[AI]《LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Ratings》B F. Maier, U Aslak, L Fiaschi, N Rismal... [PyMC Labs] (2025)
如何用大语言模型（LLMs）精准模拟人类购买意愿？最新研究突破传统调研瓶颈！🛍️
1/ 传统消费者调研耗资巨大，且受限于样本偏差和规模。LLMs提供新途径，但直接让模型给出Likert量表评分时，分布往往不真实，缺乏多样性。
2/ 本文提出“语义相似度评分（SSR）”方法：先让LLM生成自由文本描述购买意愿，再通过与预定义锚点语句的嵌入向量相似度映射为Likert分布。创新结合NLP语义映射和问卷锚定小故事。
3/ 研究基于57个个人护理品调研（共9,300名真实消费者数据）进行测试。SSR方法达到90%的人类测试-重测可靠性，分布相似度KS相似度>0.85，表现远超直接评分方法。
4/ 细节：直接评分模型往往聚焦中间值（3分），缺乏对1分和5分的合理输出，导致分布偏窄；SSR则还原了真实消费者分布的广度和偏态。
5/ 此外，SSR生成的文本反馈丰富具体，能揭示消费者对产品的喜好和顾虑，提供传统Likert评分无法比拟的定性洞察。
6/ 实验还发现，向LLM提示具体人口属性（年龄、收入）显著提升结果贴合度，且模型对年龄和收入的响应趋势与真实人类相似，表明模型有效利用了人口统计信息。
7/ 传统机器学习模型（如LightGBM）虽能部分复现分布，但在相关性和可靠性上明显不及SSR，凸显LLMs在无监督零样本条件下的强大泛化能力。
8/ SSR方法无需对模型进行额外训练或微调，成本低，易于推广。它为企业提供了一个可扩展、经济的消费者调研模拟工具，有望降低调研成本，加速产品迭代。
9/ 当然，SSR依赖于LLM训练数据的覆盖度，某些小众领域或新兴品类可能效果有限；且部分人口特征（如性别、地域）模拟尚不完美，需谨慎解读细分群体结果。
10/ 未来方向包括：扩展SSR至更多问卷指标（满意度、信任度等）、自动优化锚点语句、结合多轮文本生成和模型校准、以及与轻微微调技术结合，进一步提升真实感与解释力。
总结：SSR巧妙将自由文本与语义相似度结合，成功破解LLMs直接数值评分的局限，实现了高保真人类购买意愿模拟。它不仅重塑市场调研模式，也为AI赋能消费者洞察开辟新篇章。🚀
全文详见：
大语言模型 消费者调研 市场洞察 人工智能 自然语言处理 消费行为 产品开发
