用户研究在产品开发中扮演着关键角色，通过提前识别摩擦点来降低后期修复成本。数据显示，在项目概念阶段投入资源优化用户体验的公司，能够将产品开发周期缩短 33% 至 50%。
然而，这一流程建立在参与者诚实反馈的假设之上。不诚实的参与不仅会污染数据，还可能误导最终产品的设计方向。虽然虚假参与者并非新现象，但近年来其规模与复杂性显著增加。
远程研究与 AI 驱动的欺诈挑战
疫情期间，出于物理距离限制，在线招聘和数据收集成为用户研究的主流方式。即便在后疫情时代，远程方法因能降低差旅物流成本并扩大地理覆盖范围而持续流行。
这种便利性也催生了“专业参与者”产业。这些人利用数字匿名性和低门槛的身份验证机制，将参与研究作为额外收入来源。与此同时，人工智能工具的普及进一步降低了伪造身份的难度，为欺诈性参与创造了有利环境。市场研究协会全球数据质量倡议的数据显示，95% 的质量研究人员在过去 12 个月内遭遇过参与者欺诈。
虚假参与者可能扭曲研究主题，掩盖真实用户需求，导致团队结论偏离目标市场。一项 2025 年的案例研究表明，当欺诈性提交进入样本后，有效答案的比例从约 75% 骤降至 10% 左右。
平衡反欺诈措施与可访问性
在当前环境下，不开摄像头或频繁出现音频问题的参与者常被视作潜在欺诈者。但警惕不能以牺牲对个体需求和可访问性的敏感度为代价。用户可能有正当理由不使用视频、进行简短交流或在表达经验时遇到困难。因此，研究人员需采用旨在识别可疑行为模式的方法，而非简单排除特定群体。
在申请和筛选过程中，某些信号值得注意。例如，来自通常难以接触到的少数群体的意外申请人，虽可能是幸运所得，但也需更仔细核查。发表在《国际社会研究方法学杂志》上的一项针对在线焦点小组的研究指出，在一项以往绝大多数参与者为女性的研究中出现了异常男性申请人。
类似或不寻常的电子邮件地址也是常见的早期预警信号。包含常见姓名加一串数字的地址（如 john.doe1172@gmail.com）虽非确凿证据，但在判断可疑行为模式时是有用的数据点。
最显著的指标之一是陈述内容与会议表现之间的不一致。例如，声称每天使用某产品的参与者若无法说出基本特征或描述最近互动经历，便值得怀疑。关于近期个人经历的开放式问题有助于揭示这些矛盾。此外，一些可疑参与者在面试中显得分心或缺乏参与感，提供单词式回答，未能跟随问题，或抵制建立回应。虽然紧张、疲劳或对定性研究不熟悉也可能导致此类行为，但当其与其他标志同时出现时，应引起警惕。
应对疑似假冒参与者的五步框架
研究人员应在包括执行研究在内的全过程各阶段保持对潜在欺诈行为的意识。对于已被证明错误陈述资格的参与者，其数据应从分析中剔除。同时，团队应审查事件发生的具体情境，因为每个案例都可能暴露招募或筛选过程中的弱点，进而影响其他参与者。
一个可靠的实际应对框架可分为五个步骤：
- 暂停并澄清明显的差异。
- 若无法确定资格，结束会议。
- 通过适当的研究或招聘流程记录并报告事件。
- 从分析中排除不可靠的数据。
- 审查过程并在必要时加强筛查。
构建更具弹性的研究流程
尽管面临挑战，用户研究仍是企业改进和开发产品的宝贵工具。远程研究扩大了地理范围并减少了物流障碍，但预计由 AI 支持的虚假参与趋势在短期内不会消退。
值得注意的是，AI 既是问题的推手，也可成为解决方案的一部分。模式识别技术可以帮助研究人员发现重复参与者、可疑反应或其他异常的招聘行为。
随着企业加大用户研究力度以推出新的数字产品和服务，骗子正以越来越严重的方式威胁研究的有效性。因此，寻找有效的对策对于维护用户研究的价值至关重要。
