Fir Prestatairen
Effort weist d’Absicht: wat d’Fuerschung iwwer detailléiert Ufroe seet
Clienten, déi sech d’Zäit huelen, hire Projet ze beschreiwen, sinn am Duerchschnëtt méi eescht Keefer. Wat d’Fuerschung weist, wou se ophält, a firwat e fixe Präis pro Mount eis Interessen op déi vun de Prestatairen ausriicht.

- 15–18 %
- méi niddreg Astellungsquot bei Annoncen ouni Effort
- +10 %
- Erfollegsquot vun de Prestatairen, wann d’Proprietäre gewielt hunn
- 33 %
- manner Aschreiwungen no engem zousätzleche Schrëtt
- 0 €
- Käschte pro Ufro op Fynd.lu
Kuerz gefaasst
- Effort ass e Signal. Wéi d’Schreiwe vun enger Jobannonce an engem randomiséierten Experiment keen Effort méi gekascht huet, sinn der méi erakomm, mee vun Employeuren, bei deenen et manner warscheinlech war, datt se een astellen.
- Bei de Servicer fir doheem huet Angi datselwecht Muster gesinn: wéi d’Proprietären hir Prestatairen hu misse selwer wielen, ass d’Zuel vun de Leads erofgaangen an d’Erfollegsquot vun de Prestatairen ëm ongeféier 10 % geklommen.
- Méi Effort hëlleft nëmme bis zu engem gewëssene Punkt. Froen, déi op d’Aarbecht ofgestëmmt sinn, fänken d’Signal op; mat laange Formulairen a laange fräien Texter verléiert een och gutt Clienten.
- Nach keng Studie huet dat zu Lëtzebuerg gemooss. Fynd.lu sammelt seng eegen Donnéeë fir méi grëndlech lokal Fuerschung.
Stand: 4. November 2026.
E Leeëndecker kritt e Méindeg de Moien dräi Ufroen.
An där éischter steet «Daach flécken, wat kascht dat?», ouni Adress an ouni Fotoen. Déi zweet kënnt vun engem Proprietär, dee Präisser fir e Projet sammelt, deen e vläicht d’nächst Joer mécht. Déi drëtt gëtt d’Strooss un, d’Schréi vum Daach, d’Zuel vun de kapotte Leeën, eng Foto vum Waasserfleck um Späicher an eng Frist virum nächste staarke Reen.
All dräi Ufroe brauchen Zäit fir eng Äntwert. Nëmmen eng gëtt warscheinlech en Optrag.
Proprietären, déi sech d’Zäit huelen, hire Projet uerdentlech ze beschreiwen, sinn am Duerchschnëtt méi eescht Clienten. D’Fuerschung, op déi sech dat stëtzt, ass reell, mee meeschtens indirekt. Dësen Artikel weist dofir, wat se beleet a wou se ophält.
D’Käschte fir d’Prestatairen: Ufroen ouni Optrag
Fir en Handwierker ass déi deierst Ufro déi vun engem, deen ni virhat, een ze engagéieren. Se ze liesen, zréckzeruffen an ze chiffréieren dauert sou laang wéi bei engem richtegen Optrag, a se bréngt näischt an.
An den USA ass de Problem bis bei d’Autoritéite komm. 2023 huet d’Federal Trade Commission eng Decisioun géint HomeAdvisor finaliséiert, eng Firma, déi Handwierksbetriber Leads verkaaft huet, fir eng Memberschaftscotisatioun plus e Betrag pro Lead. D’FTC huet der Firma virgeworf, se hätt zanter op d’mannst 2014 d’Qualitéit vun dëse Leads falsch duergestallt, och wéi warscheinlech et wier, datt doraus en Optrag gëtt. HomeAdvisor huet en Accord mat der FTC ofgeschloss an huet zougestëmmt, bis zu 7,2 Milliounen US-Dollar ze bezuelen.
D’Lektioun geet esou vill ëm Ureizer wéi ëm eng eenzel Firma. Wann eng Plattform un all Lead verdéngt, bedeite méi Leads méi Ëmsaz, egal ob doraus Aarbecht gëtt oder net. Volume léisst sech einfach erhéijen. Wat dem Prestataire Suen abréngt, ass d’Absicht.
