As quatro regras básicas de qualidade
Rápidos demais (speeders): a mediana da duração serve de referência para o tempo de uma resposta atenta. São sinalizadas as entrevistas abaixo de uma fração da mediana (33% por padrão) ou abaixo de um mínimo em segundos que você define, o que for maior. Linhas sem duração ou com duração não numérica nunca são marcadas como rápidas demais.
Respostas em linha reta (straight-lining): nas colunas de grade que você escolher, a linha é sinalizada quando todas as respostas dadas são idênticas e há pelo menos 3 itens respondidos (ajustável). A ferramenta também mostra a maior sequência de respostas iguais como sinal auxiliar, porque linhas retas parciais são comuns em grades longas.
Duplicatas: quando o mesmo ID de entrevistado reaparece, a primeira ocorrência é mantida e as seguintes são sinalizadas. Ao marcar a comparação de linha inteira, envios repetidos são encontrados mesmo que o ID tenha sido gerado de novo.
Entrevistas incompletas: a linha é sinalizada quando a proporção de células em branco passa do limite (50% por padrão). Brancos por pulo de pergunta são normais; em questionários com muitos filtros, aumente o limite.
Abertas, quase duplicatas, identificadores e verificações de atenção
Abertas de baixa qualidade: cada resposta das colunas de texto escolhidas passa por uma sequência fixa de testes — não respostas (“n/a”, “não sei”, “nada”, “.”, “bom”), ausência de letras (“12345”), respostas curtas demais, teclas digitadas a esmo em sequência no teclado QWERTY (“asdfg”), caracteres repetidos (“kkkk”, “asdasd”), poucas vogais e variedade de caracteres anormalmente baixa. As regras de teclado, vogais e tamanho valem só para respostas em alfabeto latino; respostas em chinês, japonês, coreano, cirílico, árabe e outras escritas passam apenas pelos testes que não dependem do alfabeto.
Copiar e colar: respostas idênticas na mesma coluna (ignorando maiúsculas, espaços, pontuação e caracteres invisíveis), com pelo menos 30 caracteres e repetidas por pelo menos 3 entrevistados, são sinalizadas em todas as linhas do grupo — um sinal típico de fazendas de respostas. Não respostas são um sinal fraco: aparecem com o motivo, mas ficam no arquivo limpo, a menos que você marque a opção para removê-las.
Quase duplicatas: nas colunas escolhidas, comparando só as colunas respondidas nas duas linhas, um par com 95% ou mais de respostas idênticas (ajustável) tem a linha posterior sinalizada e a anterior mantida. Para evitar comparar todos os pares, a ferramenta agrupa as respostas por chaves de hash; quando um grupo fica grande demais, compara apenas vizinhos ordenados e avisa que algo pode ter escapado.
Identificadores técnicos repetidos: em colunas de IP, ID de dispositivo ou fingerprint, e-mail ou ID de painel, cada valor repetido depois da primeira ocorrência é sinalizado. Valores genéricos como “N/A”, “-”, “unknown” ou “0.0.0.0” são ignorados e os IPs são comparados na forma canônica. A opção mais ampla trata como repetidos os IPs do mesmo bloco /24 (IPv4) ou /64 (IPv6). Escritórios, escolas e operadoras de celular compartilham endereços, então isso é sinal para revisar, não prova.
Verificações de atenção: indique uma ou mais perguntas-armadilha e a resposta esperada (por exemplo “selecione Concordo totalmente”), como código ou como rótulo de valor. A linha é sinalizada quando o número de falhas atinge o mínimo definido. Por padrão, branco não conta como falha, porque um filtro pode ter pulado a pergunta.
Fórmulas usadas
Rápido demais: duração < max(p × mediana da duração, mínimo em segundos), com p = 0,33 por padrão.
Linha reta: itens respondidos ≥ m e todas as respostas dadas iguais (desvio padrão zero), com m = 3 por padrão.
Incompleta: células em branco ÷ total de colunas > limite, com limite = 0,50 por padrão.
