critérios de tempo parte do desenho, não um extra opcional.

Para a mecânica de montar um estudo com painel - triagens, pagamento justo, regras de rejeição e quantas pessoas recrutar - veja como recrutar participantes no Prolific. Antes de se comprometer, insira o seu tempo de conclusão e o N alvo na calculadora de custo do Prolific para que o orçamento seja um número em vez de uma esperança, e fixe essa meta com um cálculo a priori do tamanho da amostra em vez de uma regra de bolso.

Amostras de conveniência: não são um pecado, mas as não identificadas são

Uma amostra de conveniência é uma amostra de quem estava acessível: estudantes da sua disciplina, pessoas que viram sua postagem, membros de painel que por acaso estavam on-line. Quase todo estudo on-line é um desses. A amostragem probabilística a partir de um marco amostral definido é rara fora das estatísticas oficiais, e o grupo de trabalho da AAPOR sobre amostragem não probabilística deixou claro o que muda quando você sai desse marco: a inferência deixa de ser baseada em desenho e passa a depender de um modelo que você precisa declarar e defender (Baker et al., 2013). Painéis on-line com base probabilística de fato existem, recrutados off-line a partir de um registro populacional, mas são raros e caros, e nenhuma das seis fontes acima é um deles.

Portanto, a amostragem de conveniência não é o problema. A amostragem de conveniência silenciosa é. Três hábitos a mantêm honesta:

1. Descreva como as pessoas de fato chegaram à pesquisa, em uma ou duas frases, incluindo o canal e o incentivo.
2. Ajuste a alegação à amostra. "Entre compradores on-line poloneses de 18 a 35 anos recrutados por meio de um painel sediado no Reino Unido" é um escopo defensável. "Entre os consumidores" não é.
3. Diga o que a amostra sobrerrepresenta. Se 78% dos seus respondentes têm diploma universitário, isso pertence à descrição da amostra, não apenas à tabela do apêndice.

O problema WEIRD, e o limite que todo estudo on-line compartilha

Henrich, Heine e Norenzayan (2010) deram nome a esse padrão: a maior parte da ciência comportamental se apoia em amostras WEIRD, ou seja, ocidentais, educadas, industrializadas, ricas e democráticas (Western, Educated, Industrialized, Rich, Democratic). O argumento deles se apoia em parte na contagem de Arnett (2008) sobre amostras publicadas em seis dos principais periódicos da APA: 96% vinham de países ocidentais industrializados, que abrigam cerca de 12% da população mundial, e 68% vinham apenas dos Estados Unidos. A pesquisa de consumo herda o mesmo viés, e os painéis on-line o acentuam: os membros de painel são mais urbanos, mais educados e mais ligados a profissões de colarinho branco do que as populações para as quais generalizamos.

Existem duas respostas honestas, e elas não são alternativas entre si.

A primeira é amostrar de forma mais deliberada. Coletar em vários países em vez de um só, definir cotas de escolaridade e idade em vez de aceitar quem chega primeiro, e tratar dados entre países como uma chance de testar a invariância de medida em vez de simplesmente agrupar tudo. Isso custa dinheiro e tempo de campo, e é exatamente por isso que é raro.

A segunda é limitar a alegação à população que você de fato alcançou. Um estudo com 300 membros de painel poloneses diz algo sobre membros de painel poloneses. Escrito dessa forma, é uma contribuição. Escrito como uma afirmação sobre consumidores em geral, é um exagero que um revisor vai identificar.

Uma metalimitação se aplica a todas as linhas da tabela acima, incluindo as boas. Coletar dados on-line exclui todos que não estão on-line, e sub-representa pessoas que estão on-line mas não entram em painéis: respondentes mais velhos, pessoas de baixa renda, pessoas em áreas rurais sem conexão estável. Isso é subcobertura - um erro de cobertura, não um erro de amostragem - e está presente antes mesmo de qualquer uma das suas verificações de qualidade rodar (Bethlehem, 2010). As cotas podem rebalancear as pessoas que você de fato alcançou. Nada rebalanceia as pessoas que a internet nunca mostrou a você.

Amostragem bola de neve e redes sociais: amigos prestativos, homofilia e fraude

O recrutamento por bola de neve e a postagem em redes sociais parecem gratuitos, e para grupos de difícil acesso às vezes são a única opção. Eles carregam quatro problemas distintos.