Dofir funktionéiert Fynd.lu mat engem fixen Abonnement pro Mount an ouni Käschte pro Ufro. Eng Ufro, déi ni en Optrag gëtt, bréngt eis näischt an. Eist Interessi ass datselwecht wéi dat vum Prestataire: manner Ufroen, déi Zäit kaschten, a méi, fir déi et sech lount, en Devis ze maachen.
Quellen: FTC, Januar 2023 an FTC, Abrëll 2023
D’Iddi: Effort ass e Signal, dat eppes kascht
E Signal ass glafwierdeg, wann et eppes kascht, et ze schécken, an zwar méi fir een, deen nëmme kuckt, wéi fir een, deen decidéiert ass ze kafen. Dat ass d’Logik vun der Signaltheorie an der Ekonomie, a Froen iwwer e Projet ze beäntwere passt gutt dozou.
E Proprietär, dee geschwënn renovéiere wëll, kennt schonn d’Gréisst vum Raum, ongeféier de Budget, den Zäitplang an d’Aschränkungen. D’Beäntwere kascht him wéineg Effort a kënnt him nëtzlech vir.
E Proprietär, deen nëmme virwëtzeg ass, muss eng Paus maachen an iwwerleeën, an e puer hale genee do op. Genee dësen Ofsprong ass de Filter, dee seng Aarbecht mécht.
Ekonomisten nennen esou bewosst Friktiounen Ordeal-Mechanismen: kleng Käschten, iwwer déi d’Leit sech selwer sortéieren, jee nodeem, wéi vill hinnen um Resultat läit. An engem Feldexperiment an Indonesien hunn d’Leit sech missen op de Wee maachen an eng Ufro fir e Sozialprogramm stellen. Dat huet eng besser gezielt Grupp vu Beneficiairen erginn, wéi wa se automatesch ageschriwwe gi wieren. Déiselwecht Studie enthält eng Warnung, op déi dësen Artikel nach zréckkënnt: d’Ufro nach méi schwéier ze maachen, huet d’Selektioun net weider verbessert. Et huet nëmmen d’Käschten erhéicht.
Et ginn zwee Grënn, firwat detailléiert Äntwerten en Optrag kënne viraussoen, a béid hëllefen de Prestatairen. Selektioun: eescht Cliente sinn éischter bereet z’äntweren, an dofir sinn d’Ufroen, déi ukommen, méi eescht. Engagement: d’Äntweren u sech kann e Client e bësse méi engagéiert maachen.

Beweis 1: wou d’Schreiwe vun enger Ufro méi einfach gouf, ass d’Absicht gefall
Dee kloerste kausale Beweis kënnt aus engem randomiséierte Feldexperiment vum Emma Wiles a vum John Horton um MIT. Et ass op engem groussen Online-Aarbechtsmaart gelaf, wou Employeuren Aarbechten ausschreiwen a Freelancer sech mellen, en Opbau ganz ähnlech wéi Proprietären, déi Projeten ausschreiwen, a Prestatairen, déi en Devis maachen.
E puer Employeuren hu per Zoufall en éischte Brouillon vun hirer Annonce ugebuede kritt, dee vun enger KI geschriwwe war. D’Versioune vun der Studie weisen:
| Resultat | Effekt, wann d’Annonce ouni Effort entsteet |
|---|---|
| Warscheinlechkeet, eng Aarbecht auszeschreiwen | ongeféier 20 % méi héich |
| Zäit, fir d’Annonce ze schreiwen | ongeféier 40 % manner |
| Gesamtzuel vun den Astellungen | keng Steigerung |
| Astellungsquot vun den Annoncen | 15 bis 18 % méi niddreg, jee no Versioun |
Déi zousätzlech Annonce koume vun Employeuren, déi manner Absicht haten, een anzestellen, an d’Annoncen ware méi allgemeng. Virun der KI sinn Effort an Detailer Hand an Hand gaangen, sou datt Kandidaten eng detailléiert Annonce als Zeeche vun engem eeschten Employeur liese konnten. Ouni den Effort war och d’Signal fort.
Dat ass d’Situatioun vum Prestataire, just ëmgedréint. Den Effort, deen e Proprietär an d’Beschreiwung vu sengem eegene Projet stécht, ass e Signal fir seng Absicht. Wann een dësen Effort ewechhëlt, mat engem eidele Formulaire vun enger Zeil oder enger Ufro, déi eng KI fir de Proprietär schreift, kommen Ufroe mat manner Absicht eran, an d’Signal gëtt onkloer. D’Lektioun ass net, den Effort ewechzehuelen, mee dofir ze suergen, datt en an Äntwerte fléisst, déi spezifesch fir d’Aarbecht sinn.
