---
title: "Persönlichkeitskonditionierung macht synthetische Befragte differenzierter"
description: "In einem verblindeten Benchmark mit 299 britischen Profilen und 869 zurückgehaltenen Zielen wurden persönlichkeitskonditionierte Minds häufiger ausgewählt als generische oder demografische Prompts."
canonical_url: "https://getminds.ai/research/de/personality-conditioned-synthetic-respondents-benchmark-2026"
last_updated: "2026-08-13T13:07:46.519Z"
---

# Persönlichkeitskonditionierung macht synthetische Befragte differenzierter

Persönlichkeitskonditionierte Minds wurden in **32.57%** der verblindeten, längengematchten Vergleiche ausgewählt – vor demografischem Prompting mit **25.66%** und generischem Prompting mit **20.48%**; **21.29%** waren Unentschieden.

Der entscheidende Vorteil war nicht nur, menschlich zu klingen, sondern wie ein **bestimmter** Mensch: Werte auszudrücken, relevante Details einzubringen und Personen deutlicher voneinander zu unterscheiden. Genau diese Qualität ist für synthetische Forschung wichtig, wenn Teams verschiedene Perspektiven auf dieselbe Frage erkunden wollen.

<study-stats>



</study-stats>

## Warum Persönlichkeitskonditionierung zählt

Generische Modelle erzeugen plausible Antworten. Marktforschung braucht oft mehr: Antworten, die echte Unterschiede in Prioritäten, Präferenzen und Weltbildern abbilden.

Der Benchmark prüft deshalb, ob ein vollständiger Mind – gestützt auf Demografie und freigegebene, selbst verfasste Persönlichkeitsevidenz – zurückgehaltenen qualitativen Ausdruck besser reproduziert als dasselbe Modell ohne Kontext oder nur mit Demografie.

Das Ziel war eine von der Person verfasste Gesprächseröffnung, keine Umfrageverteilung oder objektiv „wahre“ Meinung. Gemessen wird qualitative Profilpassung.

## Verblindeter Drei-Arm-Benchmark

Wir nutzten **299 britische Teilnehmerprofile** aus dem [PRISM Alignment Dataset](https://github.com/HannahKirk/prism-alignment), festgeschrieben auf Revision `a9ec82149036374768f70e132a2369a750e06bbe`. Der bewertete Satz enthielt **869 beobachtete Holdout-Ziele**.

<table>
<thead>
  <tr>
    <th>
      Arm
    </th>
    
    <th>
      Teilnehmerkontext
    </th>
    
    <th>
      Ausführung
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Generisch
    </td>
    
    <td>
      Kein Teilnehmerkontext
    </td>
    
    <td>
      Direktes Gemini 3.6 Flash
    </td>
  </tr>
  
  <tr>
    <td>
      Demografisch
    </td>
    
    <td>
      Alter, Geschlecht, Land, Beschäftigung und Bildung
    </td>
    
    <td>
      Direktes Gemini 3.6 Flash
    </td>
  </tr>
  
  <tr>
    <td>
      Minds
    </td>
    
    <td>
      Demografie plus freigegebene Werte, Präferenzen, gewünschtes Assistenzverhalten und Trainingsprompts
    </td>
    
    <td>
      Production Panels API mit Persona, RAG und Web-Grounding; Gemini 3.6 Flash
    </td>
  </tr>
</tbody>
</table>

Ziele und daraus abgeleitete Daten waren im Generierungskontext verboten. Ein einzelner verblindeter Gemini-3.6-Flash-Judge sah Profilevidenz, menschliche Holdout-Referenz und drei anonyme Kandidaten.

Damit Ausführlichkeit das Ergebnis nicht bestimmen konnte, wurde jeder Kandidat vor der Bewertung auf die Wortzahl der menschlichen Referenz gekürzt. Alle 869 Ziele erhielten ein vollständiges Drei-Arm-Urteil.

## Minds wurde am häufigsten ausgewählt

<table>
<thead>
  <tr>
    <th>
      Ergebnis
    </th>
    
    <th align="right">
      Generisch
    </th>
    
    <th align="right">
      Demografisch
    </th>
    
    <th align="right">
      Minds
    </th>
    
    <th align="right">
      Unentschieden
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Gewinne
    </td>
    
    <td align="right">
      178
    </td>
    
    <td align="right">
      223
    </td>
    
    <td align="right">
      <strong>
        283
      </strong>
    </td>
    
    <td align="right">
      185
    </td>
  </tr>
  
  <tr>
    <td>
      Anteil an 869 Items
    </td>
    
    <td align="right">
      20.48%
    </td>
    
    <td align="right">
      25.66%
    </td>
    
    <td align="right">
      <strong>
        32.57%
      </strong>
    </td>
    
    <td align="right">
      21.29%
    </td>
  </tr>
  
  <tr>
    <td>
      Judge-Fidelity-Komposit, 0–100
    </td>
    
    <td align="right">
      27.23
    </td>
    
    <td align="right">
      27.68
    </td>
    
    <td align="right">
      <strong>
        32.38
      </strong>
    </td>
    
    <td align="right">
      —
    </td>
  </tr>
</tbody>
</table>

Die Minds-Gewinnrate lag **+12.04 Prozentpunkte** über generischem Prompting (95%-KI +7.13 bis +17.00; FDR-adjustiert `p < .001`) und **+6.69 Punkte** über demografischem Prompting (95%-KI +1.56 bis +11.93; FDR-adjustiert `p = .020`).

