当生成式人工智能进入消费文化研究：收益与未经检视的假设
Yuan Ren
2月27日
生成式人工智能如何改变质性数据分析
生成式人工智能（GenAI）正在重塑质性的消费文化研究：它带来新的效率，同时也在理论、具身、经验与历史四个维度上引出认识论上的权衡取舍。换言之，当消费文化研究者把访谈转录稿、田野笔记或档案材料上传至大语言模型（LLM）时，改变的并不仅仅是研究效率。Epp 与 Humphreys（2025）认为，GenAI 的出现迫使我们重新思考研究者的角色、知识的来源，以及文化分析所依赖的认识论基础。问题不再只是人工智能能否帮助归纳数据，而是在人机协作的情境中，文化理解的逻辑本身是否正在经历微妙而深刻的转变。
从田野笔记到基础模型
技术介入文化研究由来已久。早期民族志学者通过手写笔记记录仪式、言语方式与生活世界（Jones, 2010; Roldán, 2002）。Mauss 基于存档的印刷材料而非直接的田野沉浸发展出理论洞见（Fournier, 2006），这表明文化知识的生产始终经由技术形式中介。
二十世纪，计算文本分析逐步进入社会科学，起初是基于 IBM 大型机的内容分析（Stone et al., 1966），随后是词频统计软件（Carley, 1994），再后来推进到主题模型与词嵌入（Berger et al., 2020; Humphreys and Wang, 2018; Mikolov et al., 2013a, 2013b）。LLM 延续了这一技术谱系，通过预测“下一个最可能的词”来生成语言（Brown et al., 2020; Puntoni et al., 2021）。然而与早期工具不同，GenAI 并非只分析文本；它能够生成回应、合成话语，并产出具有理论结构的语言。这一能力使其角色逐渐从分析助手转向潜在的“研究伙伴”。
*自动化文本分析的演进*
为了解研究者实际上如何与 GenAI 协作，作者访谈了学界与业界的消费文化研究者，并辅以对 LLM 的参与式实验（Huberman and Miles, 1994; Strauss and Corbin, 2014）。文化研究本质上是迭代与递归的，持续在理论与数据之间往返（McCracken, 1988; Peirce, 1903/1934; Sætre and Van de Ven, 2021）。GenAI 的引入并未消除这一结构，反而在四个维度上凸显了人类研究者与机器之间的根本差异：理论、具身、经验与历史。
理论维度：目标导向的视角与“来自无处的视角”
消费文化研究的前提，是把研究者视为理论主体。研究者带着问题、诠释目标与理论框架进入田野；这种有指向的视角构成文化分析的核心（Daston, 1992; Nagel, 1986）。相比之下，LLM 体现的是 Daston 所称的“来自无处的视角”，一种抽象、泛化、缺乏独立动机与探问的立场（Barandiaran and Almendros, 2024）。
因此，GenAI 在归纳与结构化整合方面展现出明显优势，例如汇总访谈主题或比较理论立场。然而，当被要求生成具有真正理论张力的新洞见时，其输出往往变得平滑而扁平。理论突破常常源自先行假设与经验数据之间的摩擦，而 LLM 会把这种张力转化为统计上的一致性。在这个意义上，GenAI 或许能加快研究者进入经验材料的速度，但理论判断仍取决于一个目标导向的人类主体。
具身维度：亲历经验与合成经验
文化理解植根于具身经验与生活世界（Merleau-Ponty, 1945/2013; Johnson, 2015）。在访谈中，研究者通过语调、停顿、情感与对环境的觉察来建构意义，这些要素难以被完全抽象为语言模式。LLM 虽能生成“复合消费者”的声音，但这种声音出自对话语的统计合成，而非亲身经历。正如作者强调的，生成式访谈文本无法替代真实访谈，因为它缺乏情境性与具身性的复杂度（Pollio et al., 1997）。
更重要的是，模型训练数据的范围界定了它能够“发声”的边界。如果某些群体在文本语料中代表性不足，模型的输出便无法充分反映他们的经验。在这个意义上，模型的“履历”并非背景信息，而是研究者必须纳入诠释之中的分析性条件。
经验维度：深度熟悉与去情境化的知识
人类研究者与 LLM 之间还存在一种认识论上的区分。研究者通过长期沉浸对特定田野情境形成深度熟悉，而 LLM 拥有广博却去情境化的文本知识。作者指出，研究者可以对话式地使用模型，例如查询主题、检验编码方案或对发现进行三角验证（Than et al., 2024）。然而，把机器置于主要分析者的位置，可能会忽略那些通过反复阅读与情境观察才逐渐浮现的主题。
文化研究并非只是模式识别，它是对意义建构过程的诠释。通过在理论与经验之间的往复移动，研究者培养出对文化细微之处的敏感。在当前的技术条件下，这一探究维度无法完全外包给机器。
历史维度：时间性与情境的“扁平化”
文化意义嵌入于特定的历史情境之中（Hall, 2016; Holt, 2004）。由于 LLM 在跨越宽广时间跨度的语料上训练，其生成逻辑可能削弱历史特殊性，把多样的文化时刻压缩为泛化的表达模式。研究者可尝试通过把训练数据限定于特定历史语料来提升时间敏感性，例如构建特定时期的语言词典（Brysbaert et al., 2014），或把模型应用于濒危语言保护（Koc, 2025）。
