Betrug bei Online-Umfragen entwickelt sich rasant weiter – mit KI-Bots, gefälschten Teilnehmern und wiederholten Teilnahmen. Erfahren Sie mehr über die neuesten Strategien zur Betrugserkennung und darüber, wie biometrische Verifizierung die Datenintegrität verbessern kann.

Die Online-Datenerhebung ist zum Standard in der Verhaltensforschung geworden. Sie ist bequem, schnell, kostengünstig und erreicht Menschen, die niemals ein Labor betreten würden. Doch dieselbe Offenheit, die Online-Studien so leistungsfähig macht, macht sie auch anfällig. Wenn ein Umfragelink in die ungezähmte Wildnis des Internets gelangt und mit einem finanziellen Anreiz verbunden ist, untersuchen Sie höchstwahrscheinlich nicht mehr nur die Population, die Sie eigentlich untersuchen wollten. Möglicherweise untersuchen Sie professionelle Umfrageteilnehmer, doppelte Konten, automatisierte Bots und zunehmend auch große Sprachmodelle, die vorgeben, Menschen zu sein.

Dies ist kein Randthema, sondern eine der zentralen Gefahren für die Validität von Online-Umfragen. Das auf Datenqualität spezialisierte Unternehmen Research Defender schätzt, dass etwa 31 % der Rohdaten aus Umfragen in irgendeiner Form manipuliert sind – und das noch bevor man den Einfluss von KI überhaupt berücksichtigt.

Für Forscher, Marketingfachleute und alle, die Entscheidungen auf der Grundlage von Verbraucher- oder Gesundheitsdaten treffen, stellt sich nicht mehr die Frage, ob es zu falschen Angaben kommt, wenn es um Geld geht, sondern wie man diese aufspüren und beseitigen kann, bevor sie die Daten und die daraus gezogenen Schlussfolgerungen verfälschen.

Warum vergütete Online-Umfragen unseriöse Akteure anziehen

Die Funktionsweise von Betrug ist erschreckend einfach. Viele Online-Panels und Methoden zur Gewinnung von Community-Mitgliedern basieren auf dem sogenannten „River Sampling“, was im Wesentlichen eine offene Registrierung mit niedrigen Zugangsbarrieren bedeutet. Jeder, der den Link hat, kann teilnehmen, und die Vergütung (eine Geschenkkarte im Wert von 20 Dollar, ein paar Dollar pro ausgefülltem Fragebogen) ist genau die Motivation, die ein betrügerischer Teilnehmer braucht.

Ein aufschlussreicher Fall stammt von Forschern der University of South Florida, die ursprünglich die Wirkung von Anti-Tabak-Werbespots untersuchen wollten, stattdessen jedoch auf ein methodisches Problem stießen. Ihr Link zur Teilnehmerrekrutierung, der mit einem Anreiz in Form einer 20-Dollar-Geschenkkarte verbunden war, gelangte weit über die beabsichtigte Zielgruppe hinaus und kursierte „in freier Wildbahn“, wo böswillige Akteure ihn aufgriffen, um die Belohnung zu beanspruchen.

Manche mögen sagen, dass mehr Daten immer wünschenswert sind, wenn man sich einen Überblick über eine Forschungsfrage verschaffen will. Der Kontrast zu ihrem geprüften kommerziellen Panel war jedoch eklatant. In der durchgesickerten Community-Stichprobe wurden 58 % der Antworten als betrügerisch und nur 42 % als gültig eingestuft, während das geprüfte Panel etwa 87 % gültige Antworten lieferte. Es ist wichtig zu beachten, dass die Lehre hier nicht lautet, dass die Rekrutierung aus der Community den Zeitaufwand nicht wert ist oder dass Panels makellos sind – denn auch geprüfte Panels bergen das Risiko, dass unengagierte, gewohnheitsmäßige Umfrageteilnehmer dabei sind –, sondern dass Anreize in Verbindung mit offenem Zugang zuverlässig zu Manipulationen einladen.

