Dans le champ de la recherche scientifique et des sciences comportementales, la sélection des participants conditionne fondamentalement la robustesse des données recueillies et la portée des conclusions théoriques. L’échantillonnage accidentel, souvent mobilisé en raison de contraintes logistiques ou budgétaires incontournables, illustre la tension permanente entre la faisabilité empirique d’une étude et sa rigueur méthodologique. Comprendre les mécanismes, les limites inhérentes et les applications légitimes de cette modalité de collecte constitue une étape indispensable pour tout chercheur soucieux d’évaluer la validité écologique et externe de ses travaux.
Échantillonnage accidentel
1. Définition concise
L’échantillonnage accidentel (souvent assimilé à l’échantillonnage de convenance ou de commodité) est une méthode d’échantillonnage non probabiliste dans laquelle les individus composant l’échantillon sont recrutés uniquement en raison de leur accessibilité immédiate et de leur proximité spatiale ou temporelle par rapport au chercheur. Contrairement aux approches probabilistes, chaque membre de la population parente ne possède pas une probabilité connue et non nulle d’être inclus dans l’étude.
Sur le plan conceptuel, ce procédé repose sur le principe de l’opportunité brute : les sujets sont intégrés à mesure qu’ils se présentent à l’investigateur, jusqu’à ce que la taille d’échantillon souhaitée soit atteinte. En psychologie et en sciences sociales, cette technique est particulièrement fréquente lors des phases exploratoires, des pré-tests de questionnaires ou des expérimentations de laboratoire s’appuyant sur des cohortes d’étudiants inscrits dans les cursus universitaires.
Bien que cette méthode offre des gains considérables en termes de temps, de coûts financiers et de simplicité d’administration, elle interdit formellement la généralisation statistique des résultats à une population plus large, dans la mesure où les biais d’autosélection et de localisation empêchent d’assurer une représentativité adéquate.
2. Étymologie et origine linguistique
Le syntagme « échantillonnage accidentel » puise ses racines dans des traditions étymologiques distinctes. Le terme « échantillon » dérive de l’ancien français eschantillon, diminutif d’eschande, issu du latin populaire scandicula ou lié au verbe latin scandere (mesurer, gravir), désignant historiquement une portion étalon ou un fragment représentatif d’une marchandise destiné à en estimer la qualité globale.
L’adjectif « accidentel » provient quant à lui du bas-latin accidentalis, dérivé du verbe accidere, qui signifie « arriver par hasard », « survenir de façon fortuite », composé du préfixe ad- (vers) et du radical cadere (tomber). Sur le plan sémantique et philosophique, ce qui est accidentel s’oppose à ce qui est essentiel ou substantiel : il s’agit d’une propriété contingente, non planifiée par un calcul rationnel ou probabiliste.
Dans la littérature méthodologique anglo-saxonne, la notion est apparue sous le vocable accidental sampling dès le début du XXe siècle, avant d’être progressivement englobée ou supplantée par l’expression plus large convenience sampling (échantillonnage de convenance). En français, l’expression a conservé une connotation épistémologique précise pour désigner l’interception fortuite de sujets sur un lieu déterminé ou au gré des circonstances de terrain.
3. Prononciation et forme grammaticale
La locution nominale masculine s’énonce selon la transcription phonétique internationale suivante : /e.ʃɑ̃.ti.jɔ.naʒ ak.si.dɑ̃.tɛl/. Elle s’accorde au pluriel sous la forme « échantillonnages accidentels » (/e.ʃɑ̃.ti.jɔ.naʒ(z) ak.si.dɑ̃.tɛl/).
D’un point de vue morphosyntaxique, le terme est constitué d’un substantif déverbal dérivé d’« échantillonner » associé au suffixe d’action « -age », suivi d’un adjectif relationnel postposé. Dans le discours scientifique francophone, le terme fonctionne comme un complément circonstanciel de moyen (« réalisé par échantillonnage accidentel ») ou comme sujet au sein de discussions portant sur la validité méthodologique. Ses variantes lexicales acceptées dans la littérature spécialisée incluent « échantillonnage au jugé », « échantillonnage d’opportunité » ou, par métonymie fréquente, « échantillonnage de commodité ».