Quase duplicata: respostas idênticas ÷ colunas respondidas nas duas linhas ≥ s, com s = 0,95 por padrão, e pelo menos metade das colunas escolhidas respondidas nas duas linhas.
Por que a mediana e não a média: a duração costuma ter assimetria à direita. Quem deixa o questionário aberto por horas puxa a média para cima e faz muita gente normal parecer apressada; a mediana não é afetada por esses extremos.
Exemplo com os dados de exemplo
O tracking sintético de marca de snacks embutido tem 600 linhas (596 entrevistados gerados mais 4 envios duplicados). Com as configurações padrão, escolha duration_sec, as 8 colunas brand_grid_* e respondent_id:
A mediana da duração é 520 segundos, então o limite para rápidos demais é 0,33 × 520 = 171,6 segundos, e 26 linhas ficam abaixo dele. 38 linhas dão a mesma resposta nas 8 afirmações da grade, 4 linhas repetem um ID já visto e 0 linhas têm mais de 50% em branco.
Só com essas quatro regras, 54 linhas são sinalizadas. 14 delas são ao mesmo tempo rápidas demais e em linha reta, por isso a soma por regra (68) é maior que 54. O arquivo limpo mantém 546 linhas.
Os dados de exemplo também trazem a aberta like_most_oe, ip_address, device_id e uma attention_check que pede a resposta 5. Com todas as verificações ligadas: 17 linhas têm abertas de baixa qualidade (10 sem sentido e 7 copiadas e coladas), e outras 6 não respostas aparecem como sinal fraco, mas ficam na base; as respostas em chinês, japonês, coreano, russo, árabe e espanhol não são sinalizadas. 4 linhas são quase duplicatas (os envios repetidos acima), 11 repetem um endereço IP (8) ou um ID de dispositivo (7) já visto, e 46 falham na verificação de atenção — em boa parte respondentes em linha reta que copiaram a resposta da grade.
No total, as oito regras sinalizam 80 linhas, 47 delas por duas ou mais regras, e o arquivo limpo mantém 520 linhas, das quais 5 têm apenas o sinal fraco de não resposta. Marcando “Remover também linhas cujo único problema na pergunta aberta é uma não resposta”, são 85 linhas sinalizadas e 515 mantidas.
Quando usar e quando ter cautela
Use antes de tabular dados de painel online ou de questionários autoaplicados, que são os mais sujeitos a respostas apressadas e em linha reta. Também serve para checar se o arquivo entregue pelo campo traz entradas duplicadas ou casos de teste.
- Não trate como exclusão automática: revise as linhas sinalizadas, principalmente as que caíram em uma só regra.
- Em grades curtas, de perguntas factuais, ou quando o entrevistado gosta de verdade de todas as marcas, respostas iguais podem ser legítimas.
- Em entrevistas por telefone (CATI) ou presenciais, a duração reflete o ritmo do entrevistador, não do entrevistado; a regra de rapidez não se aplica bem.
- As verificações só enxergam o que está no arquivo e não substituem as proteções da plataforma (captcha, fingerprint, validação do painel); uma resposta bem escrita gerada por IA não é tratada como texto sem sentido.
- No relatório metodológico, informe o limite de cada regra e quantos casos foram excluídos, para que o leitor avalie se a limpeza mudou o perfil da amostra.
Como ler as sinalizações
Uma regra isolada é um sinal para revisão manual; duas ou mais regras na mesma linha costumam ser evidência forte de resposta descuidada ou fraudulenta. “Baixar todas as linhas com colunas de sinalização” mantém todas as linhas e acrescenta flag_speeder, flag_straightliner, flag_duplicate e flag_incomplete; quando as verificações novas rodam, também flag_open_end, flag_near_duplicate, flag_identifier, flag_attention e flag_rule_count, e por fim flag_reasons, para revisar caso a caso na planilha. Os nomes das colunas e os motivos exportados ficam em inglês, para facilitar a integração com outros scripts.
Depois da limpeza, abra o arquivo no espaço de trabalho do Crosstabs para gerar as tabelas cruzadas, ou passe antes pelo mapeador de rótulos para trocar os códigos numéricos pelos textos das respostas.