## Das stärkste Signal: Werte und Spezifität

<table>
<thead>
  <tr>
    <th>
      Fragenkontext
    </th>
    
    <th align="right">
      Generisch
    </th>
    
    <th align="right">
      Demografisch
    </th>
    
    <th align="right">
      Minds
    </th>
  </tr>
</thead>

<tbody>
  <tr>
    <td>
      Wertegeleitet
    </td>
    
    <td align="right">
      19.30%
    </td>
    
    <td align="right">
      11.58%
    </td>
    
    <td align="right">
      <strong>
        42.81%
      </strong>
    </td>
  </tr>
  
  <tr>
    <td>
      Kontroversengeleitet
    </td>
    
    <td align="right">
      18.88%
    </td>
    
    <td align="right">
      34.97%
    </td>
    
    <td align="right">
      <strong>
        38.81%
      </strong>
    </td>
  </tr>
</tbody>
</table>

Minds erreichten **36.88** bei Werte/Persönlichkeit und **33.46** bei Spezifität, gegenüber 30.85 und 21.70 generisch sowie 31.85 und 23.36 demografisch. Auch der Genericness-Wert war niedriger – **63.63**, wobei niedriger besser ist – als generisch (**73.53**) oder demografisch (**72.58**).

Die Antworten unterschieden sich zudem stärker zwischen Personen. Die mittlere TF–IDF-Ähnlichkeit lag bei 0.0308 für Minds, 0.0516 demografisch und 0.1108 generisch. Menschliche Referenzen waren mit 0.0128 noch vielfältiger, doch Persönlichkeitskonditionierung bewegte das Modell deutlich in diese Richtung.

## Ein nützliches Kohortensignal

Die konsistentesten Verbesserungen zeigten sich in älteren Kohorten. Die Altersgruppe 55–64 schlug beide Baselines bei Gewinnrate und Komposit nach Korrektur. 65+ lag klar vor generischem Prompting; 45–54 verbesserte sich gegenüber demografischem Prompting im Komposit.

Diese Subgruppenbefunde sind explorativ, deuten aber darauf hin, dass reichere gewachsene Präferenzen und Werte mehr verwertbares Signal für Persönlichkeitskonditionierung liefern können.

## Reichhaltigere Antworten, fair verglichen

Vollständige Minds-Antworten umfassten im Mittel **51.62 Wörter**, gegenüber **7.86** generisch und **7.51** demografisch. Die Längenanpassung stellte sicher, dass mehr Detail nicht allein durch mehr Text gewinnen konnte.

Für die Praxis heißt das: Minds kann reichhaltigeres Material für qualitative Exploration liefern. Der nächste Produktschritt ist, die Antworttiefe adaptiv an die Aufgabe anzupassen. Die Artefakte enthalten keine vergleichbaren End-to-End-Tokenwerte für alle Arme und erlauben daher kein monetäres Kostenverhältnis.

## So ist die Evidenz einzuordnen

- **Ein Judge pro Item (n=1).** Es gab ein verblindetes Gemini-3.6-Flash-Urteil und keine menschliche Kalibrierung.
- **Eine Modellfamilie.** Antwortarme und Judge nutzten letztlich Gemini 3.6 Flash.
- **Ein qualitatives Ziel.** Gemessen wird die Passung zu zurückgehaltenem menschlichem Text, nicht Populationsprävalenz oder Kaufverhalten.
- **Ein End-to-End-System.** Persona, Retrieval, Grounding und Formatierung wurden gemeinsam evaluiert.

Semantische Deduplizierung wurde **nicht separat in einer Ablation isoliert**. Der Benchmark zeigt daher nicht, ob sie das Ergebnis verbessert oder verschlechtert hat, und ist keine Grundlage, sie zu entfernen.

Die 869 Items dienen nun der Produktentwicklung. Künftige Release-Claims brauchen einen neuen, unberührten Holdout, idealerweise mit wiederholten Judges oder menschlicher Kalibrierung.

## Was wir als Nächstes testen

Die nächste Ablation vergleicht 1. aktuelles Produktionsverhalten, 2. Antworten in menschenähnlicher Länge und 3. menschenähnliche Länge plus adaptives Fragenrouting, das Persönlichkeitstiefe dort einsetzt, wo sie den größten Wert stiftet.

## Bedeutung für synthetische Forschung

Der praktische Befund ist klar: **Persönlichkeitskonditionierung erzeugte in diesem verblindeten Benchmark differenziertere qualitative Befragte als generisches oder rein demografisches Prompting.**

Damit eignet sich Minds besonders, um Zielgruppenhypothesen zu entwickeln und zu testen, verschiedene Werte-Frames zu erkunden und die Sprache sichtbar zu machen, die unterschiedliche Menschen verwenden könnten. Minds ergänzt menschliche Evidenz – und bietet Forschungsteams einen differenzierteren Ausgangspunkt als eine generische Modellantwort.

## Empfohlene Zitierung

Minds Research Lab. „Persönlichkeitskonditionierung macht synthetische Befragte differenzierter.“ 8. August 2026. [https://getminds.ai/research/de/personality-conditioned-synthetic-respondents-benchmark-2026](https://getminds.ai/research/de/personality-conditioned-synthetic-respondents-benchmark-2026)