利用大語言模型生成合成消費者洞察
該研究探討了使用大型語言模型（LLM）生成合成消費者資料的可行性，特別是用於投射技術。透過多項任務對比LLM與人類在旅遊目的地感知上的反應，發現兩者在廣泛主題上重疊，但在風格、語言結構和多樣性生成方式上存在差異。研究提供瞭如何最佳利用LLM生成合成消費者資料的建議，並指出了其侷限性。
近日，一項發表於arXiv的新研究《利用大語言模型生成合成消費者洞察》探討了大型語言模型（LLM）在生成合成消費者資料方面的潛力。現代資料驅動營銷依賴大量消費者資料，但採集此類資料成本高昂、耗時且難以規模化。該研究旨在檢驗LLM能否用於投射技術——一種用於引發消費者聯想、情感、願望和需求的方法。
研究團隊來自Stephen L. France等人，他們於2026年7月7日提交了這篇論文。研究中，他們在多項投射任務中測試了LLM生成的回應，涉及不同LLM、提示策略和溫度設定，並將其與一項關於城市旅遊目的地感知的主要研究中的人類回應進行對比。人類和LLM的回應透過語言測量、多樣性和集中度指標、主題模型以及頂層術語分析進行了分析。
結果顯示，人類和LLM在廣泛主題和聯想上存在顯著重疊，但也在風格、語言結構以及多樣性生成方式上表現出重要差異。例如，LLM生成的回應往往更正式、結構更清晰，而人類回應則更加多樣化和個性化。具體來說，LLM傾向於使用更標準的語言模式，而人類則展現出更豐富的詞彙選擇和情感表達。研究團隊給出瞭如何最佳利用LLM生成合成消費者資料的建議，包括模型和提示選擇如何影響回應質量，並指出了LLM合成消費者資料生成的侷限性，例如可能缺乏真實消費者資料的隨機性和細微差別。
該研究為營銷領域提供了一種潛在的高效資料獲取方法，但也強調了謹慎應用的必要性。隨著AI技術的進步，合成資料生成可能成為市場研究的有力補充，但目前仍需注意其與真實資料的差異。研究人員建議，在實際應用中，應結合人類驗證和微調，以確保合成資料的可靠性和有效性。這篇論文的預印本編號為arXiv:2607.05761，屬於人工智慧（cs.AI）領域。