--- title: "Benchmarks d'enquêtes réelles : dans quelle mesure Minds reproduit les résultats de la population" description: "Une validation multi-benchmark de Minds par rapport à GSS, ANES, CES, PISA, PIAAC, Food and You et à des études de sciences sociales entièrement tenues à l'écart." canonical_url: "https://getminds.ai/research/fr/survey-approximation-benchmarks-2026" last_updated: "2026-08-13T13:05:33.262Z" --- # Benchmarks d'enquêtes réelles : dans quelle mesure Minds reproduit les résultats de la population Le meilleur test d'une enquête synthétique est simple : comparer sa distribution dans la population aux réponses déjà recueillies auprès de personnes réelles. Minds Research Lab a effectué cette comparaison à travers des programmes d'enquêtes publiques indépendants couvrant la politique, la confiance, l'éducation, les compétences des adultes, les comportements quotidiens et la consommation alimentaire. Sur l'ensemble des benchmarks fondamentaux, l'approche de recherche de Minds a réduit l'erreur au niveau de la population d'environ **7 à 20 points de pourcentage** par rapport aux simulations conventionnelles à choix forcé. ## Résultats à travers des programmes d'enquêtes indépendants
Benchmark Comparaison humaine Formats de réponse Amélioration
GSS 2024 Données officielles du General Social Survey américain Binaire, nominal, ordinal, choix multiples +16.51 pp
ANES 2024 300 répondants appariés pré/post, 28 éléments tenus à l'écart Binaire, ordinal, nominal +12.47 pp
CES 2024 300 répondants appariés pré/post, 27 questions Binaire, ordinal, choix multiples +19.72 pp
PISA 2022 600 élèves dans cinq pays, dix questions Échelles ordinales internationales +14.86 pp
Études de sciences sociales entièrement inédites 1 468 personnes à travers quatre études complètes tenues à l'écart Échelles ordinales de quatre à huit options +15.43 pp vs générique
Food and You 2 Réplication complète du produit sur 301 Minds Comportement alimentaire des jeunes au Royaume-Uni +7.27 pp
Une amélioration positive signifie une erreur moyenne absolue en points de pourcentage plus faible. Les estimations pour GSS, ANES, CES et PISA incluent des intervalles d'incertitude à 95 % en grappes qui excluent zéro. ## Généralisation à travers les types de questions Le résultat ne s'est pas limité aux échelles d'opinion classiques en cinq points. Dans le [CES 2024](https://cces.gov.harvard.edu/), Minds a amélioré les questions binaires de **22.44 points**, les questions ordinales de **18.23 points** et deux batteries à choix multiples réels de **19.66 points**. Le résultat sur les choix multiples est important car les questions à cases à cocher ne sont pas de simples questions à choix unique : chaque option possède sa propre prévalence dans la population. Le test [PISA 2022 de l'OCDE](https://www.oecd.org/en/data/datasets/pisa-2022-database.html) a étendu ce résultat au Royaume-Uni, à l'Allemagne, au Japon, au Mexique et aux États-Unis. Chaque pays et chaque famille de questions testée s'est amélioré, et les analyses pondérées et non pondérées concordent. L'[Enquête de l'OCDE sur les compétences des adultes 2023](https://www.oecd.org/en/data/datasets/piaac-2nd-cycle-database.html) a ajouté le Chili, la Pologne, Singapour, le Japon et les États-Unis, en incluant des questions exactes allant de 0 à 10. Dans ce benchmark international, le contexte démographique et de population a réduit l'erreur de **1.59 point** par rapport à une ligne de base de probabilité générique. ## Réplication produit avec 301 Minds La méthode a ensuite été mise à l'épreuve à travers le véritable moteur de panneau Minds en utilisant un groupe apparié de 301 consommateurs alimentaires de la génération Z au Royaume-Uni et les questions exactes de [Food and You 2, Vague 10](https://www.food.gov.uk/research/food-and-you-2/food-and-you-2-wave-10). L'exécution finale du produit a réduit l'erreur moyenne de **14.60 points de pourcentage à 7.33**, soit une amélioration de **7.27 points**. Les trois questions se sont améliorées et le panneau s'est achevé