Dans les questionnaires en ligne de type Likert, les répondants peuvent répondre de manière inattentives. Pour détecter de manière non supervisée les réponses inattentives, le nouvel algorithme L1P1 effectue un test de permutation sur le vecteur de type Likert de chaque répondant, pour l'hypothèse nulle selon laquelle le vecteur était « aléatoire ». Cependant, L1P1 ne permet pas d'exploiter des données auxiliaires, telles que les mouvements de la souris. Dans ce travail, nous étendons L1P1 pour exploiter des covariables auxiliaires, tout en restant dans un contexte non supervisé. Pour ce faire, nous posons une hypothèse de mélange à deux classes (inattentif et attentif) des distributions de valeurs-p de L1P1, où la probabilité de mélange est une fonction des covariables auxiliaires. Dans une étude de simulation, nous comparons la précision de classification des L1P1 de base et étendus. Dans une analyse de données réelles, nous démontrons l'efficacité du L1P1 étendu dans une enquête en ligne qui comportait des données sur les mouvements de la souris. Dans l'ensemble, le L1P1 étendu semble pouvoir améliorer le L1P1 de base grâce à des prédicteurs auxiliaires, tout en restant dans le paradigme non supervisé.