不只是更快的分析：生成式人工智能真正改变了消费者研究的什么

Yuan Ren

2月20日

生成式人工智能的快速发展正在重新定义消费者与营销研究的开展方式。当一个模型能够在几分钟内复现 35 篇顶级期刊论文的消费者研究流程时，我们是否仍在从事“由人主导的科学”？Yoo、Haenlein 与 Hewett 发表于 *Journal of the Academy of Marketing Science* 的一项研究，恰恰处理了这个问题：人工智能仅仅是在改变研究工具，还是在重塑研究的认识论？

*生成式人工智能正通过把大语言模型嵌入学术工作流，从研究构想到理论发展，重塑消费者研究*

人工智能模型的快速进展开辟了新的研究路径

自 ChatGPT 发布以来，大语言模型（LLM）与大型多模态模型（LMM）迅速成为学术研究中的重要工具，并逐步嵌入研究过程的多个阶段（Marr, 2023）。与传统的预测型人工智能不同，生成式人工智能能够创造文本、图像、音频与视频等新内容；而最初聚焦文本处理的 LLM，已演进为能够整合多模态信息的模型（Toner, 2023; OpenAI et al., 2024; Gemini Team et al., 2023）。这一能力源自其基于 transformer 的架构与大规模数据训练，使模型得以理解语境、连接信息并生成内容（Vaswani et al., 2023）。在营销与消费者研究中，多模态能力尤为关键，因为消费者行为往往涉及文本、视觉与情境信息的整合，而 LMM 能够同时处理这些数据，从而提供更全面的理解（Yu et al., 2023）。

然而，尽管生成式人工智能已成为重要的学术焦点，关于它如何影响整个消费者研究过程的系统性研究仍相对有限。已有研究往往聚焦于特定应用，例如使用人工智能生成实验样本或支持理论建构，而缺乏对完整研究链条的全面分析（Sarstedt et al., 2024; Li et al., 2024; Arora et al., 2024; Goli & Singh, 2024）。

在此背景下，近期研究开始系统检视 LMM 在消费者研究中的角色，涵盖构想生成、理论发展、实验设计、数据分析与研究报告等多个阶段，并评估其优势与局限。

人工智能正在改变研究问题的生成方式

消费者研究的第一步通常是识别文献中的空白并提出研究问题。传统上，这一过程依赖研究者的经验、直觉以及对既有研究的大量阅读，而生成式人工智能正开始重塑这一逻辑。研究表明，LMM 能够通过识别大规模数据中的模式来生成研究构想，并可模拟“联想思维”与“发散思维”（Mednick, 1962; Guilford, 1950）。与人类研究者不同，这些模型并不依赖直觉，而是基于数据关系生成假设，这在一定程度上或许能够减少确认偏误与锚定偏误等认知偏差（Hutson, 2023）。

在实践中，LMM 能够快速开展文献检索、识别潜在研究空白并提出新的研究问题。例如，它们可能追问虚拟购物环境中的感知拥挤如何影响对促销的反应，或考察在稀缺线索下消费者对数字艺术品与实体艺术品的反应差异，这些问题反映了平台经济与新兴技术的趋势（Colback, 2023; Yoo et al., 2023）。

不过，这些模型同样表现出明显的局限。它们的文献综述往往依赖公开可得的数据，所建议的研究空白趋于同质化，并且经常缺乏关于所提研究问题重要性的更深入阐释。

*大型多模态模型正在改变消费者研究的每一个阶段，包括构想生成、理论发展、实验设计、数据分析与学术报告*

理论发展：跨学科整合的潜力与边界

理论建构处于消费者研究的核心，要求学者解释变量之间的关系并提出可检验的假设。LMM 在这一阶段展现出明显优势。它们能够整合心理学、行为经济学与管理学的理论，并据此提出变量关系与假设（Banker et al., 2024; Eapen et al., 2023）。例如，在品牌缺货的研究中，模型可能借鉴计划行为理论与期望不一致理论；在负面品牌信息的研究中，则可能援引认知失调理论与依恋理论作为解释框架。这种跨学科整合使人工智能成为理论探索中有价值的工具。

