设想在一个永不疲倦、即时回应且成本为零的参与者面板上预先测试你的访谈指南——在你招募任何一名真实的人之前。这便是合成参与者的吸引力所在。它也是研究者最需要保持清醒头脑之处，因为这一使有用的预演工具成为可能的技术，同样可能悄然制造出看似真实、实则不然的研究结果。
本指南为研究者讲解合成参与者和数字孪生：它们是什么、如何构建、合理的用途、严格的限度以及伦理。它建立在我们的生成式 AI 辅助的定性研究指南之上，后者涵盖了更宽广的工作流。
什么是合成参与者和数字孪生？
合成参与者是 AI 生成的人物画像——由大语言模型驱动——它们模拟具有特定背景的人可能如何回应研究问题。数字孪生是一种特定的、以数据为根基的类型：从某个真实个体自己的访谈转录稿或文档构建的 AI 人物画像，使该孪生以贴合那个人的方式回答新问题。二者都让研究者无需招募或重新招募人类即可询问一个"参与者"。
关键区别在于它们的根基。一个通用的合成人物画像是从人口统计描述和模型的训练数据构建的；一个数字孪生则锚定于某个特定人的真实数据。孪生往往更为忠实——但二者都不能替代新鲜的人类数据。
关键概念
- 合成参与者 / AI 人物画像——一个被提示去扮演所描述的人或群体的模型。
- 数字孪生——一个从某个真实个体先前回答中衍生出的人物画像，用于后续追问。
- 合成焦点小组——多个 AI 人物画像一同讨论某一主题，以在田野工作之前浮现多样的视角和张力。
- "硅基抽样"——一个有争议的想法，即用 LLM 生成的回答替代调查或访谈样本。
它们是如何创建的？
大致有两条途径：
- 从人物画像规格说明——你描述人口统计、态度和情境，模型便扮演那个人。快速而灵活，但其根基的牢固程度仅取决于描述和模型的先验。
- 从真实数据（数字孪生）——你提供某位参与者实际的转录稿或文档，系统构建出一个孪生，以与那个人实际所说一致的方式回答新问题。这是用于后续研究更站得住脚的取径，而且平台日益附上一个校准分数，估计孪生与真实源数据的贴合程度。
它们真正有帮助之处
- 试测工具——在田野工作之前对一份访谈指南或调查问卷的令人困惑或诱导性的问题进行压力测试。
- 界定假设范围——探索一个问题空间的大致形状，以使你的设计更加锐利。
- 预演主持——对照一个合成焦点小组练习追问和流程。
- 生成想法——浮现你未曾考虑过的角度、张力和反驳。
- 对既有数据的后续追问（孪生）——向从已完成访谈构建的数字孪生提出新问题，而无需重新联系参与者，然后用真实的后续访谈验证最有希望的研究结果。
它们的不足之处——以及风险
| 风险 | 会出什么差错 |
|---|---|
| 并非真实证据 | 合成回答反映的是模型的先验，而非亲身经历；它们无法发现真正出人意料之事。 |
| 偏见与同质化 | 模型抹平多样性，并可能对群体——尤其是代表性不足的群体——加以刻板化。 |
| 制造出的共识 | 人物画像可能过于轻易地达成一致，捏造出一种虚假的认同感。 |
| 隐藏的幻觉 | 流畅、自信的回答可能完全是编造的。 |
| 伦理上的失实陈述 | 把合成数据冒充为人类数据是一种研究诚信违规。 |
合成参与者是一处排练空间，而非舞台。它们能帮你准备、试测和探索——但关于真实之人的结论，必须立足于来自真实之人的数据。
数字孪生 vs. 通用合成人物画像
| 方面 | 数字孪生 | 通用合成人物画像 |
|---|---|---|
| 根基 | 某个真实之人自己的数据 | 一段描述 + 模型先验 |
| 保真度 | 较高，且可通过校准衡量 | 较低且更难核实 |
| 最佳用途 | 对既有参与者的后续追问 | 早期构思和试测 |
