从灵感到洞察：GenAI 如何重塑消费者研究路径？

引言

生成式人工智能（Generative AI）正在深刻重塑消费者研究，既能增强创意构思、辅助定性分析，也重塑了该领域的发展轨迹。来自牛津大学出版社《消费者研究期刊》的三篇实证研究及一篇综述文章提供了互补的框架与实践指南，揭示了人与人工智能协作的巨大潜力及其潜在陷阱。

创意构思：大规模语言模型的双刃剑

作为消费者研究的基石，创意构思（creative ideation）与生成式人工智能协作的效益和缺陷目前尚未被学术界充分探索。De Freitas、Nave 和 Puntoni（2025）在其研究中指出，构思是以想法为单位，并为这些想法赋予“原创性”（originality）与“适当性”（appropriateness）属性的过程；其中，我们既要评估一个想法相对于现有概念的新颖性，也需衡量其在问题解决方面的实用性（Melumad 和 Pham, 2020；Amabile, 1982；Harvey 和 Berry, 2023）。在探讨大规模语言模型（LLMs）对创意能力的支持时，De Freitas 等（2025）提出了两大核心属性：一是生产力（productivity），即 LLMs 能借助强大计算能力在极短时间内生成大量想法，并随着迭代逐步提升原创性，从而帮助人类突破创意瓶颈；二是语义广度（semantic breadth），即模型从多领域庞大语料中汲取概念，并将看似无关的要素加以连接，以跳脱常规思维。然而，海量输出也带来风险：容易重复且同质化。为此，作者建议采用多种技术手段，如微调、少样本提示、提示多样化、混合式提示及思维链提示，以保持内容的多样性和深度。除此之外，De Freitas 等（2025）还引入了“构思角色”（ideation roles）这一隐喻，以阐明 LLMs 可承担的不同职能：当 LLMs 作为关键构思者时，能够帮助研究者设计更完善、更客观的实验方法，并创作更具创造性、道德性和易读性的内容；当人类为关键构思者时，LLMs 则可充当访谈者，通过一系列探索性提问来启发研究者，甚至作为角色扮演者模拟研究人员采访消费者以收集创意。最后，作者提出了在构思中使用 LLMs 的十条准则，聚焦于在提升生产力与语义广度的同时，维持稳定的原创性，并通过多元共创防范多样性流失、错误与去技能化，以原创性、相关性与影响力为综合评估指标。

创意构思与生成式人工智能的协作

定性消费者文化研究：四大协作情境对比

而另一项由Epp 和 Humphreys（2025）进行的研究则聚焦于生成式人工智能在消费者文化定性研究中的应用，比较了四种‘人–AI 协作’情境。在理论（Theoretical）层面，人类研究者带着清晰的理论视角、假设驱动和具身体验，通过“数据–理论”之间的摩擦不断深化洞察。而生成式人工智能则以“置身事外”的“客观视角”快速梳理和汇总海量信息，却缺乏自主目标和深层的概念化能力；在具身体验（Embodied）情境中，人类研究者带着身临其境的感知、丰富的生活经验和文化细节，凭直觉和好奇心深入挖掘；而 AI 凭借其训练数据“传记”快速合成多重视角、高效总结，却无法真正感知世界或捕捉细腻的语境与文化深度；在实践（Empirical）背景下，人类研究者凭借对实证场景的深度沉浸、归纳推理和对突发细节的敏锐洞察不断推动发现；而 AI 则以去语境化的海量信息库和自动化编码的高效性帮助快速识别模式，却容易错过最具创新性的新颖观察；在历史（Historical）研究中，人类研究者凭借对特定历史时期和社会脉络的深度理解，能够解读文化演变与当下意义；而 AI 因跨时代数据的汇聚往往将历史语境扁平化。为此，作者提出四大与 AI 协作的原则和准则：透明性（描述使用 GenAI 的研究的每个阶段）、可考证性（关注并报告 GenAI 模型的训练数据和其他模型细节的来源）、隐私保护（考虑并报告对隐私的保护措施）、忠实再现（确保调查结果的真实性）。

