オンライン選択式調査における偽回答者への簡単な解決策はない

オンラインオプトイン調査における不正回答者への簡単な解決策はない

この調査について

この調査は、オプトイン調査における不正回答者の影響を測定するために設計されました。また、不正回答者を特定し、削除するための3つの方法を比較しています。1) トラップ質問（「注意チェック」とも呼ばれる）の使用、2) CloudResearch独自のSentryスクリーニング前システム、3) 回答者を全国の有権者ファイルに照合することです。

なぜこの調査を行ったのか？

Pew Research Centerは、公共、メディア、意思決定者が重要なトピックを理解するのに役立つ高品質な研究を行っています。当社の方法論的研究は、不正回答者がオプトイン調査に与える影響に関する過去の研究を含む、調査業界が直面している現在の課題を調査しています。

Pew Research Centerについておよび方法論的研究の詳細をご覧ください。

どのように調査を行ったのか？

2024年11月14日から19日にかけて、11,114人の米国成人回答者を対象に、大規模なオンラインオプトイン調査を実施しました。氏名と連絡先情報を提供することに同意した回答者は、調査終了後に登録有権者ファイルに照合されました。

不正なケースを削除する各アプローチが、3つのデータ品質指標にどのように影響したかを評価しました。1) 「はい」と答える傾向（質問内容に関わらず同意すること）、2) 自由回答テキスト回答の品質、3) 回答順序効果です。また、スクリーニング方法が2024年大統領選挙における有権者投票率と投票選択の推定値に実質的にどのように影響したかも調査しました。

このレポートで使用された質問と調査方法論をご覧ください。

オンラインオプトイン調査における最も緊急性の高い問題の1つは、不正（または詐欺的な）回答者です。これらは、質問に真実に応えようとせず、単に調査を迅速に完了して報酬を得ようとする調査回答者です。

この脅威に対抗するため、研究者たちは不正なケースを特定し、削除するためのさまざまな方法を開発してきました。アプローチには、1) 正直な回答者は常に正しく回答すべきであるトラップ質問（「注意チェック」とも呼ばれる）、2) 自動スクリーニングサービス、3) 回答者を有権者ファイルに照合することなどが含まれます。

しかし、これらはどの程度効果があるのでしょうか？Pew Research Centerの新しい研究によると、以下のことがわかりました。

［画像: 有権者ファイルへのオンラインオプトイン回答者の照合はエラーを減らさなかったことを示す表］

• 全体として、不正なケースを削除するとほとんどの指標でエラーが減少しますが、確実な解決策は依然として見つかっていません。
• オプトインサンプルを有権者ファイルに照合すると、主に良い回答者（例: 氏名や住所の提供を拒否した人）を除外することになり、エラーがわずかに増加しました。
• トラップ質問と自動スクリーニングサービスは同様のパフォーマンスを示し、データ品質をいくらか向上させました。
• これら3つのアプローチはすべて、2024年選挙における民主党支持の過大評価をわずかに増加させました。これは、体系的な党派的偏見によるものではなく、不正回答者が（この場合は共和党のドナルド・トランプである）勝利候補に投票したと答える傾向によるものと思われます。

オプトインサンプルを有権者ファイルに照合することは、回答者の投票履歴に関するデータを提供するなど、他の目的にも役立つ可能性があります。この研究は、不正なケースを削除するための効果的なツールであるかどうかのみに焦点を当てています。

すべての調査に不正回答者がいるのか？

いいえ。不正回答者は主に、オンライン広告、自己登録、メールリストなどの方法で募集されるオンラインオプトイン調査にとって脅威となります。ランダムサンプリング（例: Pew Research CenterのAmerican Trends Panel）を使用してオフラインで募集される調査は、一般的にこの脅威から免れますが、他の課題に直面します。

関連: AIと不正回答者は調査の未来を脅かすのか？

不正回答者を削除する方法

Centerの研究者や他の研究によると、「スピード違反者」（調査を速すぎるペースで完了する人）や「ストレートライナー」（常に同じ回答選択肢を選ぶ人、例: 常に最初の選択肢を選ぶ人）のような標準的なデータ品質チェックは、ほとんどの不正回答者を検出できません。これは、多くのトラップ質問や注意チェックにも当てはまります。これらは不正回答者を検出できないだけでなく、正当な回答者を混乱させ、偽陽性につながる可能性があります。