4. Explication conceptuelle détaillée
Pour appréhender l’échantillonnage accidentel, il convient de le resituer au sein de la théorie générale de la mesure et de l’inférence scientifique. Dans une démarche idéale d’inférence statistique, le chercheur cherche à estimer un paramètre inconnu au sein d’une population cible définie (notée N). Pour ce faire, la statistique inférentielle classique exige que chaque observation prélevée (l’échantillon n) soit sélectionnée de manière indépendante et selon une loi de probabilité rigoureusement modélisable. L’échantillonnage accidentel rompt délibérément avec ce postulat pour embrasser une logique purement pragmatique.
Dans ce cadre, la population accessible (ceux qui croisent la trajectoire spatio-temporelle de l’investigateur) se substitue à la population cible théorique. Si un psychologue cognitiviste décide de recruter cinquante passants dans le hall de son université pour évaluer le temps de réaction visuel à un stimulus lumineux, les critères d’inclusion se limitent souvent à la simple présence physique au moment de la passation et à l’assentiment du participant. Les déterminants invisibles qui ont conduit ces individus spécifiques à fréquenter ce lieu particulier à cette heure exacte constituent des variables parasites majeures qui échappent totalement au contrôle expérimental.
Cette rupture avec le hasard probabiliste a des conséquences fondamentales sur l’estimation de la variance. Les théorèmes statistiques majeurs, comme la loi des grands nombres ou le théorème central limite, reposent sur l’hypothèse de variables aléatoires indépendantes et identiquement distribuées (i.i.d.). Dans un échantillonnage accidentel, l’hypothèse d’indépendance est couramment violée en raison d’effets de grappes implicites : les personnes présentes au même endroit partagent fréquemment des caractéristiques démographiques, socioculturelles ou comportementales communes (homophilie spatiale ou temporelle).
Dès lors, l’échantillon accidentel souffre d’un double biais structurel. D’une part, le biais de sélection géographique et temporel restreint le vivier de recrutement à des segments très spécifiques de la population. D’autre part, le biais d’autosélection intervient dès lors que les sujets sollicités ont le loisir d’accepter ou de refuser de participer, ce qui surreprésente systématiquement les individus les plus coopératifs, disponibles, extravertis ou intéressés par la thématique de la recherche.
5. Développement historique
L’histoire de l’échantillonnage accidentel s’articule étroitement avec l’institutionnalisation des sciences sociales et l’essor des techniques de sondage d’opinion au tournant des XIXe et XXe siècles. Avant la formalisation mathématique de l’échantillonnage probabiliste moderne par le statisticien polonais Jerzy Neyman en 1934, la plupart des enquêtes empiriques en sociologie naissante et en psychologie s’appuyaient sur des groupes de sujets recrutés par pur opportunisme.
Dans les années 1920 et 1930, les enquêtes par interception ou par « bulletins de vote de paille » (straw polls) représentaient la norme journalistique et pré-scientifique. L’exemple historique le plus célèbre de l’échec cuisant d’un échantillonnage non probabiliste assimilable à l’opportunisme demeure l’élection présidentielle américaine de 1936. La revue Literary Digest envoya des millions de bulletins de vote fictifs à des personnes répertoriées dans les annuaires téléphoniques et sur les registres des propriétaires d’automobiles — un échantillon massif de plus de deux millions de répondants, mais entièrement biaisé par la commodité du recensement d’une classe sociale aisée. Le sondage prédit une victoire écrasante d’Alf Landon contre Franklin D. Roosevelt, qui remporta finalement l’élection par un raz-de-marée électoral. Simultanément, George Gallup, en utilisant des quotas plus rigoureux, exposa les carences mortelles de l’accumulation brute de données accidentelles.
Parallèlement, la psychologie académique a bâti une proportion monumentale de son corpus théorique du milieu du XXe siècle à nos jours sur des échantillons accidentels. Avec la massification des départements universitaires après la Seconde Guerre mondiale, le « pool d’étudiants de première année en psychologie » est devenu le modèle standard de recrutement. Les chercheurs compensaient les étudiants par des crédits de cours en échange de leur participation à des protocoles de laboratoire. Bien que cette pratique ait permis des percées théoriques notables dans l’étude des mécanismes de base de la mémoire, de la perception ou de l’attention, elle a progressivement conduit à la crise contemporaine de généralisabilité identifiée au XXIe siècle.