A autosseleção vem primeiro: as pessoas que respondem diferem sistematicamente das que ignoram a postagem, e você geralmente não tem como estimar o quão distantes os dois grupos estão. A homofilia vem em segundo lugar: a sua rede se parece com você em idade, escolaridade, cidade e profissão, e uma cadeia que começa nos seus contatos permanece dentro dessa semelhança por vários passos. Em terceiro lugar, não há um marco amostral para descrever. Você não pode declarar uma taxa de resposta, porque nunca soube quantas pessoas viram o link.

A fraude é o quarto problema, e é o que surpreende as pessoas. Pozzar et al. (2020) recrutaram pacientes pelo Twitter e pelo Facebook com um incentivo de $15 e receberam 271 pesquisas completas em 7 horas. Classificaram 94.5% desses 271 casos como fraudulentos e os 5.5% restantes como suspeitos. Em todos os casos, 86.7% deram respostas inconsistentes a itens verificáveis e 16.2% mostraram evidência de automação por bots. Um link aberto mais um incentivo visível é um convite, e não apenas para a sua população-alvo.

Existe um modo de falha mais silencioso que custa a mestrandos os seus conjuntos de dados. Você posta a pesquisa nos seus próprios círculos. Amigos, família e colegas de curso querem ajudar. Eles abrem o link, clicam nas grades Likert sem ler, e enviam em noventa segundos só para poder dizer que fizeram. A intenção é boa e os dados são ruins: o N sobe, as respostas descuidadas sobem mais rápido ainda, e as correlações das quais as suas hipóteses dependem ficam distorcidas em vez de simplesmente diluídas. Cliques aleatórios adicionam ruído que esconde efeitos reais, enquanto o straight-lining de uma matriz inteira infla a consistência interna e pode criar associações que não existem. Uma ajuda bem-intencionada ainda é contaminação. Trate as respostas da sua própria rede como uma fonte que precisa da mesma triagem que qualquer painel pago, e diga isso quando as pessoas perguntarem por que a pesquisa tem verificações de atenção.

O que você deve fazer, qualquer que seja a sua fonte?

As decisões de recrutamento e o trabalho de qualidade dos dados são o mesmo projeto. Qualquer que seja a fonte escolhida, quatro coisas pertencem ao desenho antes do lançamento, mais um hábito que não custa nada.

Inclua pelo menos duas verificações de atenção e camufle pelo menos uma delas dentro de uma escala, para que nem todas as suas verificações pareçam verificações, e escreva as regras de exclusão antes de ver os dados - o desenho que uso está em verificações de atenção em pesquisas on-line. Registre o tempo de conclusão por respondente e defina um limiar de velocidade a partir da mediana de um piloto, não de um palpite. Sinalize straight-lining e blocos de variância zero em cada matriz. Bloqueie envios duplicados e tráfego automatizado já no próprio link, porque um bot filtrado depois do fato já foi pago.

Um teste barato que uso em todo estudo: colocar uma ou duas perguntas abertas no questionário e realmente ler as respostas. Nada mostra tão rápido quanto esforço uma amostra está dedicando. Em uma amostra cuidadosa você recebe frases curtas mas relevantes; em uma descuidada você recebe palavras soltas, fragmentos copiados da pergunta, ou coisas sem sentido. Ler cinquenta respostas abertas leva vinte minutos e dá uma leitura direta de qualidade que nenhum limiar de tempo consegue igualar, e permite comparar plataformas honestamente se você algum dia aplicar o mesmo estudo duas vezes. Um novo cuidado: algumas das piores respostas hoje são fluentes. Bots e modelos de linguagem produzem parágrafos polidos e genéricos que não dizem nada específico sobre o seu estímulo, então leia buscando concretude, não gramática.

Depois, relate a triagem. Contagens de exclusão por critério, a ordem em que as regras foram aplicadas, e o N final. Antes de lançar, o checklist de qualidade de dados de pesquisa percorre os mesmos pontos em um formato que você pode entregar a um orientador.

Uma frase de limitações que você pode adaptar:

Os participantes foram recrutados por meio de um painel on-line e, portanto, constituem uma amostra de conveniência não probabilística; a amostra é mais educada e mais urbana do que a população geral, e pessoas sem acesso regular à internet não puderam ser alcançadas. Os achados devem ser interpretados como aplicáveis a essa população, e não aos consumidores em geral.