Es gibt drei sich überschneidende Gefahren, auf die man achten sollte:

Personen, die die Voraussetzungen nicht erfüllen und falsche Angaben machen (Alter, Wohnort, Gesundheitszustand, Verhalten), um den Anreiz zu erhalten.
Unachtsame oder desinteressierte Menschen, die sich ohne echtes Engagement durch den Alltag hetzen, geradlinig vorgehen oder mehrere Dinge gleichzeitig erledigen.
Automatisierte und halbautomatisierte Systeme, die von einfachen Skripten bis hin zu hochentwickelter KI reichen können und Studien in großem Umfang und zügig durchführen, ohne dass ein Mensch dahintersteht.

Gerade diese dritte Kategorie hat sich am dramatischsten und gefährlichsten verändert.

Die Eskalation, die die alten Abwehrmechanismen durchbrach: KI-generierte Befragte

Bis vor kurzem waren betrügerische Antworten ein arbeitsintensives Geschäft mit geringen Gewinnspannen. Schließlich musste sich jemand hinsetzen und sie tatsächlich ausfüllen, um sozusagen Geld daraus zu machen. Der Aufstieg von LLMs und agentischer Automatisierung hat diese Landschaft erheblich verändert. Eine Studie aus dem Jahr 2024 anhand einer Stichprobe von Prolific ergab, dass 34,3 % der Befragten angaben, KI zur Beantwortung offener Fragen zu nutzen – und das sind nur die Teilnehmer, die bereit waren, dies zuzugeben.

Die gravierendere Entwicklung betrifft die bereits erwähnten vollständig autonomen KI-Agenten. Ende 2025 veröffentlichte der Dartmouth-Forscher Sean Westwood in PNAS eine Arbeit, in der er einen KI-Agenten vorstellte, der sich als menschlicher Umfrageteilnehmer ausgeben und dabei alle derzeit eingesetzten Erkennungsmethoden umgehen konnte. In diesem Fall liegt der Anreiz, ein solches Tool einzusetzen, auf der Hand, da die Kostenasymmetrie enorm ist. Ein menschlicher Befragter verdient in der Regel etwa 1,50 Dollar pro Umfrage, während die KI eine ausgefeilte, demografisch zugeschnittene Antwort für etwa fünf Cent generieren könnte.

Die Analyse von Westwood ergab, dass in mehreren großen landesweiten Umfragen im Vorfeld der Wahlen im Jahr 2024 bereits 10 bis 52 gefälschte Antworten ausgereicht hätten, um das prognostizierte Ergebnis umzukehren. Als die Modelle direkt gefragt wurden, ob sie Menschen oder Maschinen seien, entschieden sie sich durchweg für die Antwort „Mensch“.

Forscher, die dieses Phänomen untersuchen, bezeichnen es manchmal als „LLM-Pollution“. Sie unterscheiden zwischen teilweiser Vermittlung (ein echter Teilnehmer nutzt KI, um Formulierungen zu verfeinern oder eine Antwort so zu „übersetzen“, dass sie dem Rahmen der Forschungsfrage entspricht) und vollständiger Delegation (ein Agent führt die gesamte Studie unbeaufsichtigt, in großem Umfang und mit hoher Geschwindigkeit durch). Beides untergräbt die grundlegende Annahme der Forschung am Menschen, nämlich dass eine schlüssige Antwort von einem menschlichen Verstand stammt, der befähigt ist, eine bestimmte Forschungsfrage zu beantworten. Ein Labor berichtete, dass es in bis zu 45 % der eingereichten Beiträge offensichtlich LLM-vermittelte Inhalte beobachtet habe.

Die unangenehme Erkenntnis ist, dass die alten Sicherheitsvorkehrungen wie Aufmerksamkeitsprüfungen, einfache Bot-Filter, „Sind Sie ein Mensch?“-Fragen und die reCAPTCHA-Bewertung für weniger fähige Angreifer konzipiert wurden. Sie können zwar immer noch die primitiven Bots abfangen, aber die intelligenten lassen sich damit nicht mehr zuverlässig erkennen. Eine Verteidigung, die sich ausschließlich auf die Analyse der Eingaben eines Nutzers stützt, kämpft nun gegen ein System, das besonders gut darin ist, menschlich klingenden Text zu erzeugen – was der Analogie „mit einem Messer zu einer Schießerei gehen“ entspricht.