［画像: オプトインサンプルから不正回答者を削除するための3つのアプローチの長所と短所を示す表］

これらの課題に直面し、調査担当者は、不正回答者をより良く特定するために、さまざまな新しいアプローチを開発してきました。

この研究では、そのような3つのアプローチを評価します。

• ありえない行動に関するトラップ質問
• 大手詐欺検出企業による自動スクリーニング
• 回答者を有権者ファイルに照合すること

トラップ質問

不正回答者を特定する上での困難は、ほとんどの質問に対して、回答者が真実に応じたかどうかを知る方法がないことです。この問題に対処するため、回答者に、真実の答えが「いいえ」であるとほぼ確信できる4つの活動に関与したことがあるかどうかを尋ねました。このスクリーニング手順の下では、これらの質問の1つ以上に「はい」と答えた回答者は不正とコード化されました。

質問は、勤勉な回答者は回答方法に混乱しないように設計されており、一方、特定のグループを対象とした調査で適格に見せかけようとしたり、ランダムに応答したりする不正回答者は、「はい」と答える可能性が高くなります。具体的には：

• 6つの異なるソーシャルメディアプラットフォームの使用について尋ね、そのうちの1つはFizzypressという架空のプラットフォームでした。また、2023年に6つの異なる政府給付金を受け取ったことがあるかどうかも尋ね、その中には米国鉄道管理局（USRA）からの支払いも含まれていました。USRAは実在する政府機関ですが、1920年に廃止されています。これら両方の質問は調査の早い段階で尋ねられ、特定のソーシャルメディアプラットフォームのユーザーや特定の種類の給付金の受給者を探すスクリーニング質問に似せていました。全サンプルの中で、6%がFizzypressを使用したと答え、9%がUSRAからの支払いを受け取ったと主張しました。
• 調査の後半で、国際宇宙ステーションを訪れたことがあるか尋ねたところ、10%が「はい」と答えました。最後に、ポーラー級砕氷船に乗務したことがあるか尋ねたところ、2隻しか建造されておらず、現在も米国沿岸警備隊によって1隻のみ現役で使用されているにもかかわらず、8%が肯定的な回答をしました。

合計1,963件（18%）がこれらのトラップ質問の1つ以上に「はい」と答え、不正としてフラグが立てられました。

自動スクリーニング

CloudResearch独自のSentryスクリーニング前システムは、調査を開始する前に問題のある回答者を自動的に特定するように設計されています。潜在的な回答者が最初に調査招待リンクをクリックすると、Sentryプラットフォームにルーティングされ、はいと答える傾向や不注意な回答のような問題のある調査回答行動を誘発するように設計された短い一連の質問が尋ねられます。自由回答の回答は、質問に適切に応答しているか、自動プロセスを介して他のソースから貼り付けられたものではないかを確認するためにチェックされます。

システムはまた、回答者のデバイス、場所、ブラウザに関するメタデータを使用して、技術的な手段で自己を偽っている兆候がないか受動的なチェックを実行します。

これらのチェックを通過した回答者は、調査を受けるためにルーティングされます。通常、失敗した回答者はメイン調査に転送されませんが、この研究では、スクリーニング前のチェックに失敗したために終了された回答者はいませんでした。失敗したケースとその理由に関するメタデータを使用して、それらが最初から除外された場合に調査結果に何が起こったかをシミュレートしました。

この手順の下では、5,369件（完了した全回答のほぼ半分）が少なくとも1つのスクリーニング前チェックに失敗し、そのうち1,879件（失敗したケースの35%）は複数のチェックに失敗しました。

• 失敗したケースの70%に問題のある自由回答があり、これは圧倒的に最も頻繁に失敗したチェックでした。次いで、はいと答える傾向（47%）、不注意（12%）、重複IPアドレス（10%）でした。
• これらのケースの7%は詐欺行為のチェックに失敗し、わずか1%がその他の受動的な技術チェックに失敗しました。

有権者ファイル照合

テストした3番目のアプローチは、回答者に氏名と住所を提供するように依頼し、次に商用有権者ファイル、つまり米国に登録されているほぼすべての有権者の全国データベースに一致する記録を探すことです。一致する記録が見つかった場合、そのケースは有効と見なされます。一致する記録が見つからなかった場合、そのケースは除外されます。

