Q01
Mensagem
Todos os modelosEducation & Academic
Experimento de Lista de Tópicos Sensíveis (Contagem de Itens)
Meça comportamentos que as pessoas não admitem diretamente: o experimento de lista (técnica de contagem de itens) pergunta apenas QUANTAS afirmações se aplicam — nunca quais — de modo que as respostas individuais permanecem verdadeiramente negáveis, enquanto as comparações entre grupos revelam a taxa real. O tipo de questão nativo randomiza as listas de controle e de tratamento para você.
Perguntas de exemplo
Uma prévia do que há no modelo. Todas as perguntas podem ser editadas antes de publicar.
6 perguntas · ~5 min
Q02
PerguntaObrigatória
Quantas das afirmações a seguir se aplicam a você? Conte-as em particular e insira apenas o número.
Q03
Escala de opiniãoObrigatória
Quão confortável você se sentiu ao responder honestamente com este formato de contagem?
Escala: 1 – 5
Mín:Ainda me senti expostoMáx:Completamente seguro
Q04
Múltipla escolhaObrigatória
De modo geral, quão sensível você considera este tópico entre as pessoas do seu convívio?
- Não é sensível — as pessoas falam sobre isso abertamente
- Um pouco sensível
- Muito sensível — raramente discutido com honestidade
Q05
Entrevista com IA
SEM NUNCA perguntar se a afirmação sensível se aplicava a eles, explore o contexto social do tópico: por que as pessoas no ambiente deles poderiam subnotificar esse comportamento em pesquisas normais, quais consequências sociais ou profissionais provocam isso, e quais condições (garantias de anonimato, enquadramento, quem está perguntando) tornam as respostas honestas mais prováveis. Mantenha o tom acadêmico e nunca investigue a contagem pessoal deles.
Q06
Mensagem
Obrigado. Como diferentes participantes receberam listas ligeiramente distintas, a comparação das médias dos grupos estima quão comum é realmente o comportamento sensível — sem que nenhum indivíduo jamais seja identificável.
O que está incluído
Acompanhamento com IA
Sondagens adaptativas nas respostas abertas que revelam detalhes que um formulário estático deixaria passar.
Verificações de atenção
Proteções integradas contra respostas apressadas e participantes de baixa qualidade.
Textos escritos por IA
Redação, ordem e ramificações escritas pela IA, ajustadas ao seu objetivo de pesquisa.
Relatório automático
Temas, citações e um resumo em linguagem simples se escrevem sozinhos assim que as respostas chegam.
Como se compara
Analisamos os modelos mais parecidos de outras ferramentas de pesquisa. Veja o que elas fazem bem e onde este modelo vai além.
Por que este modelo
- A native list-experiment question type randomizes control and treatment lists automatically — the method's hardest part, handled
- Individual answers stay genuinely deniable: respondents only ever report a count, never which items
- A comfort check validates that the format actually made honest answering feel safe
- The AI interview explores the topic's social context without ever probing any individual's answer
Gradient Metrics
List ExperimentsApplied methodology guide (not a drop-in survey template) explaining list experiments as indirect measurement of private opinion via the item-count technique: respondents report how many of a list they agree with, control vs. treatment lists differ by one sensitive item, and prevalence is the difference in means. Cites a real 19,000+ response deployment (Social Pressure Index with Populace). No competitor here ships this as a native, self-serve question type.
O que faz bem
- Clear, correct explanation of the control-vs-treatment design and difference-in-means estimation
- Grounds the method in a real large-sample deployment (19,000+ responses, Social Pressure Index)
- Frames the practical use case: measuring the gap between public and private opinion on sensitive topics
- Emphasizes the privacy guarantee that makes honest answers possible
Onde deixa a desejar
- It is a blog/methodology explainer, not a usable template or a built-in question type a researcher can drop into a survey
- No tooling to auto-randomize respondents into control/treatment arms and enforce balanced allocation
- No built-in estimator/report that computes prevalence and confidence intervals from collected data
- No guardrails against ceiling/floor effects (list design) surfaced for a non-methodologist user
SensitiveQuestions.org (R 'list' package)
Statistical Methods for the Item Count Technique and List Experiment (R package 'list')The canonical academic toolkit for list-experiment analysis: an R package implementing multivariate/random-effects/Bayesian MCMC regression, joint modeling, combined list+direct-question estimators, and statistical tests to detect list-experiment failure. Authoritative on analysis, but it is code for researchers post-collection, with no fielding UI, randomization, or respondent experience.