生成式人工智能与定性研究

宏观趋势：GenAI 三阶段演化

宏观层面上，Huang 和 Rust（2025）描绘了生成式人工智能在消费者研究中的三阶段发展轨迹：普及化（Democratization）、趋同陷阱（Average trap）与模型崩溃（Model collapse）。一开始，生成式人工智能让更多人参与研究，却也沿用了人类数据中的偏见；接着，模型倾向输出“平均化”答案，缺乏个性与多样性；最终，研究可能陷入自我参照，脱离真实人类行为。在此过程中，数据与模型面临的主要挑战包括：人类偏见的放大、输出同质化以及机器自身偏见的叠加。为此，可通过丰富数据来源以保留长尾分布、利用响应与提示工程并结合消费场景微调模型、以及引入人机混合数据与“心智理论”来重塑人类因素，提升AI输出质量。

生成式人工智能的宏观趋势

前瞻思考：生成式人工智能 VS 人类研究员

综述性文章由 Schmitt（2025）撰写，反思生成式人工智能不仅是工具，更可能成为独立的“研究主体”。Schmitt 强调共同主题，即生成式人工智能的创意提升、同质化风险与人类监管不可或缺，并提出关键问题：未来研究将是人与AI 共创，还是 AI 主导？合成用户能否替代真实参与者？在快速发展的人工智能时代，消费者研究应如何在伦理与方法上自我革新？他认为当前认识尚处于初步阶段，需要持续对话与批判性审视。

结语：

随着生成式人工智能工具在消费者文化研究中的普及，我们正迎来一个既兴奋又充满挑战的时代：研究者需要巧妙平衡 AI 带来的高效与可能丧失的多样性，确保边缘化群体在数据“尾部”得到真实呈现而非刻板化解读；同时，通过微调模型、优化提示工程，以及引入人机对话原则，努力破解 ‘均化陷阱’，避免单一化答案甚至模型崩溃；更有趣的是，未来或可让LLMs不仅激发创意，还辅助我们筛选最有潜力的研究构想，甚至预测论文的实际影响力，从而打破传统引用机制的桎梏。总之，消费者文化研究者不仅要把 AI 当作实验工具，更要审视其背后的规范与话语，共同探索如何在保持原创性的同时，利用 AI 带来的新视角和新方法，开拓更具包容性和影响力的研究路径。

参考文献：

Amabile Teresa M. (1982), “Social Psychology of Creativity: A Consensual Assessment Technique,” Journal of Personality and Social Psychology, 43 (5), 997–1013.

De Freitas, J., Nave, G., & Puntoni, S. (2025). Ideation with Generative AI—in Consumer Research and Beyond. Journal of Consumer Research, 52(1), 18–31. https://doi.org/10.1093/jcr/ucaf012

Epp, A. M., & Humphreys, A. (2025). Collaborating with Generative AI in Consumer Culture Research. Journal of Consumer Research, 52(1), 32–48. https://doi.org/10.1093/jcr/ucaf014

Harvey Sarah, Berry James W. (2023), “Toward a Meta-Theory of Creativity Forms: How Novelty and Usefulness Shape Creativity,” Academy of Management Review, 48 (3), 504–29.

Huang, M.-H., & Rust, R. T. (2025). The GenAI future of consumer research. Journal of Consumer Research, 52(1), 4–17. https://doi.org/10.1093/jcr/ucaf013

Melumad Shiri, Pham Michel Tuan (2020), “The Smartphone as a Pacifying Technology,” Journal of Consumer Research, 47 (2), 237–55.

Schmitt, B. (2025). GenAI and consumer research: Are we the last generation of human consumer researchers? Journal of Consumer Research, 52(1), 1–3. https://doi.org/10.1093/jcr/ucaf015