SINUS Milieu-Minds 对照 SINUS 调查的现实检验

许多研究问题始终得不到回答，因为专门做一次调查不值得投入时间和预算。一条新信息在传统 milieu 中反响如何，在 Expeditive 人群中又如何？十个广告创意中，哪三个应该进入预测试？SINUS Milieu-Minds 正是为这一阶段而设计的：来自全部十个 Sinus-Milieus 的合成人物，每个都有自己的生活处境、价值观和人生经历，可以像真实参与者一样接受提问，并在几分钟内作答。

本研究检验了它们与真实人群的接近程度。200 个 SINUS Milieu-Minds，每个 milieu 20 个，回答了 24 个关于个人担忧的问题。SINUS 曾在 2026 年 6 月向 2,005 人提出相同的问题。Minds 没有看到这项调查的结果。

按 milieu 计算，Minds 的回答分布与调查的接近度达到 91.7%。使用同一问卷的两轮真实调查彼此之间为 96.3%。仅给出简单 milieu 指令的通用 AI 模型约为 72%。

结果一览

分布接近度等于 100 减去合成回答占比与真实回答占比之间的平均绝对差异（以百分点计）。100% 意味着每一个回答分布都与调查完全一致。该数值衡量两个分布的接近程度，它不是答对率，也不描述单个受访者。

研究问题与参照数据

一项调查会为每个 milieu 给出一组回答占比：有多少人对某个话题非常担忧、有些担忧、不太担忧或完全不担忧。研究问题是：合成的 Milieu-Minds 能在多大程度上逐个 milieu 同时再现这四个占比。

参照数据来自 SINUS-Institut：以 2026 年 6 月有 2,005 名受访者的调查作为主要比较对象，另有 2026 年 3 月使用同一问卷、有 1,047 名受访者的调查。运行期间，调查结果未提供给 Minds。交叉表属于 SINUS 的专有数据，不随本文发布。

按 milieu：91.7% 接近度

在十个 milieu 的平均水平上，Minds 与 6 月调查的差异为每个回答等级 8.3 个百分点，相当于 91.7% 的分布接近度。各 milieu 的数值从 Performer milieu 的 87% 到 Nostalgisch-Bürgerliche milieu 的 94% 不等。Performer milieu 和 Adaptiv-Pragmatische Mitte 的拟合最弱。

个别回答占比可能有明显偏差。在 960 个回答占比中，有 645 个（67.2%）的绝对差异小于 10 个百分点；最大的单项差异为 47.2 个百分点。在问题与 milieu 的 240 个组合中，调查中最常见的回答在 65.4% 的组合里也是 Minds 最常见的回答。

因此，这些结果可以为某个 milieu 内部的话题和回答分布提供参考。若要对实际占比作出切合实际的估计，仍然需要进行调查。

与更早的 3 月一轮相比，Minds 的接近度为 91.4%。最常见回答在 58.8% 的组合中一致，略低于研究为 6 月比较设定的 60% 目标。

如何解读两轮调查

使用同一问卷的两轮真实调查，按 milieu 计算彼此之间的接近度为 96.3%。两者之间的差异既可能反映抽样波动，也可能反映 3 月至 6 月间真实的社会变化。因此，这个数值是参考点，而不是固定上限。它也表明，两项真实调查彼此之间仍明显比 Minds 与真实调查之间更接近。

所有 milieu 合计：95.2% 接近度

在与全部 2,005 名受访者比较时，200 个 Minds 的回答按 6 月调查的 milieu 构成加权，即按各 milieu 在调查中的占比加权。这种加权再现了 SINUS 交叉表中官方的总计列。

在这一层面上，Minds 平均每个回答等级相差 4.8 个百分点；不加权时为 4.7。两轮真实调查在同一层面上达到 98.9%。

一个典型例子（而非最佳案例）是对自身健康的担忧：

四舍五入后的数值相差 3、7、6 和 4 个百分点，平均 5.0。这与整体样本层面全部 24 个问题的平均值 4.8 个百分点（根据未四舍五入的数据计算）相近。

为什么不直接问通用 AI 模型？

一项独立的方法对照恰恰检验了这一点。Gemini 3.7 Flash 和 Claude Sonnet 5 收到了同样的 24 个问题，唯一的指令是以某个指定 Sinus-Milieu 成员的身份作答。按 milieu 计算，两者的接近度都约为 72%，比 Milieu-Minds 低约 20 个点。加入 SINUS 网站上的官方 milieu 简介后，Gemini 的结果也没有改善。