Argumente für den Einsatz einer Kamera bei der Vermessung

Wie können Forscher also versuchen, betrügerische Umfrageantworten zu minimieren? Eine Möglichkeit besteht darin, Umfragen in biometrische Online-Studien zu integrieren. Wenn die zentrale Schwäche der textbasierten Betrugserkennung darin besteht, dass KI gut mit Text umgehen kann, dann ist die direkteste Gegenmaßnahme, etwas zu verlangen, das KI und doppelte Konten nicht gut vortäuschen können – beispielsweise ein lebendiges, aufmerksames menschliches Gesicht, das während der gesamten Dauer der Studie über die Webcam erfasst und hinsichtlich Mimik und Aufmerksamkeit als gültiger Bestandteil der Studie analysiert wird.

Es ist keine perfekte, absolut sichere Lösung – das ist wohl bei keiner Methode der Fall. Aber es ist eine relativ sichere Methode, und sie macht den beiden Betrugsformen den Garaus, die mit anderen Mitteln am schwersten zu bekämpfen sind.

Es schlägt automatisierte KI-Agenten in großem Maßstab

Ein LLM-Agent kann eine fehlerfreie, offene Antwort generieren, demografische Daten eingeben und sogar ein plausibles Antworttempo nachahmen. Was er jedoch nicht kann, ist, vor einer Kamera zu sitzen und auf Abruf während einer gesamten Sitzung ein kontinuierliches, konsistentes und aufrichtig aufmerksames menschliches Gesicht zu zeigen.

Sobald eine Studie Live-Gesichtsdaten und Live-Aufmerksamkeitskennzahlen erfordert, bricht die Wirtschaftlichkeit, die KI-Betrug attraktiv macht, fast vollständig zusammen. Der ganze Reiz eines automatisierten Agenten besteht darin, dass er Studien in großem Umfang und mit hoher Geschwindigkeit für nur wenige Cent durchführt. Durch die Anforderung eines echten Gesichts – was bedeutet, dass bei jeder Teilnahme eine reale Person physisch anwesend sein muss – wird der Engpass, den skalierter, automatisierter Betrug eigentlich vermeiden soll, zwangsläufig wieder eingeführt.

Der Fall der University of South Florida zeigt, wie die Erkennung in der Praxis funktioniert. Durch die Aufzeichnung der Teilnehmer über ihre Webcams und die Auswertung von Gesichtsausdrücken und Aufmerksamkeitskennzahlen stufte das Team die Befragten anhand von Signalen, die sich in Echtzeit nur schwer vortäuschen lassen, als aufrichtig, desinteressiert oder unehrlich ein. Ein Befragter, der in die Kamera grinste, war in etwa 85 % der Fälle mit Betrug in Verbindung gebracht worden. Betrüger, die versuchten, sich der Kamera zu entziehen – indem sie ihr Gesicht durch ein Foto ersetzten oder das Licht ausschalteten –, erzeugten genau die Art von fehlendem oder verfälschtem Signal, das eine Antwort für den sofortigen Ausschluss kennzeichnet. Ein Bot hat kein Gesicht, das er zeigen kann, und ein ausweichender Mensch verrät sich selbst, indem er versucht, sich zu verstecken.

Es erfasst diejenigen, die die Prüfung wiederholen

Eine weitere schwer zu bekämpfende Betrugsform ist die Person, die dieselbe Umfrage mehrmals absolviert, um den Anreiz immer wieder zu erhalten. E-Mail-Adressen lassen sich endlos generieren, IP-Adressen können mit einem VPN leicht verschleiert werden, und Geräte-Fingerabdrücke lassen sich zurücksetzen. Wenn jedoch bei jeder Sitzung das Gesicht des Teilnehmers erfasst wird, kann dieselbe Person, die unter drei verschiedenen Identitäten auftritt, abgeglichen und entfernt werden, einfach weil ihr Gesicht bei jedem Versuch zu sehen ist. Gesichtsdaten machen aus „eine Person, viele Konten“ – einem fast unsichtbaren Problem – ein erkennbares Problem, und zwar auf eine Weise, die Metadatenprüfungen allein nicht zuverlässig bewältigen können.

