利用大语言模型生成合成消费者洞察
该研究探讨了使用大型语言模型（LLM）生成合成消费者数据的可行性，特别是用于投射技术。通过多项任务对比LLM与人类在旅游目的地感知上的反应，发现两者在广泛主题上重叠，但在风格、语言结构和多样性生成方式上存在差异。研究提供了如何最佳利用LLM生成合成消费者数据的建议，并指出了其局限性。
近日，一项发表于arXiv的新研究《利用大语言模型生成合成消费者洞察》探讨了大型语言模型（LLM）在生成合成消费者数据方面的潜力。现代数据驱动营销依赖大量消费者数据，但采集此类数据成本高昂、耗时且难以规模化。该研究旨在检验LLM能否用于投射技术——一种用于引发消费者联想、情感、愿望和需求的方法。
研究团队来自Stephen L. France等人，他们于2026年7月7日提交了这篇论文。研究中，他们在多项投射任务中测试了LLM生成的回应，涉及不同LLM、提示策略和温度设置，并将其与一项关于城市旅游目的地感知的主要研究中的人类回应进行对比。人类和LLM的回应通过语言测量、多样性和集中度指标、主题模型以及顶层术语分析进行了分析。
结果显示，人类和LLM在广泛主题和联想上存在显著重叠，但也在风格、语言结构以及多样性生成方式上表现出重要差异。例如，LLM生成的回应往往更正式、结构更清晰，而人类回应则更加多样化和个性化。具体来说，LLM倾向于使用更标准的语言模式，而人类则展现出更丰富的词汇选择和情感表达。研究团队给出了如何最佳利用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应质量，并指出了LLM合成消费者数据生成的局限性，例如可能缺乏真实消费者数据的随机性和细微差别。
该研究为营销领域提供了一种潜在的高效数据获取方法，但也强调了谨慎应用的必要性。随着AI技术的进步，合成数据生成可能成为市场研究的有力补充，但目前仍需注意其与真实数据的差异。研究人员建议，在实际应用中，应结合人类验证和微调，以确保合成数据的可靠性和有效性。这篇论文的预印本编号为arXiv:2607.05761，属于人工智能（cs.AI）领域。