研究中的 AI：真实世界刺激材料、合成人脸与效度问题

Image via Wikimedia Commons (public domain).

2026年9月14日

图片来源：Wikimedia Commons（公有领域）。

欢迎阅读本周综述，我们从 Nature、PNAS 以及商业与经济学领域的顶尖期刊中精选内容，追踪 AI 如何重塑研究。

生成式人工智能正在改变实验刺激材料的可能形态

行为研究者长期面临刺激抽样问题：实验往往依赖少数程式化的刺激材料，因此很难判断效应能否推广到这些材料之外。在 *Journal of Marketing Research* 上，Anirban Mukherjee、Hannah H. Chang 和 Sachin Gupta 提出了 BRIDGE 方法。该方法利用基础性生成式人工智能嵌入，为未经改动的真实世界文本构建关于核心构念的低维、可解释表征，并对干扰性变异加入统计控制。蒙特卡洛模拟、两项咖啡认证实验以及一项大规模选择实验表明，即使文本中存在未观测到的干扰性变异，该方法仍能还原真实参数。在选择实验中，1,000 名参与者评估了约 50,000 条独特的产品描述，这些描述取自一个近 120,000 条的语料库；结果显示，完全偶然出现的初始产品会塑造之后的偏好。作者还提供了研究者指南和一个 Python 软件包。

AI 也可以反向发挥作用：它不去驯服杂乱的真实刺激，而是生成受到精确控制的刺激。在一篇 *Marketing Science* Frontiers 论文中，Lan Luo 和 Olivier Toubia 开展了一项实地实验，使用仅在女性化程度上有所差异的 AI 生成头像，发现消费者对女性化特征的歧视独立于性别身份。这种区分很难借助真人照片实现。然而，我们的证据越多地建立在机器生成的材料之上，Jacob Teeny、Andrew Luttrell 和 Dongchan Lee 在 *PNAS* 上提出的担忧就越尖锐：他们的文章指出了 AI 生成科学中的"合成效度"问题。

为何重要：对实验社会科学研究者和营销学者而言，生成式人工智能如今提供了两种有力手段：规模化的真实性（BRIDGE）和对刺激材料的精细控制（合成头像）。二者都能增强因果论断，但前提是研究者验证 AI 介导的刺激材料与表征确实测量了其声称测量的内容。应将这些新工具视为附带验证责任的设计升级，而不应把它们当作捷径。

本周更多内容

计算创造力的研究议程

Min Ding、Ram Gopal、Ulrike Schultze 和 D. J. Wu 将创造力界定为一个结构化、可被工具化测量的过程，包括搜索、重组、评估与实现。基于五篇特刊文章，他们认为，生成式人工智能的前景在于合理配置人类与机器的能动性，使产出既新颖又有用，同时让创造性工作保持投入、可问责并具有社会意义。该议程涵盖过程工具化、保持多样性的设计、关注能动性的治理以及组织能力建设。

阅读原文：Information Systems Research，9月8日 →

经得起策略操纵的预测规则

当重要决策被编码进机器学习算法时，人们有动机改变自身行为以获得想要的结果。这篇 American Economic Review 论文提出了一种实证方法，明确对这些激励进行建模，并调整决策规则以预判操纵行为，从而得到即使完全透明也能保持稳定的规则。对于设计或研究评分、筛选或定向算法的研究者而言，这项工作具有直接意义。

阅读原文：American Economic Review，8月28日 →

当"诚实"因果森林反而有害

因果森林被广泛用于估计异质性处理效应，以支持营销、运营和政策领域的个性化干预。标准做法是诚实估计：一个样本用于划分子群体，另一个样本用于估计效应，这也是许多软件包的默认设置。这篇 Information Systems Research 论文表明，诚实估计在某些情境下会降低准确性，因此研究者应将其视为一项需要权衡的选择，而不应默认采用。

阅读原文：Information Systems Research，9月4日 →

AI 与投资中的感知偏差

Anastassia Fedyk、Ali Kakhbod、Peiyao Li 和 Ulrike Malmendier 在 Journal of Financial Economics 上发表了一项新的实验研究，考察 AI 如何与投资决策中的感知偏差相互作用。该研究丰富了日益增多的行为金融学文献，这些文献检验 AI 建议究竟会纠正还是强化人类的判断失误。对研究 AI 辅助决策的学者而言值得一读。

阅读原文：Journal of Financial Economics，9月9日 →

AI 完成费马大定理证明的形式化

Nature 新闻团队报道，Anthropic 的一个 AI 系统已将费马大定理的证明"形式化"，并称之为数学领域的里程碑。形式化是将人类撰写的证明转换为机器可检验的形式，是任何领域中对严谨性要求最高的检验之一。这一进展清晰地表明，AI 正迅速从协助研究走向验证研究。

阅读原文：Nature，9月7日 →

把 AI 当作陪练伙伴，而非神谕

Marc Schmitt 在 Nature 发表的文章中指出，研究者若把 AI 当作挑战自身思路的陪练伙伴，而不是把它当作答案可以直接采信的神谕，就能从中获益最多。对于在实验室或课堂中制定 AI 使用规范的人来说，这是一个有用的思考框架。

阅读原文：Nature，9月9日 →

本周内容就到这里。请转发给仍在用三个刺激材料做实验的同事，并前往 gaiforresearch.com 探索可用于您自身研究的 AI 工具。