Warum „einigermaßen“ sicher und nicht absolut sicher?

Ehrlichkeit ist hier wichtig, denn übertriebene Angaben stellen ein ganz eigenes Risiko dar. Eine durch Kameras überwachte Studie lässt sich zwar weitaus schwerer in großem Maßstab manipulieren, ist aber dennoch nicht immun dagegen:

Eine teilweise LLM-vermittelte Moderation findet nach wie vor statt. Ein echter Mensch kann vor der Kamera sitzen und dabei still und leise von der KI verfasste Texte in die Freitextfelder einfügen. Das Gesicht entlarvt zwar den Bot, aber es entlarvt nicht einen Menschen, der die KI lediglich als Stütze nutzt – was auch bedeutet, dass die inhaltliche Überprüfung von Freitextantworten nach wie vor von großer Bedeutung ist.

Verhaltenssignale allein sind kein Allheilmittel. Ein PNAS-Kommentar aus dem Jahr 2026 mit dem vielsagenden Titel „Wird die Online-Verhaltensforschung das Schicksal der Online-Umfrageforschung teilen?“ stellte selbst in Reaktionszeitdaten KI-konforme Muster fest – einem Bereich, von dem lange angenommen wurde, er sei durch die Grenzen der menschlichen Wahrnehmung und Motorik geschützt. Die beruhigende Kehrseite ist, dass genau dies der Grund ist, warum die Anforderung eines echten Gesichts so wichtig ist. Das Vortäuschen von Millisekunden-Timing ist für einen fortschrittlichen KI-Agenten ein Leichtes, doch die Darstellung eines echten, kontinuierlichen menschlichen Gesichts ist für die meisten automatisierten Systeme die wirklich schwierige Aufgabe.

Abwägungen zwischen Qualität, Auswahl und Datenschutz sind eine reale Herausforderung. Webcam-Methoden hängen von der Hardware, der Beleuchtung und der Positionierung der Teilnehmer ab, was zu höheren Ausschlussquoten führt, und man erfasst nur Personen, die bereit sind, ihre Kamera zu aktivieren. Forscher der UC Riverside, die eine stigmatisierte Bevölkerungsgruppe untersuchten, stellten fest, dass eine strengere Verifizierung zwar die Datenqualität schützt, aber genau die schutzbedürftigen, schwer erreichbaren Teilnehmer abschrecken kann, die man eigentlich erreichen möchte. Dies ist ein Spannungsfeld, das es zu berücksichtigen gilt, anstatt es zu ignorieren.

Die richtige Sichtweise lautet also nicht: „Eine Kamera löst das Betrugsproblem.“ Vielmehr sorgt die Einbeziehung von Live-Gesichts- und Aufmerksamkeitsdaten dafür, dass die kostengünstigsten und am leichtesten skalierbaren Betrugsformen – automatisierte KI-Agenten und Wiederholungstäter – beseitigt werden und der Rest besser aufdeckbar wird. Das bedeutet sozusagen eine deutliche Anhebung der Mindeststandards.

Bekämpfung von Teilnehmerbetrug mit iMotions Online

Das Problem des Betrugs durch Befragte lässt sich weitaus besser bewältigen, wenn Umfrage-Tools und biometrische Funktionen auf derselben Plattform integriert sind. Genau dafür wurde iMotions Online entwickelt. Als browserbasierte Forschungsplattform kombiniert sie einen voll ausgestatteten Umfrage-Generator mit Webcam-Eye-Tracking und Gesichtsausdrucksanalyse und verwandelt so die traditionell getrennten Umfrage- und biometrischen Arbeitsabläufe in eine einzige, integrierte Studie.