Quellen: MIT Sloan an MIT DSpace
Beweis 2: Signaler, déi eppes kaschten, sortéieren och anerwäerts déi eescht Participanten eraus
Datselwecht Prinzip gouf op der anerer Säit vun Online-Marketplacen getest. Wou et näischt kascht, Interessi ze weisen, bedeit Interessi näischt méi. E bescheidene Präis bréngt d’Bedeitung zréck.
E Badge fir d’Disponibilitéit. An engem Feldexperiment konnte Freelancer bezuelen, fir e Badge «elo disponibel» ze weisen. Déi, déi et gemaach hunn, waren déi méi zouverlässeg, d’Employeuren hu gezielt no hinne gesicht, an d’Matching gouf besser. Zwee Joer drop hunn déi, déi de Badge gelount haten, nach ëmmer däitlech méi Opmierksamkeet kritt.
Bewerbunge mat Boost. An engem ähnlechen Experiment konnte Leit, déi eng Aarbecht sichen, bezuelen, fir eng Bewerbung ze boosten. Déi geboost Bewerbunge koume vu méi staarke Kandidaten an hu méi warscheinlech zu enger Astellung gefouert.
Sozialhëllef méi gezielt. Wéi uewe gesot, huet en Ufroschrëtt d’Hëllef op déi Stéit geleet, déi se am meeschte gebraucht hunn.
De roude Fuedem: e Schrëtt, deen déi manner Motivéiert e bësse méi kascht, schafft als Filter, an déi, déi en duerchlafen, schléissen éischter d’Transaktioun of.
Quellen: Filippas et al., EC ’24, MIT IDE an Alatas et al., NBER
Beweis 3: bei de Servicer fir doheem huet een aktive Schrëtt d’Erfollegsquot erhéicht
Den direktste Beweis aus de Servicer fir doheem kënnt vun Angi, déi d’Netzwierk vun HomeAdvisor bedreift. Ufank 2025 huet d’Firma opgehalen, Proprietären automatesch mat Prestatairen zesummenzebréngen. E Joer virdrun ware ronn 40 % vun hire Leads automatesch zougedeelt ginn; am éischten Trimester 2025 bal guer keng méi. E Prestataire krut e Lead nëmmen, wann de Proprietär hien aktiv gewielt hat.
D’Zuel vun de Leads ass erofgaangen: d’Serviceufroen am Netzwierk sinn ëm 33 % gefall an d’Leads am Netzwierk ëm 57 %. Mee d’Direktioun huet gemellt, datt d’Erfollegsquot vun de Prestatairen, also den Undeel vun de Leads, aus deenen en Optrag gëtt, ëm ongeféier 10 % geklommen ass, an datt Proprietären däitlech méi warscheinlech e Prestataire engagéiert hunn, dee se selwer erausgesicht haten.
Dat sinn Zuelen, déi d’Firma selwer publizéiert huet, a si vermësche verschidden Ännerungen. Et ass also kee kontrolléierten Test. Si weisen awer datselwecht Muster wéi d’Experimenter: ee bewosste Schrëtt vum Proprietär huet d’Zuel vun de Leads staark erofgesat an d’Chance erhéicht, datt déi iwwreg Leads zu engem Optrag ginn.
Quell: Angi, Resultater vum 1. Trimester 2025
Iwwer d’Selektioun eraus: d’Äntwere kann d’Engagement verstäerken
Detailléiert Froe kënnen och méi maachen, wéi nëmmen ze weisen, wien eescht ass. Dräi Resultater aus der Konsumentepsychologie weisen drop hin, datt een, deen d’Äntwerten duerchgeschafft huet, duerno e bësse méi dacks och wierklech duerchzitt. D’Effekter si kleng a komme meeschtens aus Kontexter ausserhalb vun de Servicer fir doheem, also si se en zousätzleche Virdeel an net d’Haaptargument.
