利用大型语言模型生成合成消费者洞察

arXiv cs.AI 论文
synthetic-data consumer-insights large-language-models marketing natural-language-processing data-generation

摘要

本研究探讨了大型语言模型能否为投射技术生成合成消费者数据，通过比较人类与LLM在城市旅游感知上的回应，发现两者在主题上高度重叠，但在风格、语言结构和多样性生成方式上存在重要差异。

arXiv:2607.05761v1 公告类型：新 摘要：现代数据驱动营销依赖于大量消费者数据，然而收集这些数据成本高昂、耗时且难以规模化。本研究探讨了大型语言模型（LLMs）能否用于生成投射技术的合成消费者数据——投射技术是一类旨在引发消费者联想、情感、需求和愿望的方法。我们在多个投射任务、多种LLM、多种提示策略和多种温度设置下测试了LLM生成的回应，并将其与一项关于城市旅游目的地感知的原始研究的人类回应进行比较。使用语言指标、多样性和集中度度量、主题模型和顶级术语分析对人类和LLM的回应进行分析。结果显示，人类和LLM的回应在宽泛主题和联想上高度重叠，但在风格、语言结构以及多样性的生成方式上存在重要差异。我们给出了关于如何最佳利用LLM生成合成消费者数据的建议，模型和提示选择如何影响回应质量，以及认识到LLM合成消费者数据生成的局限性。
查看原文
查看缓存全文

缓存时间: 2026/07/08 04:38 

# 利用大语言模型生成合成消费者洞察
来源：https://arxiv.org/abs/2607.05761
查看 PDF（https://arxiv.org/pdf/2607.05761）

> **摘要：** 现代数据驱动的营销依赖于大量消费者数据，然而收集此类数据往往成本高昂、耗时且难以规模化。本研究探讨能否利用大语言模型（LLMs）为投射技术生成合成消费者数据。投射技术是一系列旨在挖掘消费者联想、情感、需求和渴望的方法。我们测试了LLM在多种投射任务、不同LLM、提示策略和温度设置下生成的回答，并将其与一项关于城市旅游目的地感知的原始研究中的真人回答进行比较。使用语言学指标、多样性与集中度指标、主题模型以及高频词分析对真人回答和LLM回答进行了分析。结果表明，在广泛主题和联想方面，真人回答与LLM回答存在大量重叠，但在风格、语言结构以及多样性生成方式上存在显著差异。本文就如何最佳利用LLM生成合成消费者数据、模型与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的局限性提出了建议。

## 提交历史

来自：Stephen L. France [查看邮件 (https://arxiv.org/show-email/827ad16a/2607.05761)] **\[v1\]** 2026年7月7日 星期二 02:38:41 UTC（985 KB）

相似文章

评估 LLM 在受控实验中作为人类代理的可靠性

arXiv cs.CL

本论文通过比较 LLM 生成的数据与人类在准确性感知调查中的反应，评估现成 LLM 是否能可靠地模拟受控行为实验中的人类反应。研究发现，虽然 LLM 能捕捉方向性效应和聚合信念更新模式，但它们的效应大小与人类尺度不一致，这有助于澄清合成 LLM 数据何时可以作为行为代理。

大型语言模型能否革新调查研究？以灾害防备响应的实验为例

arXiv cs.AI

本文提出一个五阶段框架，将大型语言模型整合到调查研究中，以应对回复率下降、样本偏差和欺诈性完成等问题。基于2024年米尔顿飓风调查数据，作者提出了一种理论知情的LLM（A-TLM），在缺失数据场景中优于经典插补方法，并通过基于事实的拒答机制展示了可控的幻觉风险。

在LLM个性化中重新聚焦人类

arXiv cs.CL

本文研究了在评估LLM个性化的三个阶段（属性提取、相关性匹配和响应生成）中，合成数据与人类数据之间的差距。结果表明，模型在真实人类数据上表现更差，作者引入了轻量级训练干预措施以改善对齐。