In der Praxis öffnen die Teilnehmer einfach einen Studienlink in einem Webbrowser auf einem handelsüblichen Laptop oder Desktop-Computer, der mit einer Webcam und einer Internetverbindung ausgestattet ist. Während sie mit den präsentierten Reizen interagieren, misst iMotions Online die visuelle Aufmerksamkeit mittels WebET 3.0-Webcam-Eye-Tracking und erfasst Gesichtsausdrücke mit Affectiva AFFDEX, derselben Gesichtscodierungstechnologie, die weltweit in der akademischen und kommerziellen Forschung eingesetzt wird. Erst nachdem diese biometrische Komponente abgeschlossen ist, gelangt der Teilnehmer zum Umfrage-Teil der Studie. Das Ergebnis ist, dass jede Umfrageantwort von dem Nachweis begleitet wird, dass eine reale Person anwesend war, den Reiz betrachtet und aktiv an der Studie teilgenommen hat.

Dies wirkt den beiden häufigsten Formen von Betrug durch Befragte direkt entgegen. Bevor die erste Frage der Umfrage beantwortet wird, müssen die Teilnehmer eine kurze Eye-Tracking-Kalibrierung durchführen, indem sie mit ihrem Blick Punkten auf dem Bildschirm folgen. Automatisierte Agenten haben keine Augen, die verfolgt werden können, und können diesen Schritt daher nicht bestehen. Ebenso erfordert die Analyse des Gesichtsausdrucks, dass während der gesamten Sitzung ein echtes Gesicht zu sehen ist. Zwar kann kein System wiederholte Teilnahmen vollständig ausschließen, doch können Forscher verdächtige Fälle leicht identifizieren, wenn dieselbe Person mehrfach unter verschiedenen Identitäten auftritt. Die Umfrage ist nicht mehr nur ein einfaches Textfeld, das ein LLM für ein paar Cent ausfüllen kann, sondern wird zu einer Sitzung, die die Anwesenheit und Aufmerksamkeit eines echten menschlichen Teilnehmers erfordert.

Einige Funktionen sind für die Datenintegrität von besonderer Bedeutung:

Umfragen und biometrische Daten in einer Studie. Das integrierte Umfrage-Tool mit bedingter Logik und Verzweigungen läuft in derselben Sitzung wie das Eye-Tracking und die Gesichtsausdrucksanalyse ab, sodass die Daten zu Aufmerksamkeit und Engagement mit jeder Antwort übereinstimmen und keine Integration von Umfrage-Tools von Drittanbietern erforderlich ist.
Integrierte Panel-Anbindungen. iMotions Online ist mit etablierten Panel-Anbietern wie Prolific, Qualtrics, CINT, Forsta, Amazon MTurk und Sona Systems verbunden, sodass sich die Überprüfung der Teilnehmer und die biometrische Verifizierung gegenseitig ergänzen, anstatt dass man sich für das eine oder das andere entscheiden muss.
Kennzahlen zu Engagement und Aufmerksamkeit. AFFDEX ermittelt Valenz und Engagement und erkennt Kernemotionen, während Blickverhalten und Aufmerksamkeit Aufschluss darüber geben, ob ein Teilnehmer tatsächlich konzentriert war. Dies bildet die Grundlage für die Unterscheidung zwischen gültigen, desinteressierten und vorgetäuschten Antworten.
Von Grund auf DSGVO-konform. Die Daten werden anonymisiert und in einer sicheren EU-Cloud-Infrastruktur mit projektbezogener Zugriffskontrolle gespeichert – ein wichtiger Aspekt, wenn Verifizierungsanforderungen und der Datenschutz der Teilnehmer in Einklang gebracht werden müssen.
Eine manuelle Überprüfung als letzte Sicherheitsmaßnahme. Da bei jeder Sitzung neben den Antworten auch das Gesicht des Teilnehmers gespeichert wird, bilden die Forscher, die die Daten überprüfen, eine letzte Sicherheitsbarriere. Ein Prüfer kann buchstäblich sehen, wer teilgenommen hat, sodass ein Wiederholungstäter, der unter einer anderen Identität erneut auftaucht, meist auf den ersten Blick erkannt wird – selbst wenn er alle automatisierten Kontrollen umgangen hat.

Für wissenschaftliche und kommerzielle Studien, die einen höheren Leistungsumfang erfordern, erweitert das Modul „Remote Data Collection“ für iMotions Lab die browserbasierte Datenerfassung um Bildschirm- und Audioaufzeichnung, Sprach-zu-Text-Umwandlung, Sprachanalyse sowie die gesamte Analysesuite der Plattform.