| Resultat | Wat et weist | Gréisst vum Effekt |
|---|---|---|
| Question-Behaviour-Effekt | Wann een d’Leit no eppes freet, wat se virhunn, maachen se et méi warscheinlech | Kleng: d = 0,24 iwwer 116 Tester; g = 0,14 an enger zweeter Meta-Analys, nach méi kleng a besser kontrolléierte Studien |
| IKEA-Effekt | D’Leit schätzen dat, wat se mat Effort gemaach hunn, mee nëmmen, wann den Effort ofgeschloss ass | Am Labo gewisen |
| Foot in the door | Wien zu engem klengen éischte Schrëtt jo seet, seet éischter och jo zu engem méi groussen | Kleng: r = 0,09 bis 0,17 a fréiere Meta-Analysen |
De praktesche Punkt: e Proprietär, deen Ëmfang, Budget an Zäitplang duerchgeschafft huet, huet de Projet a gewësser Hisiicht a sengem Kapp schonn ugefaang. Et zielt, datt een ofschléisst. D’Ufro soll sech dofir esou ufillen, datt ee se fäerdeg kritt, a mat enger kloerer Zesummefaassung vun deem ophalen, wat de Proprietär gefrot huet.
Quellen: Wood et al., 2016, Wilding et al., 2016, Norton, Mochon & Ariely, 2012 an Burger, 1999
Firwat strukturéiert, adaptiv Froe besser si wéi laang Formulairen
«Méi Effort ass besser» stëmmt nëmme bis zu engem gewëssene Punkt. D’Fuerschung weist op dräi Reegelen hin.
Frot no Äntwerten, déi den Devis entscheeden, net no laange Beschreiwungen. Op enger grousser Marketplace fir IT-Servicer hu méi laang Projetbeschreiwunge méi Offere gezunn, awer och e méi groussen Undeel u schwaachen Ubidder, a si ware mat enger méi klenger Chance verbonnen, datt de Projet effektiv vergi gëtt. Dës Studie war eng Observatiounsstudie, an d’Leit, déi laang Texter schreiwen, kënne sech och an anere Punkten ënnerscheeden. Wéi och ëmmer, dat nëtzlecht Signal ass spezifesch Informatioun iwwer Ëmfang, Budget an Zäitplang, net d’Zuel vu Wierder.
Baut keng Friktioun an, déi d’Aarbecht net brauch. Am indoneseschen Experiment huet e méi schwéieren Ufroschrëtt d’Zuel vun de Kandidaten erofgesat, ouni d’Selektioun weider ze verbesseren. An der US-Krankeversécherung huet ee klengen administrative Schrëtt d’Aschreiwungen ëm 33 % erofgesat an, obwuel e Leit erausgefiltert huet, d’Selektioun am Ganze verschlechtert. Bei de Servicer fir doheem gëllt deeselwechte Risiko fir e beschäftegte Proprietär mat engem groussen, wäertvolle Projet, dee bei engem Formulaire mat 25 Froen opgëtt.
Passt d’Déift un de Projet un. Fir e verstoppten Oflaf fräi ze maachen, brauch ee véier oder fënnef Äntwerten. Eng Kichenrenovatioun justifiéiert vill méi, well e Prestataire se brauch, fir genee ze chiffréieren. Wann den Effort zu der Gréisst vun der Aarbecht passt, bleift d’Signal nëtzlech, an et gi keng eescht Clienten duerch iwwerflësseg Friktioun verluer.
Eng Bemierkung zur dialogfäeger KI. An enger Feldstudie mat ongeféier 600 Participanten huet e Chatbot, deen oppe Froe gestallt an nogefrot huet, méi informativ a méi spezifesch Äntwerte kritt wéi eng klassesch Webëmfro. E kontrolléiert Experiment huet och erginn, datt am Chatbot manner onopmierksam geäntwert gouf wéi an enger Webëmfro. D’Resultater sinn net eenheetlech, an eng Studie vun 2024, déi d’Participanten iwwer zwou Wochen begleet huet, huet kee Virdeel fir de Chatbot fonnt. Et kënnt op den Design un: den Assistent soll de Proprietär interviewen an net d’Ufro fir hie schreiwen. Genee dës Ofkierzung huet am Experiment vu Wiles an Horton d’Absicht geschwächt.