然而，理论发展不止于连接变量，它还要求理解因果机制、情境嵌入性与解释深度，而这些正是当前模型能力的边界所在。LMM 并不具备真正的因果推理能力，其输出在很大程度上仍基于统计关联与语义模式（Pearl & Mackenzie, 2018）。因此，模型生成的理论框架必须经由研究者批判性评估与检验，才能转化为对实证研究有意义的理论贡献。

预测试与试点测试：硅样本的可能性与风险

在研究设计阶段，学者通常通过预测试来检验量表与刺激材料。LMM 能够通过生成“硅样本”来模拟被试反应，从而降低成本并提升效率（Demszky et al., 2023）。研究显示，模型在质性问题上表现相对良好，能产出与人类被试相似的回答，但往往情感深度较浅、细节较少。在量化问题上，其结果接近真实样本，但仍存在差异。更重要的是，多项研究指出，模型难以复现真实人类行为的多样性（Park et al., 2024; Santurkar et al., 2023; Tjuatja et al., 2023）。因此，硅样本虽在预测试阶段具有工具价值，其结果却不应被视为真实消费者反应的直接替代，而更适合用于早期探索与设计打磨。

实验设计与数据生成：一场效率革命

在实验阶段，LMM 能够生成量表、实验情境与虚拟消费环境，并自动创建数据集。研究表明，模型可以基于研究设计生成硅样本、随机分配条件并输出数据，显著提升研究效率（Chang et al., 2024; Sarstedt et al., 2024）。然而，其局限同样明显。问题出现在随机分配、样本代表性以及训练数据中所嵌入的偏见上（Gui & Toubia, 2023; Haim et al., 2024）。此外，出于安全约束，模型往往回避生成敏感或极端情境，这可能在无意间削弱实验捕捉现实复杂性的程度，使结果更趋“常态化”而非贴近现实。因此，LMM 更宜被理解为实验设计中的辅助工具，而非替代真实实验环境的机制。

数据分析：能力与不确定性并存

在数据分析阶段，LMM 已展现出一定能力。它们能够解释统计概念、推荐分析方法并生成代码，在相关分析、t 检验与回归等基础分析中表现可靠（Korinek, 2024; Cooper et al., 2024）。然而，当涉及更复杂的统计结构时，例如中介模型、调节效应或多层模型，其表现仍不稳定，甚至可能产生误导性结果（Frieder et al., 2023; Ignjatović & Stevanović, 2023）。

更关键的是，基于模型生成数据的分析结果，往往与原始研究的结论存在显著分歧，在复制练习中有时甚至产生方向相反的效应。这表明 LMM 在统计推断与数据生成方面仍存在相当大的不确定性，其分析输出需要严格的验证与复制。就目前而言，人工智能更适合被定位为分析支持工具，而非能够独立完成复杂统计推理的自主行动者。

研究报告：作为学术表达与知识传播工具的人工智能

在报告阶段，LMM 不仅充当语言编辑工具，还日益成为支持知识表达与传播的系统。研究表明，模型在纠正语法、拼写与标点方面表现尤为出色，这一能力源自其大规模文本训练，使其能够识别多样的语言错误并提升写作质量（Li et al., 2023）。更重要的是，LMM 能够理解语境并针对不同受众调整表达，例如为学术读者与管理实务读者分别生成不同版本的研究叙述，从而增强研究发现的可读性与传播范围（Wood, 2024）。

尽管如此，报告阶段也是风险最高的环节之一。人工智能生成的文本可能缺乏原创性或包含不准确的引用，需要研究者仔细审查，以确保学术严谨性与研究可信度。此外，学界正面临新出现的规范性问题，例如如何在出版物中披露 LMM 的使用、如何界定人工智能的贡献，以及在使用人工智能辅助写作时如何维持透明度与研究伦理。这些考量表明，人工智能虽能提升写作效率，但其角色应保持为“辅助表达”，而非取代学术判断。