O que faz bem
- Comprehensive, peer-reviewed estimators (multivariate, random-effects, Bayesian MCMC hierarchical regression)
- Supports advanced designs: multiple sensitive items, list experiments as predictors, combined list+direct estimates
- Includes diagnostics and placebo tests to detect list-experiment failure
- Grounded in six methods papers (2011-2016), the field standard for analysis
Onde deixa a desejar
- Analysis-only R code; provides no survey fielding, randomization, or respondent-facing UI
- Requires statistical programming expertise, out of reach for a typical survey author
- No integration with data collection: the researcher must field the experiment elsewhere and export data
- No auto-generated plain-language report; outputs are statistical objects, not decision-ready summaries
Perguntas frequentes
Quais perguntas estão no modelo “Experimento de Lista de Tópicos Sensíveis (Contagem de Itens)”?
O modelo inclui 6 perguntas prontas para usar, começando por: “Este estudo utiliza uma técnica projetada para obter respostas honestas sobre tópicos sensíveis: você verá uma lista cur…” · “Quantas das afirmações a seguir se aplicam a você? Conte-as em particular e insira apenas o número.” · “Quão confortável você se sentiu ao responder honestamente com este formato de contagem?”. O conjunto completo aparece acima e todas as perguntas podem ser editadas.
Quanto tempo leva para responder a esta pesquisa?
Os participantes normalmente terminam as 6 perguntas em cerca de 5 minutos.
Posso personalizar este modelo?
Sim: cada pergunta, cada opção de resposta e a ordem podem ser editadas antes de publicar. Você pode adicionar ou remover perguntas, ou pedir ao editor com IA para refazer a pesquisa em torno do seu objetivo.
Este modelo é gratuito?
Sim. Abra no editor e comece a personalizar agora: não é preciso criar conta para testar, e o plano gratuito cobre a publicação da sua pesquisa.
Pronto para publicar?
Abra este modelo no editor. Tudo é seu para mudar antes de o primeiro participante ver.
Modelos relacionados
Mais estudos sobre temas semelhantes.
Education & Academic
Research Informed Consent & Enrollment
A complete consent flow for research studies: plain-language study information, granular consent statements with a comprehension check, signature capture, and contact enrollment. Built for IRB-style requirements — participants confirm they understand, not just that they scrolled.
Ver modeloEducation & Academic
Estudo sobre Experiência de Entrevista
Um instrumento de comparação controlada para avaliar experiências de entrevista em diferentes formatos de moderador. Esta pesquisa mede as expectativas pré-entrevista, insere uma sessão de entrevista e captura avaliações pós-entrevista sobre conforto, qualidade, profundidade, confiança e disposição de participar novamente.
Ver modeloEducation & Academic
Experimento de Vinheta: Teste de Cenário e Enquadramento
Um verdadeiro experimento de vinheta fatorial: os respondentes avaliam cenários realistas cujos detalhes-chave (enquadramento de preço, mensageiro, redação) alternam de forma sistemática, para que você possa medir como cada fator altera o julgamento. O tipo de pergunta de vinheta integrado gera as combinações de cenários para você.
Ver modeloEducation & Academic
Avaliação de Maturidade em Experimentação e Testes A/B
Avalia a maturidade do programa de experimentação em cultura, processo, ferramentas, governança e resultados. Projetada para equipes de produto, growth e dados fazerem benchmark de capacidades e identificarem prioridades de melhoria.
Ver modeloEducation & Academic
Conforto dos Participantes com Entrevistadores de IA — Pesquisa de Acompanhamento Longitudinal
Um modelo de pesquisa de medidas repetidas projetado para acompanhar como as percepções de conforto, confiança e naturalidade dos participantes em relação a entrevistadores de IA evoluem ao longo de várias sessões. Aplique em cada onda do estudo com escalas consistentes para permitir a análise de mudanças intraindivíduos.
Ver modeloEducation & Academic
Pesquisa sobre o Interesse dos Alunos em Tópicos e Atividades do Curso
Mede quais tópicos, formatos e atividades de aprendizagem realmente despertam a curiosidade dos alunos versus quais não geram engajamento, para instrutores e designers instrucionais que estão aprimorando um curso ou programa. Uma entrevista de acompanhamento com IA investiga o momento específico em que o interesse surgiu ou desapareceu, revelando detalhes que as avaliações sozinhas não conseguem mostrar.
Ver modelo