6. Fondements théoriques
Sur le plan épistémologique, l’échantillonnage accidentel s’inscrit au carrefour de la théorie de la validité de Donald T. Campbell et Julian Stanley (1963). Ces auteurs ont établi une distinction canonique entre la validité interne (la certitude que la variation de la variable indépendante est bien la cause de la variation observée sur la variable dépendante) et la validité externe (la possibilité d’extrapoler cette relation causale à d’autres populations, contextes et moments temporels).
L’échantillonnage accidentel sacrifie délibérément la validité externe au profit présumé de la faisabilité empirique ou de la validité interne de laboratoire. Dans un paradigme expérimental rigoureusement contrôlé, les partisans de cette approche postulent souvent que les processus psychologiques ou neurobiologiques fondamentaux (comme les seuils sensoriels, les mécanismes synaptiques de consolidation mnésique ou les heuristiques cognitives universelles) sont invariants d’un individu à l’autre. Sous l’hypothèse d’une telle universalité, n’importe quel être humain constitue un modèle biologique équivalent, rendant superflu le recours à un échantillon aléatoire représentatif.
Toutefois, le cadre du modèle des erreurs globales d’enquête (Total Survey Error Framework) élaboré par Robert Groves et ses collègues démontre que l’erreur de couverture et l’erreur de non-réponse atteignent leur paroxysme dans l’échantillonnage accidentel. En l’absence de base de sondage formalisée, la variance totale ne peut pas être décomposée de façon probabiliste, ce qui invalide l’application stricte des tests de signification d’hypothèse nulle (NHST, Null Hypothesis Significance Testing) reposant sur les lois de Student, de Fisher ou du Chi-deux, dont les prémisses mathématiques exigent l’aléa strict.
7. Composantes clés, types et dimensions
Bien que l’échantillonnage accidentel soit caractérisé par son caractère non probabiliste, il se décline en plusieurs sous-types ou modalités spécifiques selon le contexte empirique dans lequel il est mis en œuvre :
- L’interception spatiale fortuite : Recrutement direct de personnes franchissant un périmètre géographique précis (centres commerciaux, gares, parvis d’institutions). Le chercheur aborde les individus selon leur ordre d’arrivée sans critère de stratification préalable.
- L’échantillonnage d’étudiants captifs : Utilisation d’un groupe préconstitué auquel l’investigateur a un accès institutionnel privilégié (classes de cours, laboratoires d’enseignement). C’est la forme prédominante de collecte en psychologie expérimentale universitaire.
- L’échantillonnage accidentel en ligne (Web-based intercept) : Déploiement de bannières pop-up, de questionnaires partagés sur les réseaux sociaux personnels ou d’annonces publiques invitant les internautes à répondre de manière spontanée. L’accès dépend de l’algorithme de distribution et du temps de connexion des usagers.
- L’échantillonnage par volontariat spontané : Réponse à une annonce placardée ou diffusée dans les médias. Les sujets font la démarche active de contacter le laboratoire, maximisant le biais d’intérêt pour l’objet d’étude.
- L’échantillonnage accidentel en milieu clinique : Inclusion consécutive de patients admis dans un service hospitalier déterminé sur une période donnée. Bien qu’il réponde à des critères diagnostiques d’inclusion, il demeure accidentel quant à l’occurrence des admissions au sein de cet établissement précis.
8. Exemples et cas illustratifs
Afin d’illustrer la mécanique concrète de cette méthode, examinons trois cas contrastés issus de la pratique de recherche en psychologie et en santé publique.
Dans un premier cas, un chercheur en psychologie sociale s’intéresse à l’impact du bruit ambiant sur le niveau de stress perçu. Pour collecter rapidement des observations, il s’installe à la terrasse d’un café universitaire un mardi après-midi et sollicite les personnes assises à proximité pour remplir une échelle visuelle analogique de stress. L’échantillon obtenu sera composé majoritairement d’étudiants en sciences humaines n’ayant pas cours à cette heure-là, possiblement plus détendus ou issus de milieux socio-économiques spécifiques. L’extrapolation de ces observations à des travailleurs en milieu industriel ou à des personnes âgées est scientifiquement infondée.
Dans un second cas, un laboratoire de neuropsychologie prépare un protocole novateur d’imagerie par résonance magnétique fonctionnelle (IRMf) visant à explorer les corrélats neuronaux de la mémoire de travail spatiale. Face aux contraintes financières extrêmes (coût horaire élevé de la plateforme d’imagerie), l’équipe recrute douze volontaires parmi les doctorants et techniciens du centre de recherche. Dans ce contexte, l’échantillonnage accidentel sert d’étape pilote de faisabilité technique : il permet d’étalonner la séquence d’impulsion et de vérifier la puissance des signaux BOLD avant d’envisager un essai clinique à plus grande échelle.