*消费者研究的未来在于人机协作，研究者与生成式人工智能共同工作，以增进洞见生成与创新*

总体而言：人工智能并不取代研究者，而是优化研究过程

Yoo 及其同事这项研究的真正贡献，并不在于证明 LMM 能够复现 35 篇已发表论文，而在于揭示一个更深层的问题：当研究过程可以被拆解为标准化步骤时，这是否意味着学术知识生产已高度程式化？人工智能虽能帮助研究者重构研究流程、加速文献综述、支持理论整合、辅助实验设计并改进学术写作，其局限依然清晰。模型在数据生成、行为模拟与复杂统计分析方面仍表现不稳定，所产出的结果有时可能与真实实证研究相背离。此外，过度依赖这些模型可能导致研究问题趋同、创新性下降，以及“人工智能幻觉”等风险。因此，未来的消费者研究将需要新的治理机制，其中应包括数据验证、研究复制、伦理审查与方法透明，以确保人工智能辅助研究的可靠性与学术严谨性。

总体来看，随着技术进步，研究范式可能逐步转向人机协作：人工智能在研究过程中充当认知工具，而研究者继续承担理论判断与方法设计的责任。在这一模式下，生成式人工智能不再仅仅是工具，而成为推动研究创新与跨学科整合的重要力量。

References

Arora, N., Chakraborty, I., & Nishimura, Y. (2024). EXPRESS: AI-Human Hybrids for Marketing Research: Leveraging LLMs as Collaborators. Journal of Marketing . https://doi.org/10.1177/00222429241276529

Banker, S., Chatterjee, P., Mishra, H., & Mishra, A. (2024). Machine-Assisted Social Psychology Hypothesis Generation. American Psychologist, 79(6), 789–797. https://doi.org/10.31234/osf.io/kv6f7

Chang, S., Kennedy, A., Leonard, A., & List, J. A. (2024). 12 Best Practices for Leveraging Generative AI in Experimental Research (Working Paper 33025). National Bureau of Economic Research.

Colback, L. (2023). The rise of the platform economy. Financial Times. https://www.ft.com/content/e5f5e5b9-3aec-439a-b917-7267a08d320f

Cooper, N., Clark, A. T., Lecomte, N., Qiao, H., & Ellison, A. M. (2024). Harnessing large language models for coding, teaching and inclusion to empower research in ecology and evolution. Methods in Ecology and Evolution, 00, 1–7. https://doi.org/10.1111/2041-210X.14325

Demszky, D., Yang, D., Yeager, D. S., Bryan, C. J., Clapper, M., Chandhok, S., Eichstaedt, J. C., Hecht, C., Jamieson, J., Johnson, M., Jones, M., Krettek-Cobb, D., Lai, L., JonesMitchell, N., Ong, D. C., Dweck, C. S., Gross, J. J., & Pennebaker, J. W. (2023). Using large language models in psychology. Nature Reviews Psychology, 2(11), 688–701. https://doi.org/10.1038/s44159-023-00241-5 Eapen, T. T., Finkenstadt, D. J., Folk, J., & Venkataswamy, L. (2023, July 1). How Generative AI Can Augment Human Creativity. Harvard Business Review. https://hbr.org/2023/07/how-generative-ai-can-augment-human-creativity

Frieder, S., Pinchetti, L., Chevalier, A., Griffiths, R.-R., Salvatori, T., Lukasiewicz, T., Petersen, P. C., & Berner, J. (2023). Mathematical Capabilities of ChatGPT. arXiv. https://doi.org/10.48550/arXiv.2301.13867

Hutson, M. (2023). Hypotheses devised by AI could find ‘blind spots’ in research. Nature. https://doi.org/10.1038/d41586-023-03596-0

Gemini Team, Anil, R., Borgeaud, S., Wu, Y., Alayrac, J.-B., Yu, J., Soricut, R., Schalkwyk, J., Dai, A. M., Hauth, A., Millican, K., Silver, D., Petrov, S., Johnson, M., Antonoglou, I., Schrittwieser, J., Glaese, A., Chen, J., Pitler, E., … Vinyals, O. (2023). Gemini: A Family of Highly Capable Multimodal Models . arXiv. https://doi.org/10.48550/arXiv.2312.11805

Goli, A., & Singh, A. (2024). Frontiers: Can Large Language Models Capture Human Preferences? Marketing Science, 43 (4), 709–722. https://doi.org/10.1287/mksc.2023.0306

Gui, G., & Toubia, O. (2023). The Challenge of Using LLMs to Simulate Human Behavior: A Causal Inference Perspective. SSRN Electronic Journal, 1–27. https://doi.org/10.2139/ssrn.4650172

Guilford, J. P. (1950). Creativity. American Psychologist, 5 (9), 444–454.