avec des réponses structurées valides sur l'ensemble du parcours. C'est un point essentiel car un benchmark isolé peut montrer qu'une idée fonctionne ; une réplication produit montre que des groupes réels, l'exécution du panneau, les contrats de réponse et l'agrégation préservent cette amélioration de manière conjointe. ## Pourquoi l'erreur de distribution est la métrique principale La corrélation seule peut récompenser un modèle qui classe les réponses courantes au-dessus des réponses rares tout en manquant largement les pourcentages réels. C'est pourquoi Minds Research Lab indique l'erreur absolue moyenne en points de pourcentage comme métrique principale de population. Par exemple, si les personnes ont choisi une option dans 40 % des cas et que le panneau synthétique l'a estimée à 34 %, l'erreur est de six points de pourcentage. Nous calculons cette valeur pour chaque option de réponse, puis nous en faisons la moyenne au niveau de la question ou de l'étude. Plus la valeur est faible, meilleur est le résultat, et l'unité reste simple à interpréter. La recherche distingue également deux objectifs différents : - **Fidélité au niveau de la population :** le degré de correspondance entre la distribution agrégée et l'enquête. - **Fidélité au niveau individuel :** le degré de correspondance entre une personne modélisée et la réponse de cette même personne. Minds prend en charge les deux, mais ils sont évalués séparément plutôt que regroupés dans un chiffre unique de précision marketing. ## Un programme de benchmark, pas une démonstration ponctuelle Le programme de validation est délibérément passé de jeux de données de développement à des études disjointes, à des ensembles complets d'études jamais vues conservées à l'écart, à des enquêtes nationales indépendantes, à des enquêtes internationales, à différents formats de réponse, et enfin au parcours du produit déployé. Des comparaisons importantes ont été générées avant l'ouverture des résultats humains tenus à l'écart. Les questions, les options, les sous-ensembles de répondants et les métriques d'évaluation ont été fixés à l'avance. Cela fait des améliorations rapportées de véritables comparaisons par rapport à des résultats réels, plutôt que des démonstrations sélectionnées parce qu'elles se trouvaient être favorables. ## Ce que les équipes de recherche peuvent en retenir Minds peut être utilisé pour estimer les tendances probables de la population plus tôt dans le processus de recherche, comparer des concepts avant le terrain, tester des questionnaires et déterminer où le recrutement humain apportera le plus d'informations complémentaires. L'approche validée fait déjà partie de la suite de panneaux Minds pour les études structurées éligibles. Les équipes peuvent la combiner avec des groupes d'audience réutilisables, un ancrage transparent dans les sources, des suivis qualitatifs et des résultats d'études exportables. Pour en savoir plus sur le programme global, lisez le [Benchmark de recherche Minds 2026](/research/real-world-validation-benchmarks-2026). Pour la fidélité des entretiens individuels, lisez [Minds par rapport aux modèles fondations](/research/minds-vs-foundation-models-qualitative-2026). ## Sources publiques des benchmarks - [General Social Survey](https://gss.norc.org/) - [Série chronologique ANES 2024](https://electionstudies.org/data-center/2024-time-series-study/) - [Cooperative Election Study 2024](https://doi.org/10.7910/DVN/X11EP6) - [Base de données PISA 2022](https://www.oecd.org/en/data/datasets/pisa-2022-database.html) - [Base de données PIAAC 2023](https://www.oecd.org/en/data/datasets/piaac-2nd-cycle-database.html) - [Food and You 2, Vague 10](https://www.food.gov.uk/research/food-and-you-2/food-and-you-2-wave-10) ## Citation suggérée Minds Research Lab. « Benchmarks d'enquêtes réelles : dans quelle mesure Minds reproduit les résultats de la population. » 11 août 2026. [https://getminds.ai/research/survey-approximation-benchmarks-2026](https://getminds.ai/research/survey-approximation-benchmarks-2026)