Mehrschichtige Sicherheit mit biometrischen Verfahren als Kernelement

In der Forschungsliteratur herrscht Einigkeit darüber, dass keine einzelne Methode für sich allein ausreicht; fundierte Studien kombinieren mehrere unabhängige Überprüfungen, sodass ein Befragter, der bei einer durchrutscht, bei einer anderen auffällt. Eine zweite Fallstudie verdeutlicht dies. Forscher unter der Leitung der UC Riverside, die in „AIDS and Behavior“ veröffentlichten, führten eine Online-Studie durch, deren Trichter aufschlussreich ist: Von 9.321 Personen, die den Screening-Fragebogen ausfüllten, erfüllten 2.637 die Teilnahmebedingungen, nur 251 bestanden die Legitimitäts- und Duplikatsprüfungen, 158 gaben ihre Einwilligung und 115 schlossen die Studie ab. Die automatisierte Erkennung deckte die meisten problematischen Einträge auf, doch manuelle Überprüfung und Live-Verifizierung waren notwendig, um die Lücken zu schließen – und sie kamen zu dem Schluss, dass die Verifizierung ein zentraler Bestandteil des Studiendesigns sein sollte, der von Anfang an im Budget vorgesehen ist.

Ein praktisches, mehrschichtiges Instrumentarium sieht wie folgt aus, wobei die Erfassung biometrischer Daten in Echtzeit den Kern bildet, den die anderen Ebenen ergänzen:

Bei der Personalbeschaffung und der Konzeption

Wenn Integrität oberste Priorität hat, sollten Sie geprüfte und identitätsgeprüfte Foren gegenüber offenen Links bevorzugen.
Gestalten Sie die Studie als Webcam-basierte Sitzung, damit der Gesichtsausdruck und die Aufmerksamkeit während der gesamten Dauer erfasst werden.
Fügen Sie Aufmerksamkeits- und Bedienungsprüfungen sowie Honeypot-Fragen hinzu (für Menschen unsichtbar, von Bots beantwortet).

Während der Erfassung (Metadaten und technische Signale)

Aktivieren Sie reCAPTCHA / die Bewertung der Bot-Wahrscheinlichkeit und erfassen Sie umfangreiche Metadaten.
Überwachen Sie die Bearbeitungszeiten, IP-Adressen und Standortdaten sowie Signale zur Erkennung von Duplikaten.
Nutzen Sie den Gesichtsabgleich über mehrere Sitzungen hinweg, um Wiederholungstäter zu erkennen, die unter verschiedenen Identitäten agieren.

Nach der Erhebung (Analyse und Auswertung)

Anhand von Gesichtsausdrucks- und Aufmerksamkeitsdaten sollen gültige, desinteressierte und unehrliche Befragte klassifiziert werden.
Wende statistische Ausreißererkennung an (z. B. Mahalanobis-Abstand, Person-Gesamt-Korrelation).
Überprüfen Sie offene Antworten manuell auf ausführliche, allgemeine Merkmale von KI.

Entscheidend ist, dass diese Methoden vor dem Start geplant werden. Teams, die versuchen, einen verunreinigten Datensatz im Nachhinein zu bereinigen, sehen sich oft mit dem schlimmsten aller Ergebnisse konfrontiert – sie sind nicht in der Lage, echte von gefälschten Antworten zuverlässig zu unterscheiden, und müssen die Daten vollständig verwerfen, ein Schicksal, von dem mehrere Teams in Veröffentlichungen berichtet haben.

Ein praktischer Tipp

Wenn Sie Online-Umfragen durchführen oder in Auftrag geben, betrachten Sie die Datenintegrität als eine konzeptionelle Entscheidung, für die ein Budget vorgesehen ist, und nicht als eine nachträgliche Aufräumarbeit:

