大语言模型可生成合成消费者洞察数据

背景

现代数据驱动营销高度依赖海量的消费者数据。然而，收集这些数据往往成本高昂、耗时且难以规模化。投射技术（projective techniques）是一类旨在引发出消费者联想、情绪、需求与欲望的方法，在定性研究中应用广泛，但其数据收集的痛点尤为突出。本研究探索是否可以利用大语言模型（Large Language Models，LLMs）来生成用于投射技术的合成消费者数据，从而提供一种高效、可扩展的替代方案。

核心内容

本研究系统性地检验了 LLM 在多个投射任务中生成合成消费者数据的能力。研究者测试了多种 LLM 模型、提示策略（prompting strategies）以及温度设置（temperature settings），并将 LLM 生成的回答与一项以城市旅游目的地感知为主题的人类原始研究数据进行了对比。

人类和 LLM 的回答通过多种语言指标进行分析，包括：语言学度量（linguistic measures）、多样性与集中度指标（diversity and concentration metrics）、主题模型（topic models）以及顶级词汇分析（top-term analyses）。

结果揭示了两个关键发现：首先，在广泛的主题和联想层面，人类与 LLM 的回答存在显著重叠；其次，两者在风格、语言结构以及多样性的生成方式上存在重要差异。基于这些发现，论文给出了如何最优利用 LLM 生成合成消费者数据的建议，包括模型和提示选择如何影响回答质量，以及如何认识 LLM 合成消费者数据生成中的局限性。

关键要点

• 广泛重叠：LLM 生成的回答在宽泛的消费者联想和主题方面与人类回答高度一致，表明 LLM 有能力捕捉群体层面的共性认知。
• 风格与结构差异：LLM 在语言风格（如措辞的正式程度、句法复杂性）和语言学结构上表现出与人类不同的模式，这可能影响投射任务中对消费者真实心理的还原。
• 多样性生成方式不同：人类消费者的多样性更自然、更具上下文相关性，而 LLM 的多样性可能受温度参数和训练数据分布的影响，呈现“均匀化”或“模式化”特征。
• 模型与提示选择至关重要：不同 LLM 模型和提示策略（如角色设定、具体化程度）会显著改变生成数据的质量、覆盖范围和自然度。
• 局限性明确：LLM 无法真实反映个体的潜意识、情感波动或社会文化背景下的微妙差异，其数据应作为补充而非替代。
• 温度设置影响多样性：较低温度生成更保守、集中的回答，较高温度则产生更多样但可能偏离人类分布的答案，需根据任务目标调整。

意义与影响

本研究为营销研究和消费者洞察领域提供了一条可行的技术路径——利用 LLM 生成大规模、低成本的合成消费者数据，尤其适用于投射技术等定性方法的前期探索、假设生成或基线测试。它能够显著降低数据收集门槛，加速研究迭代，并支持在不同市场或场景下快速模拟消费者反应。

然而，该研究也强调了合成数据的固有局限：LLM 无法复制人类情感的复杂性、无意识联想或真实的文化语境正负差异。因此，LLM 生成的合成数据更适合作为初步筛选、补充或启发工具，而不是完全替代真实消费者研究。未来，研究者应结合模型选择、提示设计和任务目标，审慎评估合成数据的可靠性与适用范围，并始终保持对偏见的警惕。