この方法は、照合できた回答者は身元について正直である可能性が最も高く、公式の投票記録と照合できる詳細な連絡先情報を提供することに同意した人は、他の調査質問に熱心に回答する可能性が高いと仮定しています。

このアプローチは、主に政治キャンペーンのために働く調査担当者によって使用されてきました。正常に照合されたケースについて、有権者ファイルは、回答者の登録状況や投票履歴など、調査で尋ねられた情報以上の多くの情報を提供できます。

しかし、多くの有権者ファイルベンダーは未登録の人口を含めようとしていますが、Centerの研究では、このグループのかなりの部分がこれらのデータベースに含まれていないことがわかっています。これにより、登録されていないが、それ以外は有効な多くの回答者のデータが破棄される可能性があります。これは、登録された有権者を調査することに主に焦点を当てている政治調査担当者にとっては大きな欠点ではありません。しかし、登録されていない可能性が高い特定の種類の人がサンプルで過小評価されているか、完全に欠落している場合、一般人口調査に適用すると偏った結果につながる可能性があります。

この研究では、回答者に氏名と住所を提供することに同意するかどうかを尋ね、有権者ファイルに照合できるようにしました。全回答者のうち49%が連絡先情報を提供することに同意し、そのうち73%が氏名、住所、年齢、性別に基づいてTargetSmart有権者ファイルに正常に照合されました。全体として、3,977件（全サンプルの36%）が正常に照合された一方、7,137件（64%）はこの手順の下で除外されました。

フラグが立てられたケースにおける明確な人口統計学的パターン

［画像: 人口統計グループ全体で、スクリーニング前と有権者ファイル照合はトラップ質問よりもはるかに多くのケースを不正の可能性があるとしてフラグを立てることを示す棒グラフ］

各方法で除外されたケースの総数は劇的に異なりますが、特定の人口統計学的特徴を主張する回答者は一貫してフラグが立てられる可能性が高くなりました。具体的には、トラップ質問とスクリーニング前は、18歳から29歳またはヒスパニック系を主張する回答者をフラグ付けする可能性が特に高くなりました。これら2つのグループは、以前のCenterの研究およびCenterの研究で、不正回答の影響を最も受けていることが判明しました。

これは、これらの人口統計学的グループのメンバーが、調査回答者として質が低い傾向があることを意味するものではありません。むしろ、誠実でない回答者は、これらのグループに所属していると主張する傾向があり、多くの場合、偽りである可能性が高いです。

有権者ファイル照合を使用して除外されたケースのプロファイルは異なりました。これは、有権者ファイル照合が、有害な理由ではなく、ベンチャーな理由（例: 回答者のプライバシーへの懸念や、登録有権者でないこと）でケースを除外する傾向を反映しています。ヒスパニック系のケースは、非ヒスパニック系の黒人系のケースよりも除外される可能性が高くなく、どちらも非ヒスパニック系の白人系のケースよりも6パーセントポイントしか除外される可能性が高くありませんでした。対照的に、ヒスパニック系のケースは、トラップ質問（+22ポイント）とスクリーニング前（+19ポイント）によって、非ヒスパニック系の白人系のケースよりもフラグが立てられる可能性が高くなりました。

同様に、トラップ質問とスクリーニング前は、それぞれ9ポイントと6ポイントの差で、女性よりも男性にフラグを立てる可能性が高くなりました。男性と女性は、有権者ファイル照合によってほぼ同じ割合で除外されました。

3つの方法は、教育に関して異なりました。

• トラップ質問では、大学卒業者（+11）と高校卒業以下（+7）の回答者は、一部大学教育を受けた回答者よりもフラグが立てられる可能性が高くなりました。
• スクリーニング前では、高校卒業以下（+13）のケースが、次にフラグ率が高かった大学卒業者よりもフラグが立てられる可能性が高くなりました。
• 有権者ファイル照合は、はるかに少ない差を示しました。教育グループ間の割合は4ポイントを超えて変動しませんでした。

スクリーニングがデータ品質の尺度に与える影響

これらの3つのスクリーニング方法は、データ品質にどのような影響を与えるのでしょうか？各方法によって不正回答者がどの程度成功裏に特定されたかを直接知る方法はありませんし、どのくらいの有効なケースが不正と誤認されたかを確信することもできません。代わりに、各スクリーニング方法が適用され、フラグが立てられたケースが削除された前後のデータ品質のさまざまな尺度を比較できます。スクリーニング方法間の結果を比較可能にするために、スクリーニングされていないサンプルと、各方法が適用された後に残ったケースのセットに対して、別個の調査ウェイトセットが作成されました。詳細については、方法論を参照してください。

