Repérer les réponses d'enquête de mauvaise qualité
Un export propre peut rester plein de bruit. Voici comment repérer le satisficing, le straightlining, les répondants trop rapides et les réponses écrites par une IA avant qu'ils ne faussent vos résultats.
Par SurveyLane · L'équipe derrière SurveyLane
Un jeu de données propre en apparence peut quand même être faux. Quelqu'un clique dans votre enquête sans lire, coche "d'accord" sur toute la page, et ces réponses atterrissent dans l'export et déplacent la moyenne malgré tout. La formulation était bonne. Les réponses, non. C'est la seconde moitié du travail d'enquête, et elle décide si les graphiques que vous construisez veulent dire quelque chose.
Ce qu'est vraiment le satisficing
Les répondants veulent en finir. Quand une question demande un effort, certains donnent la réponse assez bonne pour avancer plutôt que la juste. Les psychologues appellent ça le satisficing. Ça se voit aux champs vides, à une colonne bien droite de notes identiques, ou à une enquête bouclée plus vite que personne ne pouvait la lire. Le Pew Research Center fait exactement ces contrôles. Dans la méthodologie de sa typologie politique de 2026, administrée en novembre 2025, les chercheurs ont signalé les personnes qui laissaient des questions vides très souvent ou choisissaient toujours la première ou la dernière option, et ont retiré les pires cas avant la pondération. Si un panel probabiliste le fait, vous aussi.
Le straightlining et le réflexe de la première option
Le straightlining, c'est choisir le même point sur chaque échelle, une ligne verticale de 3 dans une grille de questions de notation. Parfois c'est honnête. Plus souvent, ça veut dire que la personne a arrêté de lire. Une seule réponse ne vous le dit pas, alors regardez tout le bloc : dix items de matrice répondus à l'identique, voilà le signal, pas une ligne isolée. Le réflexe de la première option est le proche cousin, où quelqu'un prend toujours l'option du haut parce qu'elle est la plus près du curseur. Les deux empirent à mesure qu'une enquête s'allonge. Quand vous reliez chaque question à une décision, une enquête plus courte laisse moins de place au satisficing.
Répondants trop rapides, champs vides et remplissage
Le temps est le signal de qualité le moins cher que vous ayez. S'il faut quatre minutes à un lecteur attentif et que quelqu'un termine en cinquante secondes, ces réponses sont des devinettes. Enregistrez la durée de réponse et lisez le bas de la distribution. Ensuite, les données manquantes : qui saute chaque champ optionnel vous dit qu'il a décroché. Dans le texte libre, guettez les réponses qui se répètent, contredisent les questions fermées ou sonnent comme du remplissage : "bien", "s. o.", "asdf". Une seule ne condamne personne. Deux ou trois ensemble, oui, en général.
Le problème des réponses écrites par une IA
Le texte libre se surveillait tout seul autrefois, car le charabia sautait aux yeux. Ça a changé. Un répondant, ou un bot qui rafle une récompense, colle en quelques secondes un paragraphe fluide et pertinent sorti d'un modèle de langage, et il passe un coup d'oeil rapide. Le hic, c'est qu'il reste générique : il répond dans l'abstrait mais ne nomme rien de précis sur votre produit, votre formulation ou ce que la personne faisait. Demandez un détail concret, par exemple quel écran ou ce que quelqu'un cherchait à finir, et le remplissage machine s'effondre pendant qu'une vraie plainte se précise. Ne faites pas noter l'IA par l'IA ici. Servez-vous-en pour regrouper et faire remonter, puis lisez vous-même les réponses signalées.
Concevez pour que les mauvaises réponses ressortent
Le meilleur nettoyage a lieu avant le lancement. Un contrôle d'attention bien placé, du genre "choisissez plutôt d'accord pour cet item", attrape les répondants inattentifs sans vexer les attentifs, tant que vous l'utilisez une fois et pas cinq. Des items formulés à l'envers dans un bloc démasquent les straightliners, parce qu'une réponse honnête bascule là où une ligne droite ne bouge pas. Et une enquête courte avec des échelles équilibrées produit moins de bruit à trier ensuite. Ce sont des choix de conception, pas des réparations d'après-coup.
Nettoyez avant l'analyse, pas après la présentation
Fixez vos règles d'exclusion avant de regarder les résultats, et écrivez-les. Trop rapide. Trop de champs vides. Contrôle d'attention raté. Grille en ligne droite. Inventer des règles après avoir vu les chiffres, c'est comme ça qu'on se convainc de jeter des réponses qui ne vous plaisaient pas. Faites la passe une fois, gardez les lignes retirées dans un fichier à part, et notez combien vous en avez lâché. Parce que SurveyLane garde les réponses dans une vraie base de données, vous pouvez demander à la couche d'analyse IA via MCP de lister les durées de réponse ou de signaler les schémas de réponse identiques. Le jugement sur ce qui est du déchet reste le vôtre.
Une passe de tri rapide
- Triez par durée de réponse et lisez les cinq pour cent les plus rapides.
- Balayez les grilles de notation à la recherche de lignes verticales de réponses identiques.
- Comptez les champs vides par répondant et signalez le haut du tas.
- Lisez le texte libre pour repérer remplissage, doublons et paragraphes génériques de style IA.
- Appliquez les règles fixées à l'avance, et notez combien de lignes vous avez retirées.
Questions fréquentes
Combien de réponses retire-t-on normalement ?
Il n'y a pas de taux fixe. Ça dépend de votre canal et de votre récompense. Une enquête sans incitation vers un public connu ne perd parfois presque rien, tandis qu'un lien ouvert avec tirage au sort peut lâcher un pourcentage à deux chiffres aux répondants trop rapides et aux bots. Ce qui compte, c'est d'avoir fixé les règles avant de regarder, et d'annoncer combien vous avez retiré.
Un contrôle d'attention vaut-il une question de plus ?
Dans une enquête plus longue, oui. Un seul contrôle d'instruction bien formulé au milieu attrape les répondants inattentifs pour le prix de quelques secondes. À trop en mettre, vous agacez les attentifs et apprenez à tous à chercher le piège, donc un seul suffit.
Puis-je laisser l'analyse IA retirer les réponses de mauvaise qualité à ma place ?
Servez-vous-en pour faire remonter, pas pour décider. Une couche IA sait regrouper le texte libre et pointer les schémas bizarres, mais elle invente aussi des thèmes qui ne sont pas dans les données, donc un humain devrait confirmer chaque exclusion. Gardez le jugement de votre côté.
Un faible taux de complétion veut-il dire que mes données sont mauvaises ?
Pas en soi. Les gens abandonnent les enquêtes longues ou hors sujet, et ceux qui terminent peuvent quand même répondre avec soin. Le taux de complétion est un signal de conception. La qualité des réponses porte sur la façon dont ceux qui terminent répondent. Traitez-les comme deux problèmes distincts.