Quellen: Liang et al., 2022, Shepard & Wagner, Xiao et al., Kim, Lee & Gweon, 2019 an Zarouali et al., 2024
Wat dat fir d’Zuele vun engem Prestataire bedeit
Fir e Prestataire ass d’Zuel, déi zielt, d’Käschte pro gewonnenen Optrag, net d’Zuel vun den Ufroen. Ufroen, déi duerch e gutt opgebauten Ufroprozess ginn, verbessere se op véier Weeër.
Manner Sakgaassen. Wann e bewosste Schrëtt Proprietäre mat wéineg Absicht erausfiltert, wéi bei Angi, kann e méi groussen Deel vun den Ufroen, déi Dir kritt, zu Opträg ginn.
Méi séier a méi genee Devisen. Wann Ëmfang, Gréisst, Zougang, Zäitplang a Budget scho bekannt sinn, kënnt Dir dacks chiffréieren, ouni d’Detailer fir d’éischt um Telefon ze klären, oder séier ofleenen, wann d’Aarbecht net passt.
Manner Iwwerraschungen um Chantier. Strukturéiert Äntwerten a Fotoe verklengeren den Ënnerscheed tëscht der Aarbecht, déi Dir chiffréiert hutt, an der Aarbecht, déi Dir virfannt, eng heefeg Quell vu Sträit a verluerener Marge.
Besser Entscheedungen och op Ärer Säit. Kloer Ufroe loossen Iech Aarbechten ausserhalb vun Ärem Fach iwwersprangen, amplaz et op déi schwéier Manéier erauszefannen.
E gerechent Beispill, mat reng illustrativen Zuelen an net mat Donnéeë vun der Plattform:
| Ufroen | Optragsquot | Gewonnen Opträg | |
|---|---|---|---|
| Vill ongenee Ufroen | 20 | 10 % | 2 |
| Manner konkret Ufroen | 12 | 20 % | 2,4 |
Méi Opträg, mat 40 % manner Ufroen, op déi Dir äntwere musst.
Wéi Fynd.lu dat ëmsetzt
Op Fynd.lu beschreift de Proprietär d’Aarbecht engem Assistent, deen Nofroe stellt, déi fir dës Aarbecht gewielt sinn: wat ze maachen ass, d’Immobilie, den Zougang, den Zäitplang, de Budget an d’Fotoen. Bei engem Oflaf ginn net déiselwecht Froe gestallt wéi bei enger Kichen, an d’Zuel vun de Froen ass limitéiert, sou datt een d’Ufro séier ofschléisse kann. Déi lescht Fro ass, wéi wäit de Proprietär mat senger Entscheedung ass. Den Assistent freet; de Proprietär äntwert.
Duerno wielt de Proprietär, wéi eng Prestatairen d’Ufro kréien, a kuckt se nach eng Kéier no, ier e se schéckt. Dat ass déiselwecht Zort vun aktivem Schrëtt, dee bei Angi d’Erfollegsquot erhéicht huet.
Wat bei Iech ukënnt, sinn d’Aarbecht, d’Immobilie, den Zäitplang, de Budget an déi eegen Notize vum Client, mat enger Zeil, déi weist, wéi prett hien ass, zum Beispill «Vergläicht Offeren · Start bannent 3 Méint · Budget uginn · Fotoen dobäi». Dir decidéiert, ob Dir en Devis maacht, an en Ofleenen huet keen Afloss op Äre Profil.
An well Dir e fixe Präis pro Mount bezuelt, ouni Käschte pro Ufro, hu mir kee Grond, Iech méi Ufroen ze schécken, wéi et Är Zäit wäert ass. Kuckt, wéi Fynd.lu fir Betriber funktionéiert.
Grenze vun de Beweiser
Mir leeën d’Grenzen op den Dësch, well e Prestataire, deen d’Quelle kontrolléiert, näischt fanne soll, wat iwwerdriwwen ass.
Keng publizéiert Studie test genee dës Ausso bei de Servicer fir doheem. Dee stäerkste kausale Beweis kënnt vun Online-Aarbechtsmäert. D’Zuele vun Angi goufe vun der Firma selwer gemellt a kombinéiere verschidden Ännerungen, déi gläichzäiteg gemaach goufen.
D’Bereetschaft z’äntweren ass deelweis e Charakterzuch. E puer Leit si ganz einfach méi grëndlech. Dat schwächt d’Signal net, well et ëmmer nach virausseet, wien en Optrag gëtt. Et heescht awer, datt et net onbedéngt am Ganze méi Opträg gëtt, wann een jiddereen duerch méi Froe schéckt.
