---
title: "2026 年 AI 客户研究：证据、边界与验证"
description: "基于来源的合成参与者指南，包含实用验证方案和透明度披露清单。"
canonical_url: "https://getminds.ai/blog/zh/synthetic-research-evidence-review"
last_updated: "2026-09-08T13:35:55.520Z"
---

# 2026 年 AI 客户研究：证据、边界与验证

AI 可以帮助团队探索问题、测试研究工具并模拟特定受众的反应，但语言自然并不等于真实代表性。

## 现有证据说明了什么

### 丰富的依据可能改善个体模拟

Park 等人为 1,052 名参与者建立了代理。在论文当前版本中，同时基于访谈和问卷的代理，在留出的 GSS 题目上达到参与者两周重测一致性基准的 86%；仅基于访谈的代理达到 83%。这些是特定研究中的归一化结果，并非通用准确率承诺。

来源：[Park 等，《LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals》](https://arxiv.org/abs/2411.10109)。

### 人口特征条件化的适用范围有限

Argyle 等人在美国政治态度数据中复现了部分人口特征与观点之间的关系。这并不证明其对其他国家、少数群体、新产品或真实行为普遍有效。

来源：[Argyle 等，《Out of One, Many》](https://doi.org/10.1017/pan.2023.2)。

### 相近的平均值可能掩盖重要错误

Bisbee 等人记录了方差被压缩、子群关系错误和对提示敏感等问题。因此，看似合理的总体分布仍可能在个体或尾部群体上失真。

来源：[Bisbee 等，《Synthetic Replacements for Human Survey Data?》](https://www.cambridge.org/core/journals/political-analysis/article/synthetic-replacements-for-human-survey-data-the-perils-of-large-language-models/B92267DC26195C7F36E63EA04A47D2FE)。

### 透明度和人工判断仍不可缺少

Market Research Society 的 Delphi 报告要求披露、验证和伦理审查，并提醒研究者：经验上的相似不代表合成参与者与真人等价。

来源：[MRS Delphi Report: Using Synthetic Participants for Market Research](https://www.mrs.org.uk/pdf/MRS_Delphi_synthetic.pdf)。

## 合适的用途

- 生成假设、异议和追问方向。
- 前测访谈提纲和问卷。
- 比较早期概念或信息表达。
- 检查不同细分假设如何影响回答。

## 何时需要真实世界证据

当决策需要总体代表性、置信区间、真实购买行为、监管或安全证据、感官和亲身体验以及可核验的客户引语时，应使用招募参与者、观察行为或其他真实来源。

## 实用验证方案

1. 明确研究可以影响的决策。
2. 预先定义人群、问题、对照、样本量、指标和停止条件。
3. 将开发数据与留出的对照数据分开。
4. 在题目和子群层面报告一致与分歧。
5. 让指标匹配任务，并在重大变更后重新验证。

## 披露清单

<table>
<thead>
  <tr>
    <th>
      字段
    </th>
    
    <th>
      应披露内容
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      目标人群
    </td>
    
    <td>
      目标受众、排除条件和覆盖缺口
    </td>
  </tr>
  
  <tr>
    <td>
      来源
    </td>
    
    <td>
      描述、文件、链接和研究笔记
    </td>
  </tr>
  
  <tr>
    <td>
      模型
    </td>
    
    <td>
      标识、运行日期和重要设置
    </td>
  </tr>
  
  <tr>
    <td>
      流程
    </td>
    
    <td>
      人设构建、问题、顺序和抽样
    </td>
  </tr>
  
  <tr>
    <td>
      合成样本
    </td>
    
    <td>
      人设数和运行次数
    </td>
  </tr>
  
  <tr>
    <td>
      真人对照
    </td>
    
    <td>
      来源、执行日期、样本量和出处
    </td>
  </tr>
  
  <tr>
    <td>
      指标
    </td>
    
    <td>
      预先定义的评分规则和容差
    </td>
  </tr>
  
  <tr>
    <td>
      结果
    </td>
    
    <td>
      一致、分歧和子群结果
    </td>
  </tr>
  
  <tr>
    <td>
      限制
    </td>
    
    <td>
      代表不足、新情境和已知缺口
    </td>
  </tr>
  
  <tr>
    <td>
      决策规则
    </td>
    
    <td>
      允许用途和仍需完成的验证
    </td>
  </tr>
</tbody>
</table>

## 在 Minds 中应用

Minds 支持可重复使用的 AI 人设、目标群体和并行合成回答。可用输入和创建方式取决于工作区及方案配置。研究团队仍需对来源权利、隐私、研究设计和重要结论的验证负责。

参阅 [Minds 方法说明](/research/methodology)，并使用[目标受众研究模板库](/guide/target-audience-research-template-library)。

## 建议引用

Minds。《2026 年 AI 客户研究：证据、边界与验证》。2026 年 7 月 31 日。[https://getminds.ai/blog/zh/synthetic-research-evidence-review](https://getminds.ai/blog/zh/synthetic-research-evidence-review)