生成式人工智能驱动的消费者研究面临"平均陷阱"与模型崩溃风险

Image via Wikimedia Commons (public domain).
当生成式人工智能成为标准研究工具时,消费者研究会发生什么变化?Huang 和 Rust 在 *Journal of Consumer Research* 上提出,生成式人工智能遵循一条从"民主化"到产生泛化回答的"平均陷阱"、最终走向模型崩溃的发展轨迹,并为研究者提出了具体的应对之道。
从民主化到模型崩溃
消费者研究者如今使用生成式人工智能起草问卷、编码开放式回答、模拟受访者并大规模分析文本。这些工具降低了开展研究的成本,对许多学者而言是好消息。更难回答的问题是:当越来越多的研究都经由同一类模型完成时,证据基础本身会发生什么变化。Ming-Hui Huang(台湾大学)与 Roland T. Rust(马里兰大学)在一篇概念性文章(而非实证研究)中探讨了这一问题。
根据 Huang 和 Rust 的研究(*Journal of Consumer Research*, 2025),生成式人工智能会经历三个相互关联的现象。首先是民主化:更多消费者参与到为研究提供输入的数据之中,这可以改善代表性,但也会把现实世界的偏差带入数据。随后是平均陷阱:由于这些系统建立在下一词元预测之上,它们倾向于生成泛化的输出,从而丢失真实消费者的个体差异。模型崩溃是终点:随着生成式人工智能越来越多地从自身输出中学习,机器偏差被放大,模型逐渐偏离人们的实际行为。
作者为每个阶段都提出了相应的对策。为善用民主化,研究者可以研究边缘化消费者,并让以人为本的研究优先于纯数据驱动的方法。为摆脱平均陷阱,他们建议使用特定任务数据和边缘化消费数据对模型进行微调,并针对独特性而非典型性来设计模型的回答。为防止模型崩溃,他们呼吁采用人机混合数据,并运用心智理论使人工智能重新与以人为中心的消费行为保持一致。
文章最后提出了一个包含三部分的研究议程:保留数据分布的尾部,使民主化不至于抹去少数群体消费者;对抗下一词元预测中固有的平均陷阱;以及寻找方法扭转从民主化滑向模型崩溃的趋势。
读者应留意这篇文章的体裁。它提出的是一个理论框架,并未对该框架进行检验。论文没有测量合成受访者的回答有多常出现泛化,也没有测量崩溃在实践中发生得有多快。其价值在于为研究者提供了一套概念语汇和一组可检验的方向,有待后续实证研究加以证实、完善或推翻。
为何重要: 如果您使用大语言模型模拟参与者、生成实验刺激材料或编码消费者文本,"平均陷阱"就是一个具体的效度威胁:模型会把回答拉向典型情况,抹平消费者行为研究本应解释的差异。Huang 和 Rust 的框架为审稿人和作者提供了一份共同的检查清单:研究是否让真实的人类数据保持在流程之中,是否保护了分布的尾部,以及是否依赖以自身输出训练的模型。在任何借助生成式人工智能的研究付印之前,这些问题都值得一问。
Huang, M.-H., & Rust, R. T. (2025). The GenAI Future of Consumer Research. *Journal of Consumer Research*, 52(1), 4-17. 阅读原文。对第三方研究的独立编辑摘要。





留言