Slechte enquête-antwoorden herkennen

Een schone dataset kan alsnog fout zijn. Iemand klikt door je enquête zonder te lezen, vinkt de hele pagina "eens" aan, en die antwoorden belanden gewoon in de export en verschuiven het gemiddelde. De formulering klopte. De antwoorden niet. Dit is de tweede helft van enquêtewerk, en het bepaalt of de grafieken die je bouwt iets betekenen.

Wat satisficing precies is

Respondenten willen klaar zijn. Kost een vraag moeite, dan geven sommigen het antwoord dat goed genoeg is om verder te kunnen in plaats van het juiste. Psychologen noemen dat satisficing. Je ziet het aan lege velden, een rechte kolom identieke scores, of een enquête die sneller af is dan wie dan ook hem kon lezen. Het Pew Research Center draait precies deze controles. In de methodologie bij zijn politieke typologie van 2026, afgenomen in november 2025, markeerden onderzoekers mensen die vragen heel vaak leeg lieten of altijd de eerste of laatste optie kozen, en verwijderden ze de ergste gevallen vóór het wegen. Doet een probability-panel dit, dan jij ook.

Straightlining en de eerste-optie-reflex

Straightlining is op elke schaal hetzelfde punt kiezen, een verticale lijn van 3'en door een raster met beoordelingsvragen. Soms is het eerlijk. Vaker betekent het dat iemand stopte met lezen. Aan één antwoord zie je het niet, dus kijk over het hele blok: tien matrixitems die identiek zijn beantwoord, dat is het signaal, niet één losse rij. De eerste-optie-reflex is het naaste neefje, waarbij iemand steeds de bovenste optie pakt omdat die het dichtst bij de cursor staat. Beide worden erger naarmate een enquête langer duurt. Als je elke vraag koppelt aan één beslissing, geeft een kortere enquête satisficing minder ruimte om op te bouwen.

Snelklikkers, lege velden en opvulling

Tijd is het goedkoopste kwaliteitssignaal dat je hebt. Heeft een zorgvuldige lezer vier minuten nodig en is iemand in vijftig seconden klaar, dan zijn die antwoorden gokwerk. Meet de invultijd en lees de onderkant van de verdeling. Ontbrekende data is het volgende signaal. Een respondent die elk optioneel veld overslaat, vertelt je dat hij is afgehaakt. Let bij open tekst op antwoorden die zich herhalen, de gesloten vragen tegenspreken of klinken als opvulling: "goed", "nvt", "asdf". Eentje daarvan veroordeelt niemand. Twee of drie samen meestal wel.

Het probleem van door AI geschreven antwoorden

Open tekst controleerde zichzelf vroeger, want wartaal viel meteen op. Dat is veranderd. Een respondent, of een bot die op een beloning aast, plakt in seconden een vlotte, ter zake doende alinea uit een taalmodel, en die overleeft een vluchtige blik. Het verraderlijke is dat hij algemeen blijft: hij beantwoordt de vraag in het abstracte maar noemt niets specifieks over jouw product, jouw formulering of wat de persoon deed. Vraag om een concreet detail, zoals welk scherm of wat iemand probeerde af te ronden, en de machineopvulling valt uit elkaar terwijl een echte klacht juist scherper wordt. Laat AI hier geen AI beoordelen. Gebruik het om te clusteren en naar boven te halen, en lees de gemarkeerde antwoorden daarna zelf.

Ontwerp zo dat slechte antwoorden opvallen

Het beste opschonen gebeurt vóór de lancering. Een goed geplaatste aandachtscheck, zoiets als "kies bij dit item enigszins mee eens", vangt onoplettende respondenten zonder de zorgvuldige te beledigen, zolang je hem één keer gebruikt en niet vijf keer. Omgekeerd geformuleerde items binnen een blok ontmaskeren straightliners, want een eerlijk antwoord klapt om waar een rechte lijn dat niet doet. En een korte enquête met gebalanceerde schalen levert simpelweg minder ruis op om later uit te zeven. Dit zijn ontwerpkeuzes, geen reparaties die je er achteraf op schroeft.

Schoon op vóór de analyse, niet na de presentatie

Bepaal je uitsluitregels voordat je naar de resultaten kijkt, en schrijf ze op. Te snel. Te veel lege velden. Aandachtscheck gemist. Het raster gestraightlined. Regels verzinnen nadat je de cijfers hebt gezien, zo praat je jezelf aan om antwoorden weg te gooien die je gewoon niet aanstonden. Doe de ronde één keer, bewaar de verwijderde rijen in een apart bestand, en noteer hoeveel je liet vallen. Omdat SurveyLane je antwoorden in een echte database houdt, kun je de AI-analyselaag via MCP vragen om invultijden op te sommen of identieke antwoordpatronen te markeren. De afweging over wat rommel is, blijft bij jou.

Een snelle screeningronde

• Sorteer op invultijd en lees de snelste vijf procent.
• Scan beoordelingsrasters op verticale lijnen van identieke antwoorden.
• Tel lege velden per respondent en markeer de bovenkant.
• Lees open tekst op opvulling, dubbelingen en generieke AI-achtige alinea's.
• Pas de regels toe die je vooraf hebt vastgelegd, en noteer hoeveel rijen je verwijderde.