Enfin, dans le secteur de l’évaluation clinique, un psychologue hospitalier souhaite tester la compréhension lexicale d’une nouvelle version traduite d’un questionnaire d’anxiété. Il administre l’outil aux dix premiers patients orientés vers sa consultation externe le lundi matin. Cet échantillon accidentel lui permet de repérer immédiatement les formulations ambiguës ou les termes polysémiques qui désorientent les répondants, remplissant ainsi une fonction de validation ergonomique préalable sans visée épidémiologique.
9. Mesure et évaluation
Puisqu’un échantillon accidentel ne garantit aucune équiprobabilité de tirage, les méthodologistes et psychométriciens ont élaboré des stratégies quantitatives et diagnostiques afin de mesurer l’ampleur des biais et de tenter de corriger a posteriori les déséquilibres structurels les plus manifestes.
La première étape évaluative consiste en un audit sociodémographique de représentativité comparée. Le chercheur confronte systématiquement la distribution des variables clés de son échantillon accidentel (âge, sexe, catégorie socioprofessionnelle, niveau d’études, distribution géographique) avec les paramètres connus de la population générale, généralement issus de recensements nationaux ou de données épidémiologiques de référence. Les écarts statistiques observés, évalués par des tests d’adéquation de Kolmogorov-Smirnov ou du Chi-deux de conformité, objectivent la sévérité des distorsions d’échantillonnage.
Sur le plan des redressements statistiques, différentes méthodes d’ajustement peuvent être mobilisées. Le calage sur marges (ou méthode de pondération post-stratifiée) attribue un poids statistique correctif à chaque individu afin de rééquilibrer artificiellement la structure de l’échantillon sur les marges de la population de référence. Dans les modèles quasi-expérimentaux complexes, l’utilisation de scores de propension (propensity score matching) permet de contrôler statistiquement les variables de confusion associées à l’autosélection des sujets en simulant une comparabilité entre sous-groupes.
Néanmoins, ces techniques correctives rencontrent une limite épistémologique infranchissable : elles ne peuvent ajuster que les variables mesurées et observables. Dans un échantillonnage accidentel, les biais les plus dévastateurs portent fréquemment sur des traits psychologiques latents non quantifiés (tels que la motivation intrinsèque, la méfiance envers les institutions scientifiques ou l’anxiété sociale), face auxquels les redressements mathématiques demeurent impuissants.
10. Applications et portée pratique
En dépit de ses faiblesses statistiques intrinsèques, l’échantillonnage accidentel occupe une place pragmatique considérable dans l’écosystème de la recherche contemporaine. Il serait erroné de le disqualifier systématiquement, pourvu que ses résultats soient interprétés avec la lucidité épistémologique requise.
Ses applications majeures se concentrent prioritairement dans les domaines suivants :
- La recherche exploratoire et qualitative : Dans les phases initiales d’un projet, lorsqu’un phénomène psychologique émergent est mal documenté (par exemple, l’apparition d’une nouvelle forme d’addiction numérique), l’accès rapide à un groupe d’individus directement observables permet de générer des hypothèses, de cartographier des concepts et d’alimenter la réflexion inductive.
- Le pré-test d’instruments de mesure : En psychométrie, avant d’engager des moyens massifs pour calibrer une échelle selon la théorie des réponses aux items (TRI), un échantillonnage accidentel suffit amplement pour identifier les items non discriminants, les problèmes de syntaxe ou les effets de plafond et de plancher.
- L’expérimentation de laboratoire sur les processus fondamentaux : En neurosciences cognitives et en psychophysique, où les paradigmes exigent un contrôle instrumental drastique (électroencéphalographie, oculométrie) plutôt qu’une extrapolation de fréquences démographiques, la commodité du recrutement demeure la règle prépondérante.
- La recherche clinique préliminaire (Phase pilote) : Dans l’évaluation de psychothérapies novatrices, tester un protocole d’intervention sur les quelques patients successivement admis en consultation permet de colliger des données d’innocuité, d’acceptabilité et d’estimation grossière de la taille d’effet avant d’engager un essai randomisé contrôlé (RCT).