この研究では、3つのデータ品質指標に焦点を当てました。1) はい/いいえの質問に「はい」と答える頻度（「はい」と答える傾向とも呼ばれる）、2) 自由回答形式の質問に対するテキスト回答の品質、3) 回答選択肢の順序がランダム化された場合の回答順序効果の深刻さ。

はいと答える傾向

2023年のPew Research Centerの研究では、不正回答の指標の1つは、質問内容に関わらず、はい/いいえの質問に肯定的に答える傾向でした。その研究では、オンラインオプトイン回答者の8%が、尋ねられた16のはい/いいえの質問のうち少なくとも10に「はい」と答え、特に18歳から29歳（15%）とヒスパニック系回答者（19%）の間で高い割合を示しました。対照的に、確率ベースのパネルからの回答者の対応する割合は1%から2%の間でした。これらの質問の多くはまれまたは一般的でない特徴を測定しており、真実に応答する人は誰でも10以上を「はい」と答えることはほとんどないと予想されます。

［画像: トラップ質問は「はい」と答える傾向をほぼ排除する一方、有権者ファイル照合はそれを悪化させることを示す棒グラフ］

私たちの最新の調査は、ほぼ同じパターンを示しています。スクリーニング前では、全成人の7%、18歳から29歳の10%、ヒスパニック系回答者の13%が、15のはい/いいえの質問（ヒスパニック系民族を測定する質問と、スクリーニング手順で使用された質問を除く）のうち少なくとも10に「はい」と答えました。

トラップ質問でスクリーニングした後、この行動は残りの回答者からほぼ排除されます。全成人の1%、どの人口統計学的サブグループでも最大2%が、10以上のはい/いいえの質問に肯定的に答えました。スクリーニング前の削減も同様に大きく、全成人で2%、若年成人で4%、ヒスパニック系成人で3%に削減しました。

対照的に、有権者ファイルへの照合は問題を悪化させたようです。全成人における割合は9%にわずかに増加し、若年成人およびヒスパニック系成人における割合はそれぞれ15%と17%に上昇しました。

この驚くべき結果は、2つの要因によるものと思われます。第一に、連絡先情報の提供を拒否した回答者（サンプルのほぼ半分）は、この情報を提供することに同意した回答者よりも不正である可能性がはるかに低いようです。拒否した回答者のうち、「はい」と答えたのは10以上のはい/いいえの質問に答えたのはわずか3%でしたが、同意した回答者の間では12%でした。

第二に、不正回答者のかなりの割合が、正確で詳細な連絡先情報を提供でき、有権者ファイル照合につながったものの、提供された情報が本人のものではない可能性があることです。一部の不正回答者が正常に削除されたとしても、連絡先情報の共有を拒否した有効な回答者の損失を相殺するには十分ではありませんでした。

自由回答の回答品質

自由回答形式の質問に対するテキスト回答の調査は、低品質の回答者を特定するための信頼できる方法として長い間考えられてきました。注意深い回答者は質問に関連する回答を提供しますが、不正回答者はしばしば無意味または支離滅裂な回答を提供します。

［画像: 有権者ファイル照合は自由回答の回答品質にほとんど影響がなかったことを示す棒グラフ］

この調査には自由回答形式の質問が含まれており、「ワシントンD.C.の政治家が法律を制定し政策を設定する際に、あなたの状況について知っておいてほしいことは何ですか？できるだけ詳しく教えてください。」と尋ねました。

各回答者はレビューされ、次のカテゴリのいずれかに分類されました。1) 関連性あり、2) 無回答、3) 一般的な肯定的な評価、4) その他の無関係な回答、5) 支離滅裂、6) おそらくAI（詳細については方法論を参照）。回答者は、答えたくない質問はスキップできると伝えられていたため、関連性のある回答と無回答の両方が問題ないと見なされ、残りのカテゴリは問題があると見なされました。

スクリーニング前では、回答の88%が問題ないと分類され、そのうち69%が関連性あり、19%が無回答でした。最も一般的な問題のある回答は、その他の無関係な回答（7%）、次いで一般的な肯定的な評価（2%）、支離滅裂（2%）、おそらくAI（1%）でした。検出されたおそらくAIの回答は、比較的見つけやすい独特のスタイルで書かれていたことに注意する価値があります。検出されなかった、より微妙なAIの回答があるかもしれません。