然而，对于尚未沉淀为文本形式的新兴文化实践，模型往往难以识别有意义的结构（Price et al., 2024）。文化在边缘处展开，存在于日常仪式与微观互动之中，而这些可能尚未沉积进档案。GenAI 的历史视角锚定于既有关联，因此对正在形成中的意义相对不够敏感。
*生成式人工智能在消费文化研究中的理论、具身、经验与历史权衡*
人机协作的原则：方法论定位，而非核对清单
针对这些权衡，作者提出四项指导原则：透明性、来源可溯、隐私与逼真性。研究者应记录何时以及如何使用人工智能工具，包括提示与输出；报告训练数据的来源与特征；通过隔离或沙箱化环境保护参与者隐私；并通过将人工智能生成的洞见与原始数据及人类诠释进行三角验证来确保逼真性（Arnould and Epp, 2006; Belk et al., 1989）。
这些原则不只是程序性要求，它们代表一种方法论定位。透明性阐明人工智能如何塑造诠释。来源可溯把输出置于其训练情境之中。隐私保护具身的参与者。逼真性确保研究发现与亲历经验相呼应。与 GenAI 的协作必须对质性探究的认识论承诺负责。
模型选择与参数配置同样具有方法论意涵。不同工具在隐私保障、推理能力与数据处理可供性方面存在差异。“温度”等超参数会影响输出的随机性与创造性（Arnold et al., 2024; Talamadupula, 2024）。研究者必须依据研究目标校准模型，而不是把它们当作中立的仪器。
*消费者研究中的人机协作*
结论：重新思考“研究者即工具”范式
最终，Epp 与 Humphreys 强调，消费文化理论长期在“研究者即工具”的范式中运作。GenAI 的价值仅在于它促进人类的意义建构，而非遮蔽研究者的判断。与此同时，人工智能本身也成为重要的文化研究对象，值得持续探究其在消费实践与技术话语中的角色（Giesler, 2008; Kozinets, 2008; Huang and Rust, 2025）。
当研究者把文本交给机器时，问题从来不只是效率。更深层的问题在于：在这场协作中，我们是否正悄然重新定义“理解”的含义。
References
Arnold, C., Biedebach, L., Küpfer, A., & Neunhoeffer, M. (2024). The role of hyperparameters in machine learning models and how to tune them. Political Science Research and Methods , 12 (4), 841–848. https://doi.org/10.1017/psrm.2023.61
Arnould, E. J., & Epp, A. M. (2006). Deep engagement with consumer experience: Listening and learning with qualitative data. In R. Grover & M. Vriens (Eds.), The SAGE handbook of marketing research (pp. 51–82). Sage Publications
Barandiaran, X. E., & Almendros, L. S. (2024). Transforming Agency. On the mode of existence of Large Language Models. arXiv.Org .
Belk, R. W., Wallendorf, M., & Sherry, J. F. (1989). The Sacred and the Profane in Consumer Behavior: Theodicy on the Odyssey. The Journal of Consumer Research , 16 (1), 1–38. https://doi.org/10.1086/209191
Berger, J., Humphreys, A., Ludwig, S., Moe, W. W., Netzer, O., & Schweidel, D. A. (2020). Uniting the Tribes: Using Text for Marketing Insight. Journal of Marketing , 84 (1), 1–25. https://doi.org/10.1177/0022242919873106
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., … Amodei, D. (2020). Language Models are Few-Shot Learners. arXiv.Org .
Brysbaert, M., Warriner, A. B., & Kuperman, V. (2014). Concreteness ratings for 40 thousand generally known English word lemmas. Behavior Research Methods , 46 (3), 904–911. https://doi.org/10.3758/s13428-013-0403-5
Carley, K. (1994). Extracting culture through textual analysis. Poetics, 22 (4), 291–312.
