LLM показали способность генерировать синтетические потребительские данные
Исследователи изучили, насколько большие языковые модели (LLM) способны генерировать синтетические потребительские данные для проективных методик — методов, используемых для выявления ассоциаций, эмоций, желаний и потребностей. Результаты работы опубликованы в репозитории arXiv (ID: 2607.05761).
В ходе эксперимента ученые протестировали ответы LLM на нескольких проективных задачах, варьируя модели, стратегии промптов и настройки температуры. Для сравнения использовались данные опроса реальных людей об их восприятии городов как туристических направлений.
Анализ проводился по лингвистическим показателям, метрикам разнообразия и концентрации, тематическим моделям и анализу топ-терминов. Выяснилось, что ответы человека и ИИ существенно пересекаются по общим темам и ассоциациям.
Однако исследователи отметили важные различия в стиле, лингвистической структуре и способе генерации разнообразия. Искусственный интеллект, как правило, дает более шаблонные формулировки, тогда как люди склонны к более вариативным и эмоционально окрашенным ответам.
Авторы дали рекомендации по оптимальному использованию LLM для генерации синтетических данных: как выбор модели и промпта влияет на качество, а также указали на ограничения данного подхода. В частности, синтетические данные пока не могут полностью заменить реальные опросы, но могут быть полезны для предварительных исследований или при недостатке средств.
Исследование подчеркивает потенциал LLM в маркетинговой аналитике, но также напоминает о необходимости осторожного подхода к интерпретации сгенерированных данных.