Gehen wir davon aus, dass ein erheblicher Teil jeder mit Anreizen versehene Online-Stichprobe nicht echt ist – und dass KI den Betrug billiger, schneller und überzeugender gemacht hat, als es die alten Bot-Filter jemals leisten konnten.
Die Studie soll ihre Teilnehmer wahrnehmen. Die Einbindung von Umfragen in die webkamerabasierte biometrische Forschung ist einer der wenigen Ansätze, der automatisierte KI-Agenten (die kein Gesicht zeigen können) und wiederkehrende Teilnehmer (deren Gesicht bei jeder Sitzung erscheint) strukturell ausschließt.
Betrachten Sie das System als „einigermaßen sicher“, aber nicht als absolut sicher. Kombinieren Sie die Kamera mit einer Inhaltsprüfung, Metadatenüberprüfungen und statistischen Auswertungen, damit auch die verbleibenden Betrugsfälle aufgedeckt werden.
Finden Sie ein Gleichgewicht zwischen Strenge und Zugänglichkeit. Eine zu strenge Überprüfung kann genau die legitimen, schwer erreichbaren Teilnehmer abschrecken, die Sie am meisten brauchen. Passen Sie daher die Maßnahmen an die Zielgruppe und die Bedeutung der Angelegenheit an.

Die Bevölkerungsgruppen, die es wert sind, online untersucht zu werden, sind oft diejenigen, die auf andere Weise am schwersten zu erreichen sind. Der Schutz der Integrität dieser Daten durch intelligentes Design, mehrstufige Kontrollen und Signale, die wirklich schwer zu fälschen sind – allen voran das Gesicht eines echten Menschen –, ist es, was Online-Forschung lohnenswert macht.

Literaturverzeichnis

iMotions. Aufdeckung irreführender Antworten in Online-Umfragen (Fallstudie der University of South Florida). https://imotions.com/customer-stories/weeding-out-deceitful-responses-in-online-surveys/
Hammond, R., Parvanta, C. & Zemen, R. (zugrunde liegende USF-Studie, Social Marketing Quarterly.) https://journals.sagepub.com/doi/abs/10.1177/15245004221074403
Pittalwala, I. Studie zeigt: Betrugsaufdeckung entscheidend für die Online-Gesundheitsforschung. UC Riverside News, 11. Juni 2026. https://news.ucr.edu/articles/2026/06/11/fraud-detection-critical-online-health-research-study-finds
Brown, B., Valente, P. K., O'Connor, G. et al. Verfahren zur Überprüfung der Legitimität und Eindeutigkeit von Antworten in einer Online-Studie mit jungen schwulen und bisexuellen Männern in den USA, die Stimulanzien konsumieren. AIDS and Behavior (2026). https://link.springer.com/article/10.1007/s10461-026-05180-9
Westwood, S. J. Die potenzielle existenzielle Bedrohung durch große Sprachmodelle für die Online-Umfrageforschung. PNAS 122(47), e2518075122 (2025). https://www.pnas.org/doi/10.1073/pnas.2518075122 (Open-Access-Version: https://pmc.ncbi.nlm.nih.gov/articles/PMC12663962/)
Wird die Online-Verhaltensforschung das gleiche Schicksal ereilen wie die Online-Umfrageforschung? PNAS 123(8), e2535585123 (2026). https://www.pnas.org/doi/10.1073/pnas.2535585123
Erkennen, Vorhersagen und Minderung der Verfälschung von Online-Verhaltensforschung durch große Sprachmodelle. arXiv:2508.01390 (2025). https://arxiv.org/abs/2508.01390
Bonnamy, C. et al. Sabotage bei Umfragen: Erkenntnisse zur Verringerung des Risikos betrügerischer Antworten in Online-Umfragen. Anatomical Sciences Education 18, 767–773 (2025). https://anatomypubs.onlinelibrary.wiley.com/doi/10.1002/ase.70015
Bots sind die neue Form des Betrugs: Eine nachträgliche Untersuchung statistischer Methoden zur Identifizierung von durch Bots generierten Antworten in einem verfälschten Datensatz. Computers in Human Behavior (2023). https://www.sciencedirect.com/science/article/abs/pii/S019188692300212X
Webcam-basiertes Online-Eye-Tracking für die Verhaltensforschung. Judgment and Decision Making 16(6) (2021). https://www.cambridge.org/core/journals/judgment-and-decision-making/article/webcambased-online-eyetracking-for-behavioral-research/B726E77B68A76577F9BC6BB8F1EBC6E4