D’Engagement-Effekter si kleng. De Question-Behaviour-Effekt ass an de beschte kontrolléierte Studie méi kleng, an de Foot-in-the-door-Effekt ass bescheiden.
Friktioun huet hire Präis. Mat ze ville Froen, oder mat Froen, déi näischt zur Saach dinn, verléiert een déi gutt Clienten zesumme mat de schlechten. Adaptiv Froe sollen dat steieren, an dat muss getest ginn, net ugeholl.
KI kann hëllefen oder schueden. En Assistent, deen d’Äntwerte fir de Proprietär ausfëllt, hëlt genee den Effort ewech, deen d’Signal nëtzlech mécht.
Wat mir zu Lëtzebuerg maachen
Keng vun de Studien uewendriwwer gouf zu Lëtzebuerg gemaach, a Fynd.lu huet nach net genuch eegen Donnéeën, fir sënnvoll Zuelen ze publizéieren. Mir wäerte fréi Zuelen net als Beweis presentéieren.
Wat mir maachen, ass d’Donnéeën ze sammelen, déi d’Fro lokal beäntwere géifen: wéi detailléiert Ufroe sech mat kuerze vergläichen, no Fach an no Gréisst vun der Aarbecht, vun der éischter Äntwert bis zum gewonnenen Optrag. Mir publizéieren dës Fuerschung, wann der genuch do ass, fir datt et sech lount, se ze liesen.
Bis dohin sinn d’Beweiser uewendriwwer de Grond, firwat mir den Ufroprozess esou opgebaut hunn. Är Erfarung mat den Ufroen, déi Dir kritt, ass déi aner Halschent vum Test.
Dësen Artikel faasst publizéiert Fuerschung mam Stand vum 4. November 2026 zesummen. Zuele vu Firme sinn esou, wéi se se selwer gemellt hunn. Näischt hei ass e Verspriechen iwwer d’Zuel vun den Ufroen, déi e Prestataire kritt, oder doriwwer, wéi vill dovun zu Opträg ginn.
Quellen
- Wiles, E. & Horton, J. — Generative AI and labor market matching efficiency; Zesummefaassung vu MIT Sloan
- MIT DSpace — Kapitel vun enger Dissertatioun iwwer datselwecht Experiment (20 % méi Annoncen, 18 % manner warscheinlech eng Astellung)
- Filippas, A., Horton, J., Parasurama, P. & Urraca, D. — Costly capacity signaling increases matching efficiency (EC ’24)
- MIT Initiative on the Digital Economy — Can costly signals fix hiring?
- Alatas, V. et al. (2013) — Ordeal mechanisms in targeting, NBER Working Paper 19127
- Shepard, M. & Wagner, M. — Do ordeals work for selection markets? American Economic Review 115(3), 2025
- Liang, C., Hong, Y., Chen, P.-Y. & Shao, B. (2022) — The screening role of design parameters for service procurement auctions, Information Systems Research 33(4)
- Angi Inc. — Presentatioun vun de Resultater vum 1. Trimester 2025 (Transkriptioun)
- US Federal Trade Commission (2023) — Decisioun vun der FTC: HomeAdvisor muss 7,2 Milliounen US-Dollar bezuelen
- US Federal Trade Commission (Abrëll 2023) — D’FTC approuvéiert déi definitiv Decisioun géint HomeAdvisor
- Wood, C. et al. (2016) — The impact of asking intention or self-prediction questions on subsequent behavior: a meta-analysis
- Wilding, S. et al. (2016) — The question-behaviour effect: a theoretical and methodological review and meta-analysis
- Norton, M., Mochon, D. & Ariely, D. (2012) — The IKEA effect: when labor leads to love, Journal of Consumer Psychology 22(3)
- Burger, J. (1999) — The foot-in-the-door compliance procedure, Personality and Social Psychology Review 3(4)
- Xiao, Z. et al. — Tell me about yourself: using an AI-powered chatbot to conduct conversational surveys
- Kim, S., Lee, J. & Gweon, G. (2019) — Comparing data from chatbot and web surveys, CHI 2019
- Zarouali, B., Araujo, T., Ohme, J. & de Vreese, C. (2024) — Comparing chatbots and online surveys for (longitudinal) data collection, Communication Methods and Measures 18(1)