全成人において、トラップ質問とスクリーニング前は同様に機能し、問題のある自由回答の全体的な割合をそれぞれ7%と5%に低下させました。スクリーニング前は、トラップ質問よりも関連性のある回答の割合が高く（80%対74%）、無回答の割合が低くなりました（15%対19%）。これは、スクリーニング前のプロセス自体に自由回答形式の質問が含まれているためかもしれません。一方、有権者ファイル照合は、問題のある回答の割合にほとんど影響を与えませんでしたが、関連性のある回答の割合は73%に増加しました。

回答順序効果

回答者が注意深く質問に正確に答えている場合、提示される順序によって選択される回答選択肢は影響されないはずです。しかし、オンライン調査における不注意な回答者は、リストの上部にある回答選択肢を選択する傾向があり、これは「初頭効果」として知られています。

この調査には、不法滞在の移民が国内に滞在することを許可されるべきかどうかの質問が含まれており、その後、回答者の半数に次の順序で回答選択肢が表示されました。

• 「法的に滞在を許可されるべきではない。」
• 「特定の要件が満たされれば、法的に滞在する方法があるべきだ。」

回答者のもう半分では、この順序が逆転されました。すべての回答者が熱心に答えていれば、サンプルの各半分からの結果はほぼ同じになるはずです。

［画像: トラップ質問とスクリーニング前は移民に関する質問の初頭効果を減少させた。有権者ファイル照合はそれを悪化させたことを示す表］

代わりに、この質問でかなりの初頭効果が見られました。スクリーニングなしでは、全成人の43%が、その選択肢が最初に提示された場合、不法滞在の移民は法的に滞在することを許可されるべきではないという見解を支持しました。順序が逆転された場合、その割合は34%に低下し、初頭効果は+9パーセントポイントでした。

初頭効果は、不正回答の影響を最も受けているサブグループではさらに大きく、男性では+13ポイント、18歳から29歳では+15ポイント、ヒスパニック系成人では+17ポイントでした。

• トラップ質問によるスクリーニングは、初頭効果を約半分に減らし、全成人で+4ポイント、男性で+6ポイント、若年成人で+7ポイント、ヒスパニック系成人で+9ポイントになりました。
• スクリーニング前は同様のパフォーマンスを示し、初頭効果を+5から+10ポイントの間に削減しました。
• 一方、有権者ファイル照合は、スクリーニングがない場合よりもさらに大きな初頭効果をもたらし、全成人で+14、男性で+18、若年成人で+29、ヒスパニック系成人で+25に増加しました。

「はい」と答える頻度と同様に、有権者ファイル照合のデータ品質への悪影響は、照合のために連絡先情報を提供しないことを選択した有効な回答者によるものと思われます。これらのケースは、わずか+2ポイントの初頭効果を示しました。

［画像: 有権者ファイル照合が初頭効果を悪化させたことを示す表］

不法滞在の移民の状況に関する質問を含め、すべての回答者に尋ねられたランダム化された回答選択肢を持つ質問は合計13件ありました。これらのほとんどすべてが同じパターンを示しました。スクリーニングなしでは、これらの質問における平均初頭効果は全成人で+7パーセントポイント、若年成人およびヒスパニック系成人では+11および+12ポイントと高くなりました。トラップ質問は、全成人で4ポイント、若年およびヒスパニック系成人で7ポイント初頭効果を削減しましたが、スクリーニング前はほぼ同等でした。

スクリーニングは投票率と投票選択に関する質問にどのように影響するか？

選挙調査におけるオンラインオプトインサンプルの普及は、さまざまなスクリーニング方法、特に有権者ファイル照合が、投票率と投票選択に関連する推定値にどのように影響するかという疑問を提起します。2024年米国大統領選挙の直後に実施されたこの調査では、回答者に投票したかどうか、そして投票した場合は誰に投票したかを尋ねました。

スクリーニングなしでは、自己申告による登録有権者の84%が2024年大統領選挙で投票したと述べました。トラップ質問とスクリーニング前によるケースの削除は、その割合を3ポイント増加させて87%にしましたが、有権者ファイル照合は1ポイント増加させて85%にしました。このパターンは、若年成人およびヒスパニック系成人ではより顕著です。これらのグループでは、トラップ質問とスクリーニング前は推定投票率を6%から9%ポイント増加させましたが、有権者ファイル照合は若年成人では1ポイント増加、ヒスパニック系成人では2ポイント減少させました。