11. Recherche et données empiriques
La communauté scientifique a fait de l’échantillonnage accidentel un objet d’étude empirique en soi, démontrant avec force les distorsions massives générées par cette pratique dans la littérature internationale.
L’étude fondatrice menée par Joseph Henrich, Steven Heine et Ara Norenzayan en 2010 a jeté une lumière crue sur ce phénomène. Les auteurs ont démontré que près de 96 % des échantillons utilisés dans les revues majeures de psychologie mondiale provenaient de populations dites WEIRD (acronyme de Western, Educated, Industrialized, Rich, and Democratic), lesquelles ne représentent qu’environ 12 % de l’humanité. Plus alarmant encore, une immense proportion de ces sujets étaient précisément issus d’un échantillonnage accidentel d’étudiants de licence. Henrich et ses collègues ont prouvé que ces cohortes accidentelles constituent de véritables anomalies statistiques au regard de la diversité cognitive, visuelle et morale de l’espèce humaine, invalidant ainsi de nombreuses affirmations sur de prétendus universaux psychologiques.
L’essor des plateformes de micro-travail en ligne (telles qu’Amazon Mechanical Turk ou Prolific) a également fait l’objet de vifs débats empiriques. Des chercheurs comme Chandler, Mueller et Paolacci (2014) ont analysé la composition de ces viviers d’échantillonnage d’opportunité numérique. Ils ont mis en évidence la présence de « super-répondants » (une infime fraction d’utilisateurs hautement expérimentés qui complètent des centaines de protocoles par semaine), induisant des effets d’entraînement majeurs qui faussent les paradigmes d’amorçage cognitif ou d’économie comportementale.
Par ailleurs, les travaux relatifs à la crise de la reproductibilité en sciences du comportement (notamment les projets menés sous l’égide de l’Open Science Framework) soulignent que le manque de représentativité et l’hétérogénéité cachée des échantillons accidentels figurent parmi les causes directes de l’impossibilité de répliquer des effets expérimentaux réputés classiques lorsqu’ils sont testés sur des populations différentes.
12. Considérations culturelles et transculturelles
L’usage de l’échantillonnage accidentel pose des défis éthiques et scientifiques majeurs lorsqu’il est transposé dans les études transculturelles. Le biais d’accessibilité est structurellement dépendant des configurations géopolitiques, socio-économiques et technologiques locales.
Dans les pays du Sud global ou les contextes minoritaires, les chercheurs occidentaux ont historiquement eu recours à des échantillons de commodité en milieu urbain ou universitaire local (par exemple, en recrutant dans les universités des capitales africaines ou sud-américaines). Cette approche engendre un biais d’homogénéisation pervers : les sujets inclus partagent souvent un mode de vie occidentalisé, un niveau d’alphabétisation élevé et un bilinguisme qui les séparent radicalement des populations rurales ou traditionnelles du pays concerné. L’étude prétendument « transculturelle » ne compare alors que des sous-groupes urbains occidentalisés entre eux, occultant la véritable diversité anthropologique.
En outre, la fracture numérique introduit un filtre d’exclusion systématique lors de l’usage d’échantillons accidentels sur internet. Dans de nombreuses régions du monde, l’accès à une connexion stable, à un ordinateur ou à des plateformes interactives reste l’apanage des classes moyennes supérieures masculines. Confondre les résultats tirés de ces participants opportunistes avec la psychologie de la culture nationale d’origine constitue une erreur de généralisation abusive.
13. Critiques, débats et limites
Les critiques formulées à l’encontre de l’échantillonnage accidentel sont nombreuses et articulées par les méthodologistes les plus stricts. La limite cardinale réside dans l’incapacité absolue de calculer l’erreur d’échantillonnage. En statistique inférentielle probabiliste, la marge d’erreur autour d’une moyenne ou d’une proportion est fonction de la variance et de la taille de l’échantillon, régie par la racine carrée de n. Dans un cadre accidentel, multiplier par dix ou par cent la taille de la cohorte ne réduit en rien le biais de sélection : un échantillon d’un million d’individus biaisés ne fait que mesurer le biais avec une précision trompeuse.
