生成式人工智能与广告研究的未来：MADE 框架简明解读

2025年4月11日

人工智能（AI），尤其是应用于内容创作的生成式人工智能，已成为备受关注的研究课题。尽管学界已就其在研究中的质量、诚信和版权问题展开讨论，但生成式人工智能协助研究者开发实验刺激材料的潜力却常被忽视。van Berlo et al.（2024）提出了 MADE（Mapping 映射、Assembling 组装、Demonstrating 验证、Executing 执行）框架，旨在为在广告研究中合乎伦理且有效地使用生成式人工智能制作实验刺激材料提供一套全面的最佳实践。

实验性广告刺激材料设计中的真实性与控制悖论

实验性广告研究长期面临真实性与控制之间的悖论。为确保研究的科学严谨性，实验设计通常要求严格控制刺激材料，仅操纵目标变量。然而，如果实验广告刺激材料与现实广告差异显著，其生态效度可能受到质疑，从而限制研究结果的实践价值。Geuens 和 De Pelsmacker（2017）指出，高质量且逼真的实验广告刺激材料对广告研究至关重要，但学术界制作的广告往往达不到这一标准。

然而，生成式人工智能能够生成高质量、与研究相关的文本、图像和视频，为应对上述真实性挑战提供了新的机遇。生成对抗网络（GAN）和 Transformer 模型（如 GPT）等先进算法能够快速生成大量内容。借助生成式人工智能，研究者可以更轻松地操纵广告中的特定元素，例如改变模特的年龄或表情，或调整产品的类型或颜色，同时保持广告其他方面的一致性。这一能力有望提升实验性广告研究的构念效度、内部效度、外部效度和生态效度。

用生成式人工智能改进实验设计：用于刺激材料开发的 MADE 框架

实证研究表明，MADE 框架能够帮助研究者借助 AI 设计出在质量、恰当性和真实性等多个生态效度维度上与真实广告表现相当的广告。这项研究为生成式人工智能提升实验性广告研究生态效度的潜力提供了初步支持。为支持负责任且有效的使用，MADE 框架提供了一套兼顾创意灵活性与学术严谨性的实用流程。

MADE 包含四个关键阶段：

• Mapping（映射）：明确需要操纵的变量，并考虑广告的情境，包括目标受众、投放平台和文化背景。也可以选择参考一则真实广告来指导 AI 提示词的编写。

• Assembling（组装）：选择合适的 AI 工具（文本、图像或视频），编写详细的提示词，评估生成结果，并在必要时进行人工完善，例如添加标志或调整视觉效果。

• Demonstrating（验证）：对刺激材料进行预测试，检查其清晰度、真实性以及潜在的混淆因素。在进入正式研究之前，根据反馈进行调整。

• Executing（执行）：在主实验中使用这些刺激材料，并确保处理好所有伦理问题，包括披露 AI 的使用、版权问题和数据隐私。

在广告实验中使用生成式人工智能？不妨试试 MADE 框架

MADE 框架为广告研究中实验材料的开发提供了结构化指南，使研究者能够更高效、更负责任、更系统地使用生成式人工智能。尽管 AI 生成的内容可能仍需投入时间进行人工完善，但其低成本和相对平缓的学习曲线使其成为提升实验性广告研究整体质量的有力工具。

尽管方法论方面的挑战依然存在，生成式人工智能的应用为提升实验刺激材料的质量和真实性带来了重要机遇，也为应对"真实性与控制悖论"开启了新篇章。随着广告研究领域不断适应这些技术变革，持续探索对于优化 AI 工具在制作有效实验材料中的应用至关重要。

References

Geuens, M., & De Pelsmacker, P. (2017). Planning and Conducting Experimental Advertising Research and Questionnaire Design. *Journal of Advertising*, 46(1), 83–100. https://doi.org/10.1080/00913367.2016.1225233

van Berlo, Z. M. C., Campbell, C., & Voorveld, H. A. M. (2024). The MADE Framework: Best Practices for Creating Effective Experimental Stimuli Using Generative AI. *Journal of Advertising*, 53(5), 732–753. https://doi.org/10.1080/00913367.2024.2397777