Erros comuns a evitar

• Relatar apenas que "os participantes foram recrutados on-line" e nada mais. O canal, o incentivo e as regras de triagem pertencem todos à seção de Método.
• Generalizar para uma população nacional a partir de uma amostra de painel. Painéis de adesão voluntária não são amostras probabilísticas, seja qual for o seu tamanho.
• Tratar um N grande como evidência de qualidade. Um estudo de bola de neve com N = 600 e nenhuma verificação é mais fraco do que um estudo de painel triado com N = 250.
• Postar um link aberto com incentivo visível e sem proteção contra bots, e depois tentar limpar a fraude posteriormente.
• Deixar amigos e colegas de curso preencherem a pesquisa como favor e contar as respostas deles sem a mesma triagem aplicada a estranhos.
• Escolher o MTurk para economizar dinheiro sem orçar a triagem extra e o parágrafo extra de justificativa que essa escolha agora exige.
• Coletar respostas abertas e nunca as ler. Elas são o sinal de qualidade mais rápido que você tem, e não custam nada para inspecionar.

Perguntas frequentes

References

Arnett, J. J. (2008). The neglected 95%: Why American psychology needs to become less American. American Psychologist, 63(7), 602–614. https://doi.org/10.1037/0003-066X.63.7.602

Baker, R., Brick, J. M., Bates, N. A., Battaglia, M., Couper, M. P., Dever, J. A., Gile, K. J., & Tourangeau, R. (2013). Summary report of the AAPOR task force on non-probability sampling. Journal of Survey Statistics and Methodology, 1(2), 90–143. https://doi.org/10.1093/jssam/smt008

Bethlehem, J. (2010). Selection bias in web surveys. International Statistical Review, 78(2), 161–188. https://doi.org/10.1111/j.1751-5823.2010.00112.x

Chmielewski, M., & Kucker, S. C. (2020). An MTurk crisis? Shifts in data quality and the impact on study results. Social Psychological and Personality Science, 11(4), 464–473. https://doi.org/10.1177/1948550619875149

Goodman, J. K., & Paolacci, G. (2017). Crowdsourcing consumer research. Journal of Consumer Research, 44(1), 196–210. https://doi.org/10.1093/jcr/ucx047

Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83. https://doi.org/10.1017/S0140525X0999152X

Kennedy, R., Clifford, S., Burleigh, T., Waggoner, P. D., Jewell, R., & Winter, N. J. G. (2020). The shape of and solutions to the MTurk quality crisis. Political Science Research and Methods, 8(4), 614–629. https://doi.org/10.1017/psrm.2020.6

Peer, E., Rothschild, D., Gordon, A., Evernden, Z., & Damer, E. (2022). Data quality of platforms and panels for online behavioral research. Behavior Research Methods, 54(4), 1643–1662. https://doi.org/10.3758/s13428-021-01694-3

Pozzar, R., Hammer, M. J., Underhill-Blazey, M., Wright, A. A., Tulsky, J. A., Hong, F., Gundersen, D. A., & Berry, D. L. (2020). Threats of bots and other bad actors to data quality following research participant recruitment through social media: Cross-sectional questionnaire. Journal of Medical Internet Research, 22(10), e23021. https://doi.org/10.2196/23021

Como a Explonia faz isso por você

A Explonia cobre o lado do recrutamento e o lado da verificação em um só lugar. O Academic PRO roda o Prolific dentro do painel, então filtros, pagamento e monitoramento ficam ao lado do questionário; para qualquer outra fonte, você aplica um link público com acesso por senha, cotas de resposta, roteamento de exclusão na triagem, bloqueio de envios duplicados e proteção contra bots. As verificações de atenção são itens de escala comuns em vez de um widget especial, e os tempos de conclusão por respondente chegam junto com os dados, de modo que as suas regras de exclusão pré-especificadas podem ser aplicadas e relatadas antes de qualquer análise rodar. Quando você chega à redação, o recurso "Article description" redige o parágrafo de resultados a partir do seu conjunto de dados final triado, e as exportações saem como arquivos SPSS (.sav), R e AMOS - você continua sendo o autor de cada frase. Veja a galeria de exemplos para as demonstrações de acesso e exclusão na triagem.

Pronto para recrutar uma amostra que você possa defender? Escolha a fonte de olhos abertos, e depois aplique-a com triagem e sinalizadores de qualidade já embutidos. Comece grátis →