Un autre débat récurrent porte sur l’utilisation rituelle mais fallacieuse des valeurs p (p-values). La quasi-totalité des logiciels d’analyse statistique fournissent des tests de significativité dont la validité formelle s’effondre lorsque le plan de sondage n’est pas aléatoire. Cette dissonance cognitive entre la pratique statistique (traitant les données comme issues du hasard) et la réalité empirique du terrain (des sujets recrutés au gré des opportunités) contribue largement à la prolifération de faux positifs dans la littérature scientifique.
Enfin, sur le versant de l’éthique de la recherche, l’échantillonnage accidentel reproduit et renforce les asymétries de visibilité : certaines populations invisibilisées (personnes précaires, populations rurales éloignées, individus hospitalisés chroniques ou non connectés) demeurent systématiquement exclues de la production du savoir psychologique, alors même que les théories prétendent légiférer sur la nature humaine universelle.
14. Termes connexes et distinctions
Il est fondamental de ne pas confondre l’échantillonnage accidentel avec d’autres méthodes d’échantillonnage non probabilistes ou probabilistes. Le tableau comparatif suivant explicite ces distinctions conceptuelles :
- Échantillonnage accidentel vs Échantillonnage aléatoire simple : L’échantillonnage aléatoire simple est probabiliste ; chaque individu de la population globale dispose d’une probabilité mathématiquement égale et vérifiable d’être choisi par tirage au sort. L’échantillonnage accidentel ne s’appuie sur aucune base de sondage préalable et dépend uniquement de la présence fortuite des individus.
- Échantillonnage accidentel vs Échantillonnage par quotas : Dans l’échantillonnage par quotas (non probabiliste), le chercheur recrute également de manière non aléatoire, mais en respectant des proportions prédéterminées (sexe, âge, profession) calquées sur la structure de la population cible. L’échantillon accidentel pur n’impose aucun cadre contraignant de proportionnalité a priori.
- Échantillonnage accidentel vs Échantillonnage intentionnel (ou au jugé) : Dans l’échantillonnage intentionnel (purposive sampling), les individus sont sélectionnés minutieusement en fonction de leur expertise spécifique ou de critères théoriques pointus définis par l’investigateur. Dans le modèle accidentel, le critère primordial d’inclusion est l’accessibilité logistique immédiate, indépendamment de la qualité informationnelle exceptionnelle du sujet.
- Échantillonnage accidentel vs Échantillonnage en boule de neige : L’échantillonnage en boule de neige s’appuie sur un réseau social où les premiers participants recrutent leurs pairs au sein d’une population cachée ou marginale (ex. toxicomanes, membres d’organisations secrètes). Bien que non probabiliste, il explore une structure relationnelle interne, alors que l’échantillonnage accidentel intercepte des inconnus isolés sans filiation relationnelle ciblée.
15. Synthèse et points clés
En somme, l’échantillonnage accidentel se caractérise par les éléments fondamentaux suivants :
- Il s’agit d’une procédure non probabiliste régie par l’opportunisme géographique, temporel ou matériel, où la population accessible remplace la population théorique.
- Ses atouts majeurs résident dans son faible coût, sa rapidité d’exécution et sa pertinence pour les études exploratoires, ergonomiques ou de calibrage méthodologique initial.
- Ses faiblesses structurelles sont le biais de sélection massif, la surreprésentation des volontaires et l’inapplicabilité théorique des tests d’inférence statistique classique.
- Ses résultats ne peuvent en aucun cas être généralisés à la population générale sans faire peser une menace critique sur la validité externe des théories formulées.
- Une recherche responsable exige la transparence intégrale des auteurs quant à la trajectoire de recrutement, ainsi qu’une prudence épistémologique stricte dans l’interprétation des portées théoriques.
Références
- Campbell, D. T., & Stanley, J. C. (1963). Experimental and quasi-experimental designs for research. Rand McNally.
- Groves, R. M., Fowler, F. J., Couper, M. P., Lepkowski, J. M., Singer, E., & Tourangeau, R. (2009). Survey methodology (2nd ed.). John Wiley & Sons.
- Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2-3), 61-83. https://doi.org/10.1017/S0140525X0999152X
- Neyman, J. (1934). On the two different aspects of the representative method: The method of stratified sampling and the method of purposive selection. Journal of the Royal Statistical Society, 97(4), 558-625. https://doi.org/10.2307/2342192
- Paolacci, G., & Chandler, J. (2014). Inside the Turk: Understanding Mechanical Turk as a participant pool. Current Directions in Psychological Science, 23(3), 184-188. https://doi.org/10.1177/0963721414531598