从洞察到灵感：生成式人工智能如何重新定义消费者研究？

2025年5月27日

引言

生成式人工智能正在深刻重塑消费者研究：它增强了创意构思，支持质性分析，并重新定义着这一领域的发展方向。*Journal of Consumer Research*（Oxford Academic）刊发的三项实证研究和一篇综述提供了相互补充的框架和实践指导，揭示了人机协作的巨大潜力与潜在陷阱。

创意构思：LLM 是一把双刃剑

作为消费者研究的基石，创意构思及其与生成式人工智能的协作在学术界仍未得到充分探讨。De Freitas、Nave 和 Puntoni（2025）将构思定义为一个把每个想法视为一个单元的过程，并赋予其两个属性：原创性和恰当性。原创性衡量一个想法相对于现有概念的新颖程度，恰当性则评估其在解决问题上的实际效用（Melumad and Pham, 2020; Amabile, 1982; Harvey and Berry, 2023）。在考察大语言模型（LLM）如何支持创造力时，研究者识别出 LLM 的两项核心属性：生产力，即快速生成大量想法并通过迭代不断提高原创性的能力；以及语义广度，即借鉴多元领域、连接看似无关的概念以突破常规思维的能力。

然而，这些优势也伴随着风险：大量输出容易导致重复和同质化。为保持多样性和深度，作者建议采用微调、少样本提示、提示词变体、混合提示和思维链提示等技术。他们还引入了构思角色这一隐喻来阐明 LLM 的功能：当 LLM 担任主要构思者时，它可以设计更严谨、更客观的实验，并产出更具创意、更合乎伦理、可读性更强的内容；当人类担任主要构思者时，LLM 则扮演访谈者的角色，提出一系列追问以激发人类的创造力，或扮演"演员"的角色，模拟消费者访谈以引出想法。最后，他们提出了在构思中使用 LLM 的十条指南：平衡生产力与语义广度，通过多元共创保障原创性，并从原创性、相关性和影响力三方面评估输出（De Freitas et al., 2025）。

质性消费文化研究：四种协作情境

Epp 和 Humphreys（2025）聚焦于生成式人工智能在质性消费文化研究中的应用，比较了四种人机协作情境。在理论情境中，人类研究者运用清晰的理论、假设驱动的探究和具身经验，通过数据与理论之间的张力深化洞见；相比之下，生成式人工智能提供的是对海量信息的抽象的"无处之见"（view from nowhere）式概览，既没有自主目标，也缺乏深层概念化能力。在具身情境中，人类依靠感官知觉、丰富的生活经验和文化细微差别；AI 基于其数据集"履历"进行训练，能够高效综合多种视角，却无法真正感知情境或细微的文化深度。在经验情境中，人类沉浸于真实场景、进行归纳推理并对新出现的细节保持敏感，从而推动发现；AI 则利用去情境化的信息和自动编码快速识别模式，但往往会遗漏最新颖的观察。在历史情境中，人类学者对特定时代的深入理解有助于解读文化演变及其当代意义，而 AI 跨时代的信息聚合则往往使历史情境扁平化。为应对这些权衡，Epp 和 Humphreys 倡导 AI 协作的四项原则与指南：透明性（描述使用生成式人工智能的每个研究阶段）、可验证性（关注并报告生成式人工智能模型训练数据的来源及其他模型细节）、隐私保护（考虑并报告保护隐私的措施）以及忠实再现（确保研究发现的真实性）。

宏观趋势：生成式人工智能发展的三个阶段

在宏观层面，Huang 和 Rust（2025）勾勒了生成式人工智能在消费者研究中发展的三个阶段：民主化、平均陷阱和模型崩溃。起初，生成式人工智能使参与更加民主化，但也继承了人类数据中的偏差；随后，下一词元预测模型趋向于平均化的回答，侵蚀了个体性和多样性；最终，随着模型越来越多地从自身输出中学习，研究面临自我指涉的风险，与真实的人类行为脱节。主要挑战包括人类偏差的放大、输出的同质化以及机器偏差的层层叠加。为缓解这些问题，他们建议丰富数据来源以保留长尾分布，结合针对具体情境的微调开展回答与提示词工程，并整合人机混合数据和"心智理论"框架，重新嵌入人的因素，提高 AI 输出质量。

展望：生成式人工智能与人类研究者

Schmitt（2025）的综述不仅将生成式人工智能视为一种工具，更将其视为潜在的自主"研究智能体"。他强调了几个反复出现的主题，即创造力的增强、同质化风险以及人类监督不可或缺，并提出了若干关键问题：未来的研究将是共创式的还是由 AI 主导？合成参与者能否取代真实参与者？面对生成式人工智能的快速演进，消费者研究应如何在伦理和方法上作出调整？Schmitt 认为，目前的认识仍处于初期，需要持续的对话和批判性审视。

结论

随着生成式人工智能工具在消费文化研究中迅速普及，我们正站在一个令人振奋又充满挑战的关口。研究者必须在 AI 的效率与保护多样性之间取得平衡，确保数据"长尾"中的边缘群体得到真实呈现，而非被刻板化。通过微调模型、优化提示词工程并采纳人机对话原则，我们可以摆脱下一词元预测的"平均陷阱"，避免模型崩溃。耐人寻味的是，LLM 或许很快不仅能生成想法，还能帮助我们筛选最有前景的研究构想，并预测论文的影响力，超越传统的引用指标。归根结底，消费者研究学者必须将 AI 视为超越实验工具的存在，批判性地审视其背后的规范与话语，共同探索如何在借助 AI 新视角和新方法的同时保持原创性，开辟更具包容性和影响力的研究路径。

References

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