原因在回答中一目了然。通用 AI 模型用同一个声音代表整个 milieu。同一个问题问 20 次，它通常给出 20 次相同的回答：在问题与 milieu 的 240 个组合中，Gemini 有 194 个，Claude 有 211 个。真实 milieu 中的意见各不相同，Milieu-Minds 也是如此：它们平均几乎用到了全部四个回答等级，而且从未出现过全体一致的回答。

这项对照与 Minds 的运行分开进行、时间不同，而且是在 Minds 结果已知之后才加入的。它显示了与简单指令之间的差距。它不是匹配实验，也不能衡量 Milieu-Minds 任何单个组成部分的贡献大小。

Minds 能否把握 milieu 之间的差异？

在 milieu 研究中，milieu 之间的差异与单个比例同样重要。对同一数据的后续分析检验了这一点。该分析在主要结果已知之后计算，使用每个问题和每个 milieu 的平均担忧程度。

当两个 milieu 在调查中的差异超过两个标准误时，该差异被视为明显；在全部问题中，这适用于 586 对 milieu。在真实 milieu 明显不同的地方，Minds 在近九成情况下排序正确，仅提供 milieu 名称的 AI 模型约为三分之二。Minds 往往会放大 milieu 之间的差异。

该分析也为精确比例提供了背景。剩余平方偏差中约四分之三，仅由每个 milieu 20 名受访者的随机抽样就会产生。与此同时，一个忽略主题和 milieu 的简单参考值，即取自 3 月调查的固定答案分布，每个回答等级偏差 7.5 个百分点，因此在各 milieu 的精确比例上略优于 Minds。Minds 的优势在于对主题和 milieu 的排序，而非精确的百分比。

SINUS Milieu-Minds 的用途

Milieu-Minds 是一种快速预检，不能替代一手研究。它们帮助选出正确的问题和最有希望的方案。随后，与 SINUS 合作的实地研究可以提供可靠的数据。

• 预选广告活动和信息：针对每个 milieu 检验创意、主张和论点，只把最有希望的方案送入预测试。
• 更精准地设计研究：在实地调研开始前检验假设、完善问卷。
• 理解动机：Minds 会说明其回答的理由。这为开放式问题提供参考，并有助于解释 milieu 之间的差异。真实受访者是否给出相同的理由，要由实地研究来证明。

本次现实检验涉及的是态度类问题。因此，对于广告活动决策，建议两者兼用：用 Minds 做预选，用实地研究做决策。

SINUS 客户可以通过 SINUS 和 Minds Marketplace 使用 SINUS Milieu-Minds。在 Minds 中，同一个受众群体可以在一个工作流程中回答量表题和选择题、开放式追问以及刺激物测试（在已启用的情况下）。SINUS-Institut 联系人：Jan Hecht，[email protected]。

适用范围与局限

• Minds 来自平台上现有的群组，而不是新抽取的样本，研究也没有预先注册。
• 每个 milieu、每个问题只有 20 个 Minds，因此每个 milieu 分布的分辨率较粗。
• 通用 AI 模型对照是在 Minds 结果已知之后加入的，运行时间不同，并且只涵盖两家提供商。先前 Minds 运行所用的内部模型未经核实，因此该差距并不能分离出纯粹的架构效应。
• 作为附加背景只测试了简短的公开 milieu 简介，未测试详细的授权 milieu 画像。
• 仅一份问卷、一个国家，且只涉及态度类问题。该比较属于探索性，而非验证性。
• milieu 差异和参考值的分析是在主要结果已知之后，基于同一数据计算的。

数据与批准

本比较基于 200 个 SINUS Milieu-Minds 对 24 个担忧问题给出的 4,800 个回答，并与 2026 年 6 月（n = 2,005）和 2026 年 3 月（n = 1,047）的 SINUS 调查进行比较。按 milieu 的数值分别比较每个 milieu；十个 milieu 的平均值为简单平均。在整体样本层面，Minds 按 6 月调查的 milieu 构成加权。结果未推算到总人口。所测试的 AI 模型：Gemini 3.7 Flash 和 Claude Sonnet 5，运行于 2026 年 8 月和 9 月。

SINUS-Institut 提供了调查参照数据，并审阅和批准了本案例的内容。有关方法和局限的详细信息可应要求提供。