Ankiety internetowe stały się dominującą formą gromadzenia danych w naukach o zarządzaniu. Niestety łatwość zbierania danych nie towarzyszy staranności metodologicznej w analizach danych. Niektórzy respondenci nie czytają uważnie pytań, udzielając przypadkowych odpowiedzi, więc nazywa się ich FAŁSZYWYMI/nieuważnymi respondentami. Nieuwaga może być globalna (całość lub większość ankiety) lub lokalna (gdy respondenci nie zwracali uwagi odpowiadając na blok pytań, ale odpowiadali na inne z należytą starannością). FAŁSZYWYCH respondentów można łatwo zauważyć podczas wywiadu, ale wykrycie ich w ankiecie online jest trudne. Nierzetelne dane mogą zmienić korelacje, utrudnić analizę i ocenę wyników, zmniejszyć moc statystyczną i wielkość efektu oraz obniżyć spójność wewnętrzną. Rozprawa ma na celu opracowanie i przetestowanie PROCEDURY wykrywania FAŁSZYWYCH RESPONDENTÓW. Przegląd literatury kończy się identyfikacją czterech sygnałów ostrzegawczych na podstawie: WS1: czas odpowiedzi, WS2: pytania sprawdzające uwagę, WS3: styl odpowiedzi i liczba odpowiedzi beztreściowych oraz WS4: deklaratywne i behawioralne środki współpracy. Wykonano dwa zadania badawcze: (1) oszacowanie poziomu nieuwagi, (2) oszacowanie konsekwencji ignorowania problemu oraz przetestowanie przydatności procedury FLEXMIX (skończone mieszaniny uogólnionych modeli regresji) do wykrywania fałszywych respondentów. Przeanalizowano dziewięć zbiorów danych z ankiet internetowych z łączną liczbą 5645 respondentów oraz trzy zbiorych danych nieinternetowych (oparte na wywiadach bezpośrednich) – polskie próby z World Values Survey i European Working Conditions Survey, w sumie 3169 respondentów. Odsetek fałszywych respondentów zależał od ankiety. Najwyższy wyniósł 71% dla danych z komercyjnego panelu online, najniższy 22,1%. Ogólnie rzecz biorąc, odsetek ten był najniższy w przypadku zbiorów danych nieinternetowych (z wysokobudżetowych międzynarodowych badań, które zostały starannie zaprojektowane i oczyszczone przez międzynarodowe zespoły naukowców zanim zostały udostępnione publicznie). Aby oszacować konsekwencje ignorowania obecności FAŁSZYWCH respondentów w zbiorze danych, porównano rzetelność pomiaru (operacjonalizowanego przez Alfę Cronbacha) w 2 grupach. Dla pierwszej grupy UWAŻNYCH (którzy przeszli wszystkie testy) respondentów alfy Cronbacha były zgodne z założeniami teoretycznymi. Dla drugiej grupy FAŁSZYWYCH respondentów wiarygodność tego samego wskaźnika była wyjątkowo niska (w niektórych przypadkach nawet ujemna – co jest najlepszym dowodem na to, że FAŁSZYWY respondent nie zauważył odwróconych pytań). Rozprawa kończy się przedstawieniem procedury wykrywania FAŁSZYWYCH respondentów, z której mogą (i powinni) korzystać wszyscy badacze. Należy jednak podkreślić, że metody analizy danych i kryteria wykluczenia powinny być zaplanowane przed zaprojektowaniem ankiety, aby mieć pewność, że wprowadzono pytania sprawdzające uwagę, mierzony jest czas odpowiedzi itp. Wyników moich analiz nie da się uogólnić na wszystkie dane zebrane w ankietach internetowych, ponieważ analizowane zbiory danych pochodzą z badań, które zostały starannie zaplanowane i przeprowadzone na grupach osób, które mogły wziąć w nich udział wyłącznie na zaproszenie (pracownicy zarejestrowani w panelu komercyjnym, pracownicy studiujący na Wydziale Zarządzania). Wszyscy respondenci byli dodatkowo zmotywowani do udziału i zostali poinformowani z wyprzedzeniem, że ich odpowiedzi zostaną poddane procedurze wykrywania FAŁSZYWYCH respondentów. Można przewidzieć, że dane uzyskane z ankiet, do których linki były szeroko udostępniane na platformach społecznościowych (takich jak Facebook) zawierają znacznie wyższy odsetek FAŁSZYWYCH respondentów, którzy klikali losowo ponieważ np. stracili motywację podczas odpowiadania na pytania, ale byli ciekawi następnej strony. Ankiety te są często źle zaprojektowane (np. nie dają respondentom możliwości wyboru odpowiedzi „Nie wiem”). Analizy przeprowadzone na nieoczyszczonych danych mogą prowadzić do FAŁSZYWYCH wniosków, które, jeśli zostaną włączone do obiegu naukowego, szkodzą rozwojowi badań z zakresu zarządzania. Teorie HRM potwierdzone przez obciążone (niewiarygodne) dane nie są prawdziwe, więc wykrywanie FAŁSZYWYCH respondentów jest ważnym zadaniem przed analizą danych.