Haim, A., Salinas, A., & Nyarko, J. (2024). What’s in a Name? Auditing Large Language Models for Race and Gender Bias. arXiv. https://doi.org/10.48550/arXiv.2402.14875

Ignjatović, A., & Stevanović, L. (2023). Efficacy and limitations of ChatGPT as a biostatistical problem-solving tool in medical education in Serbia: A descriptive study. Journal of Educational Evaluation for Health Professions, 20, 28. https://doi.org/10.3352/jeehp.2023.20.28

Korinek, A. (2024). LLMs Level Up—Better, Faster, Cheaper: June 2024 Update to Section 3 of “Generative AI for Economic Research: Use Cases and Implications for Economists”. Journal of Economic Literature, 61(4).

Li, P., Castelo, N., Katona, Z., & Sarvary, M. (2024). Frontiers: Determining the Validity of Large Language Models for Automated Perceptual Analysis. Marketing Science, 43 (2), 254–266. https://doi.org/10.1287/mksc.2023.0454

Li, Y., Sha, L., Yan, L., Lin, J., Raković, M., Galbraith, K., Lyons, K., Gašević, D., & Chen, G. (2023). Can large language models write reflectively. Computers and Education: Artificial Intelligence, 4, 1–11. https://doi.org/10.1016/j.caeai.2023.100140

Marr, B. (2023). The Best Examples Of What You Can Do With ChatGPT. Forbes. https://www.forbes.com/sites/bernardmarr/2023/03/01/the-best-examples-of-what-you-can-do-with-chatgpt/?sh=49c7fbdedf11

Mednick, S. (1962). The associative basis of the creative process. Psychological Review, 69 (3), 220.

OpenAI, Achiam, J., Adler, S., Agarwal, S., Ahmad, L., Akkaya, I., Aleman, F. L., Almeida, D., Altenschmidt, J., Altman, S., Anadkat, S., Avila, R., Babuschkin, I., Balaji, S., Balcom, V., Baltescu, P., Bao, H., Bavarian, M., Belgum, J., … Zoph, B. (2024). GPT-4 Technical Report . arXiv. https://doi.org/10.48550/arXiv.2303.08774

Park, J. S., Zou, C. Q., Shaw, A., Hill, B. M., Cai, C., Morris, M. R., Willer, R., Liang, P., & Bernstein, M. S. (2024). Generative Agent Simulations of 1,000 People. arXiv. https://doi.org/10.48550/arXiv.2411.10109

Pearl, J., & Mackenzie, D. (2018). The book of why: The new science of cause and effect. Basic Books.

Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P., & Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of Machine Learning Research, 202, 29971–30004.

Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing, 41 , 1254–1270. https://doi.org/10.1002/mar.21982

Tjuatja, L., Chen, V., Wu, S. T., Talwalkar, A., & Neubig, G. (2023). Do LLMs exhibit human-like response biases? A case study in survey design. arXiv. https://doi.org/10.48550/arXiv.2311.04076

Toner, H. (2023). What Are Generative AI, Large Language Models, and Foundation Models? Center for Security and Emerging Technology. https://cset.georgetown.edu/ article/what-are-generative-ai-large-language-models-and-foundation-models/

Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2023). Attention Is All You Need . arXiv. https://doi.org/10.48550/arXiv.1706.03762

Wood, S. (2024). The future of consumer research methods: Lessons of a prospective retrospective. Journal of Consumer Research, 51(1), 151–167.

Yoo, K., Welden, R., Hewett, K., & Haenlein, M. (2023). The merchants of meta: A research agenda to understand the future of retailing in the metaverse. Journal of Retailing, 99(2), 173–192. https://doi.org/10.1016/j.jretai.2023.02.002

Yu, W., Yang, Z., Li, L., Wang, J., Lin, K., Liu, Z., Wang, X., & Wang, L. (2023). MM-Vet: Evaluating Large Multimodal Models for Integrated Capabilities . arXiv. http://arxiv.org/abs/2308.02490