编辑推荐：
在健康偏好研究中，针对最佳 - 最差缩放法（BWS）等研究存在的欺诈性应答者及数据欺诈问题，研究人员开展了一项针对加拿大炎症性肠病（IBD）患者医疗服务的 BWS 在线调查。结果发现额外审查和年龄验证能更好分类应答者，也明确了防欺诈有效方法，为相关研究提供重要参考。
在健康偏好研究领域，尤其是针对最佳 - 最差缩放法（Best-Worst Scaling，BWS）以及具有非有序属性的离散选择实验，在预防、识别和管理欺诈性应答者与数据欺诈方面，相关证据和指导十分有限。研究人员以一项遭遇数据欺诈的 BWS 调查为例，开展了深入研究。
研究人员对加拿大炎症性肠病（Inflammatory Bowel Disease，IBD）患者进行了一项关于医疗服务的在线 BWS 调查。他们采用三步法对应答者进行识别、验证和分类，将其分为可能欺诈（Likely Fraudulent，LF）、可能真实（Likely Real，LR）和不确定三类。首先，对 12 个 “危险信号” 变量（被认定为欺诈指标的变量）的回答进行编码，0 表示通过，1 表示未通过，将这些分数相加得出 “欺诈性应答得分”（Fraudulent Response Score，FRS），分数范围为 0 - 12 分，分数越高越可能存在欺诈，以此对应答者进行初步分类。其次，对被归为 LR 或不确定类别的应答者进行年龄验证。最后，根据年龄验证结果更新分类。研究人员运用条件 logit 模型和潜在类别分析对 BWS 数据进行分析，并依据最终分类、FRS 和危险信号变量进行亚组分析 。
研究结果显示，共有 4334 名应答者参与了初始分类，其中 24%（n = 1019）被归为 LF，76%（n = 3315）需要进一步审查。审查后，75%（n = 3258）被认定为 LF，484 名应答者进行了年龄验证。基于年龄验证结果更新分类后，最终分类结果为 76%（n = 3297）为 LF，14%（n = 592）为不确定，10%（n = 442）为 LR，还有不到 1%（n = 3）是 LR 的重复样本。BWS 项目的排名因应答者类别不同而存在显著差异。潜在类别分析表明，最终分类与类别成员身份显著相关；第 1 类的特征与 LR 应答者相符，其项目排名顺序与 LR 应答者的条件 logit 结果高度一致。可疑电子邮件是最常出现问题的危险信号变量，且与欺诈性应答者相关。
研究结论表明，额外的数据审查和年龄验证步骤比仅依靠 FRS 或单个危险信号变量能实现更好的分类效果。电子邮件认证、一次性 / 唯一调查链接以及内置身份验证可能是预防欺诈最有效的方法。在健康偏好研究中，特别是在涉及非有序属性的研究中，需要制定良好的研究实践指南，以确定预防、识别和管理欺诈性数据的最有效和高效的方法。