投票率の増加は、これらの推定値を（約77%のより高品質な推定値と比較して）不正確にするように見えるかもしれませんが、この質問では回答選択肢の順序がランダム化されておらず、投票したという選択肢が最後に提示されたことは注目に値します。1 このようなパターンは、リストの上部にある選択肢を選択する可能性が高い不正回答者が除外されている場合に予想されるものです。有権者ファイル照合の効果が小さいという事実は、有効な回答者を不均衡に除外するその傾向とも一致しています。

3つのスクリーニング方法すべてがハリス氏への支持推定値を増加させた

大統領選挙の投票（回答選択肢の順序がランダム化された）に関しては、重み付けされた生サンプルではドナルド・トランプ氏とカマラ・ハリス氏がそれぞれ48%で同率でしたが、これはハリス氏の実際の投票率には正確でしたが、トランプ氏の投票率を2ポイント過小評価していました。トラップ質問は、結果を同率からハリス氏の3ポイント優位にわずかにシフトさせました。スクリーニング前と有権者ファイル照合ではその影響が大きく、ハリス氏の差をそれぞれ+6ポイントと+7ポイントにシフトさせました。

これらのパターンは、ハリス氏の支持者が有効な回答者の間で過大評価されていることを示唆しています。しかし、スクリーニング前では、この偏りは不正回答者の存在によって大部分が相殺されていましたが、彼らはトランプ氏を不均衡に支持すると答えていました。不正回答者が除外されると、ハリス氏に有利な偏見がより明らかになりました。

トランプ氏とハリス氏の回答選択肢はランダム化されていたため、この結果は、不正回答者が単に最初の選択肢を選んだり、ランダムに選んだりしていたわけではないことも示唆しています。不正回答者の一部、特に最も明白なデータ品質の問題を抱えている人々は、その選択肢が最初に提示されたか2番目に提示されたかに関わらず、トランプ氏に投票したと答える可能性がはるかに高かったようです。例えば、スクリーニングされていないサンプルでは、問題のある自由回答があるとコード化されたケースは、トランプ氏がハリス氏を29パーセントポイント上回って支持していましたが、10以上の「はい」回答をしたケースはトランプ氏を30ポイント上回って支持していました。

これらのデータ品質の問題の1つまたは両方を持つケースは、有権者ファイル照合のスクリーニング除外の11%からトラップ質問のスクリーニング除外の57%を占めていました。

これは、不正回答者が常に共和党候補に体系的に有利な偏見を持つとは限らないことを意味するものではありません。以前のCenterのベンチマーク研究では、2020年大統領選挙について尋ねられた回答者で、10以上の「はい」回答をした人々は、3つの異なるオプトインサンプル全体で34%から51%の範囲で、トランプ氏に対して民主党員のジョー・バイデン氏に投票したと主張しました。これらの回答者の多くは、過去の選挙について尋ねられた場合、単に勝利した候補者を選んでいる可能性が高いと思われます。

これらの効果は、不正回答者が最も一般的なサブグループではさらに大きくなります。18歳から29歳の有権者の間では、調査は当初、スクリーニング前ではトランプ氏が2ポイントリードしていました。3つのスクリーニングアプローチすべてがハリス氏に有利な差をシフトさせ、トラップ質問では3ポイント、スクリーニング前では6ポイント、有権者ファイル照合では1ポイントでハリス氏をリードさせました。ヒスパニック系有権者の間では、トラップ質問はハリス氏のリードを9ポイントから8ポイントにわずかに減少させました。スクリーニング前と有権者ファイル照合はより大きな影響を与え、ヒスパニック系有権者の間でのハリス氏のリードをそれぞれ16ポイントと19ポイントに増加させました。

修正（2026年8月28日）：以下の文は、全米国成人、若年成人（18〜29歳）、およびヒスパニック系成人に対する正確なパーセンテージを反映するように更新されました。「全成人における割合は9%にわずかに増加し、若年成人およびヒスパニック系成人における割合はそれぞれ15%と17%に上昇しました。」図の数値は対応するグラフィックで正確でした。この変更は、報告されている他の調査結果には影響しません。