| 主要风险 | 过度信任孪生而超出其来源 | 刻板化和幻觉 |
效度与校准
核心问题始终是：合成回答与真实之人会说的话贴合到何种程度？校准通过把孪生或人物画像的输出与留出的真实数据进行比较并对一致程度评分来回应这一问题。一个高校准分数为探索性使用建立信心；它绝不许可把合成输出当作主要证据。务必对照真实参与者验证重要的研究结果。
合乎伦理的使用与披露
- 绝不失实陈述——合成数据在任何报告或出版物中都必须被标注为合成。
- 孪生的同意——从某人的数据构建数字孪生应被知情同意所涵盖。
- 防范偏见——核查人物画像不会将它们所代表的群体漫画化。
- 披露方法——说明合成参与者如何及在何处被使用，包括模型和提示词。
- 让人类居于核心——用合成方法来支持真实研究，而非用来回避与真实之人打交道。
最佳实践
- 把合成参与者用于准备和探索，而非作为最终证据。
- 对任何重要之事，优先选择以数据为根基的数字孪生而非通用人物画像。
- 在信任某一结果之前，对照真实数据校准并验证。
- 透明地标注和披露所有合成数据。
- 在每一个输出中警惕偏见和虚假共识。
工具
一些 AI 研究平台如今直接内置了这些方法。QualiTaTi 的合成焦点小组运行多智能体人物画像讨论，以在田野工作之前探索一个问题；其数字孪生面板从已完成的访谈或文档中提取人物画像并附上校准评分——使后续追问始终锚定于真实的源数据。
一个实例
- 设计——在招募之前，运行一个由五个人物画像组成的合成焦点小组，以试测你的指南并发现诱导性问题。
- 田野工作——开展 20 场真实访谈并照常分析它们。
- 后续追问——从那 20 份转录稿构建数字孪生，并提出一个在分析过程中浮现的新问题。
- 验证——核查校准分数，然后用几名真实参与者确认最重要的孪生衍生洞见。
- 报告——把真实研究结果作为主要内容呈现，并明确标注任何合成探索。
要点回顾
- 合成参与者是 AI 人物画像；数字孪生是以某个真实之人自己的数据为根基的人物画像。
- 它们对试测、界定范围、预演、构思和有根基的后续追问颇有价值——而非作为人类数据的替代。
- 风险包括偏见、同质化、虚假共识和幻觉。
- 校准估计保真度；重要的研究结果仍须对照真实参与者验证。
- 务必标注合成数据并披露它是如何被使用的。
常见问题
什么是合成参与者？
合成参与者是一个由大语言模型驱动的 AI 生成人物画像，它模拟具有特定背景的人可能如何回答研究问题——对试测和探索有用，但并非真实证据的来源。
研究中的数字孪生是什么？
数字孪生是从某个真实个体自己的访谈转录稿或文档构建的 AI 人物画像，让研究者无需重新招募即可向那个"参与者"提出新的后续问题。孪生比通用人物画像更忠实，并可对照源数据进行校准。
合成参与者能替代真实参与者吗？
不能。它们反映的是模型的先验而非亲身经历，并可能引入偏见、虚假共识和幻觉。它们支持准备和探索，但关于真实之人的结论需要来自真实之人的数据。
合成焦点小组有用吗？
有用，用于预演和构思。运行多个 AI 人物画像进行讨论，能在田野工作之前浮现张力、反驳和角度，帮助你精炼设计——前提是你不把输出当作真实的消费者或参与者数据。
使用合成参与者合乎伦理吗？
当透明地使用时，可以合乎伦理：把合成数据标注为合成、在从真实数据构建数字孪生之前取得同意、核查偏见，并绝不把合成回答呈现为人类研究结果。
什么是校准，它为何重要？
校准把一个合成人物画像或孪生的回答与真实数据进行比较，并对它们贴合的程度评分。它表明在探索性使用中应对合成输出投入多少信心——但它绝不会使合成数据成为真实证据的替代。