top of page

Forbrukerforskning med generativ KI risikerer en gjennomsnittsfelle og modellkollaps

for 1 døgn siden
2 min lesing

Image via Wikimedia Commons (public domain).

Hva skjer med forbrukerforskningen når generativ KI blir et standardverktøy? Huang og Rust hevder i *Journal of Consumer Research* at generativ KI følger en bane fra demokratisering via en "gjennomsnittsfelle" med generiske svar og til slutt mot modellkollaps, og de skisserer konkrete måter forskere kan motvirke dette på.

Fra demokratisering til modellkollaps

Forbrukerforskere bruker nå generativ KI til å utforme spørreskjemaer, kode åpne svar, simulere respondenter og analysere tekst i stor skala. Verktøyene senker kostnaden ved å forske, noe som er gode nyheter for mange forskere. Det vanskeligere spørsmålet er hva som skjer med kunnskapsgrunnlaget når stadig mer av forskningen går gjennom samme type modell. Ming-Hui Huang (National Taiwan University) og Roland T. Rust (University of Maryland) tar opp dette spørsmålet i en konseptuell artikkel, ikke i en empirisk studie.

Ifølge Huang og Rust (*Journal of Consumer Research*, 2025) går generativ KI gjennom tre sammenhengende fenomener. Demokratisering kommer først: flere forbrukere blir en del av dataene som forskningen bygger på, noe som kan bedre representativiteten, men som også fører skjevheter fra den virkelige verden inn i dataene. Deretter følger gjennomsnittsfellen: fordi disse systemene bygger på prediksjon av neste token, har de en tendens til å produsere generiske svar som mister det individuelle ved virkelige forbrukere. Modellkollaps er endepunktet: etter hvert som generativ KI i økende grad lærer av sine egne utdata, forsterkes maskinell skjevhet, og modellene fjerner seg fra hvordan mennesker faktisk oppfører seg.

Forfatterne kobler hvert stadium til et tiltak. For å utnytte demokratiseringen kan forskere studere marginaliserte forbrukere og la menneskesentrert forskning gå foran rent datadrevne metoder. For å unngå gjennomsnittsfellen foreslår de å finjustere modeller med oppgavespesifikke data og data fra marginalisert forbruk, og å utforme svarene med vekt på det unike fremfor det typiske. For å forhindre modellkollaps etterlyser de hybride data fra mennesker og maskiner og bruk av teorier om sinnet (theory of mind) for å bringe KI tilbake i tråd med menneskesentrert forbruk.

Artikkelen avsluttes med en forskningsagenda i tre deler: å bevare halene i datafordelingene slik at demokratiseringen ikke visker ut minoritetsforbrukere, å motvirke gjennomsnittsfellen som ligger innebygd i prediksjon av neste token, og å finne måter å snu utviklingen fra demokratisering mot modellkollaps på.

Leserne bør ha sjangeren i mente. Dette er et teoretisk rammeverk, og artikkelen tester det ikke. Den måler ikke hvor ofte syntetiske respondenter gir generiske svar, eller hvor raskt kollaps skjer i praksis. Verdien ligger i at den gir forskere et begrepsapparat og et sett med testbare retninger, som senere empirisk arbeid må bekrefte, videreutvikle eller avkrefte.

Hvorfor det betyr noe: Hvis du bruker store språkmodeller til å simulere deltakere, lage stimuli eller kode forbrukertekst, er "gjennomsnittsfellen" en konkret trussel mot validiteten: modellene trekker svarene mot det typiske tilfellet og visker ut nettopp den variasjonen som forskning på forbrukeratferd skal forklare. Huang og Rusts rammeverk gir fagfeller og forfattere en felles sjekkliste: om studien beholder ekte menneskelige data i prosessen, om den beskytter halene i fordelingen, og om den baserer seg på modeller trent på egne utdata. Det er verdt å stille disse spørsmålene til enhver studie som bruker generativ KI, før den går i trykken.

Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. *Journal of Consumer Research*, 52(1), 4-17. Les originalartikkelen. Uavhengig redaksjonell oppsummering av tredjepartsforskning.

Kommentarer


Dette initiativet støttes av følgende organisasjoner:

  • Twitter
  • LinkedIn
  • YouTube
logo_edited.png
bottom of page