Daston, L. (1992). Objectivity and the Escape from Perspective. Social Studies of Science , 22 (4), 597–618. https://doi.org/10.1177/030631292022004002
Epp, A. M., & Humphreys, A. (2025). Collaborating with Generative AI in Consumer Culture Research. The Journal of Consumer Research , 52 (1), 32–48. https://doi.org/10.1093/jcr/ucaf014
Fournier, M. (2006). Marcel Mauss: A biography . Princeton University Press.
Jones, J. S. O. (2010). Origins and ancestors: A brief history of ethnography. In Ethnography in social science practice (pp. 29-43). Routledge.
Hall, S. (2016). Cultural studies 1983: A theoretical history (J. D. Slack & L. Grossberg, Eds.). Duke University Press.
Holt, D. B. (2004). How brands become icons : the principles of cultural branding (1st ed.). Harvard Business School Press.
Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. The Journal of Consumer Research , 52 (1), 4–17. https://doi.org/10.1093/jcr/ucaf013
Huberman, A. M., & Miles, M. B. (1994). Data management and analysis methods.
HUMPHREYS, A., & WANG, R. J.-H. (2018). Automated Text Analysis for Consumer Research. The Journal of Consumer Research , 44 (6), 1274–1306. https://doi.org/10.1093/jcr/ucx104
Giesler, M. (2008). Conflict and Compromise: Drama in Marketplace Evolution. The Journal of Consumer Research , 34 (6), 739–753. https://doi.org/10.1086/522098
Johnson, M. (2015). Embodied understanding. Frontiers in Psychology , 6 , 875. https://doi.org/10.3389/fpsyg.2015.00875
Koc, V. (2025). GenAI and large language models in language preservation: Opportunities and challenges. arXiv . https://doi.org/10.48550/arXiv.2501.11496
Kozinets, R. V. (2008). Technology/ideology: How ideological fields influence consumers’ technology narratives. Journal of Consumer Research, 34 (6), 865–881.
McCracken, G. (1988). The long interview . Sage.
Merleau-Ponty, M. (2013). Phenomenology of perception (D. A. Landes, Ed.). Routledge. (Original work published 1945)
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013a). Efficient Estimation of Word Representations in Vector Space. arXiv.Org .
Mikolov, T., Sutskever, I., Chen, K., Corrado, G., & Dean, J. (2013b). Distributed Representations of Words and Phrases and their Compositionality. arXiv.Org .
Nagel, T. (1986). The view from nowhere . Oxford University Press.
Peirce, C. S. (1934). Collected papers of Charles Sanders Peirce (Vol. 5). Harvard University Press. (Original work published 1903)
Pollio, H. R., Henley, T. B., & Thompson, C. J. (1997). The phenomenology of everyday life: Empirical investigations of human experience . Cambridge University Press.
Price, L. L., Moisio, R., & Arnould, E. J. (2024). Making context matter even more: Tools for leveraging contexts for insights. In R. W. Belk & C. Otnes (Eds.), Handbook of qualitative research methods in marketing (pp. 471–485). Edward Elgar Publishing.
Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and Artificial Intelligence: An Experiential Perspective. Journal of Marketing , 85 (1), 131–151. https://doi.org/10.1177/0022242920953847
Roldán, A. Á. (2002). Writing ethnography. Malinowski’s fieldnotes on Baloma. Social Anthropology , 10 (3), 377–393. https://doi.org/10.1111/j.1469-8676.2002.tb00065.x
Stone, P. J., Dunphy, D. C., & Smith, M. S. (1966). The general inquirer: A computer approach to content analysis.
Strauss, A. L., & Corbin, J. M. (2014). Basics of qualitative research: Grounded theory procedures and techniques (4th ed.). Sage.
Sætre, A. S., & Van de Ven, A. (2021). Generating Theory by Abduction. The Academy of Management Review , 46 (4), 684–701. https://doi.org/10.5465/amr.2019.0233 Talamadupula, Kartik. “A Guide to LLM Hyperparameters.” Symbl.ai , 4 Mar. 2024, A Guide to LLM Hyperparameters | Symbl.ai
Than, N., Fan, L., Law, T., Nelson, L. K., & McCall, L. (2025). Updating “The Future of Coding”: Qualitative Coding with Generative Large Language Models. Sociological Methods & Research , 54 (3), 849–888. https://doi.org/10.1177/00491241251339188
留言