简短回答：部分可以。一项 2026 年基于台湾全国选举问卷的研究发现，零样本 LLM 预测个体受访者对从未见过题目的回答，完全匹配准确率约为 52%；而在约 960 名真实受访者数据上训练的随机森林为 58%。党派相关态度预测效果好，个人判断类题目则很差。
\n\n最后更新：2026 年 9 月 11 日
\n\n硅基抽样（silicon sampling）是指让大语言模型以特定人物身份作答问卷。过去对它的评估大多停留在总体层面：合成样本能否复现真实样本的分布？一篇新预印本认为这个标准太宽松，并提出了更严格的检验。本文介绍作者做了什么、发现了什么，以及如果你打算在研究中使用合成受访者，这意味着什么。
\n\n跨问卷迁移是一种评估设计：LLM 先看到某位受访者对一组题目的真实回答，再预测此人对另一组从未展示过的题目的回答。据 Ku、Hsu、Huang、Liu、Cheng 和 Kang（2026）所述，以往大多数硅基抽样研究以人口统计画像为条件、比较总体分布，这可能奖励的是模式匹配，而不是对单个人的连贯预测。
\n作者在任何实验之前就把题目分成两个互不重叠的组：作为人物设定展示给模型的情境集（Set A），以及完全保留的预测集（Set B）。每个构念约三分之二的题目进入 Set A、三分之一进入 Set B，因此每道被预测的题目在情境中都有相关的锚定题。
\n\n研究使用台湾选举与民主化调查（TEDS）2024，这是一项在 2024 年 1 月选举后开展、样本为 1,206 人的全国代表性电话调查。设计如下：
\n选择一份来自非西方民主国家的中文问卷是有意为之：现有硅基抽样证据大多来自英语、WEIRD 人群。
\n\n零样本 LLM 的表现介于朴素基线与训练模型之间。下表列出论文的主要结果。
\n| 方法 | 训练数据 | 完全匹配 | 误差 ±1 以内 | 方差比 |
|---|---|---|---|---|
| 多数投票 | — | 46.6% | — | — |
| 逻辑回归（仅人口统计） | 有监督 | 47.0% | 83.1% | 0.38 |
| 随机森林（人口统计 + Set A） | 有监督 | 58.3% | 88.2% | 0.72 |
| Qwen3.5 27B | 零样本 | 52.1% | 85.7% | 0.84 |
| gpt-oss 120B | 零样本 | 51.3% | 85.2% | 0.85 |
| Gemma3 27B | 零样本 | 47.6% | 86.2% | 0.67 |
有两点值得注意。第一，模型规模不能预测准确率：27B 的 Qwen3.5 略胜 120B 的 gpt-oss，作者将此归因于 Qwen 更强的中文训练数据。第二，作者将与随机森林之间 6 个百分点的差距解释为约 960 个目标人群标注样本的价值，而 LLM 从未获得这些样本。
\n\n以党派认同为锚的态度最可预测，基于个人判断的态度最难预测。在各 LLM 平均下，政党能力达 67.2%，政府表现 62.7%，制度信任 60.4%；经济评价降至 44.4%，候选人评价 24.7%，统独立场 23.3%。
\n作者借助 Converse 的态度约束理论解释这一层级：当党派认同塑造某种信念时，其他题目的回答就能揭示它。这一排序在三个 LLM 和随机森林之间都很稳定，说明它反映的是真实的态度结构，而非某个模型的特性。统独题是异常值，LLM（23.3%）与随机森林（56.1%）相差 33 个百分点。
\n\n不只是。方差坍缩指合成回答过度集中于平均值的倾向，它出现在所有方法中。LLM 的方差比介于 0.67 至 0.85，随机森林为 0.72，仅用人口统计的回归为 0.38。作者认为，基于有限情境预测个体，会把所有方法都拉向总体均值。
\n这带来研究者应注意的权衡：LLM 对单个人的预测不够准确，却在整体分布上保留了更真实的多样性。如果你的目标是总体层面的异质性而非个体预测，这一点很重要。
\n\n取决于模型。移除对齐后，gpt-oss 准确率下降 6.1 个百分点，Gemma3 下降 2.3，Qwen3.5 基本不变（−0.1）。方差的变化方向也相反：gpt-oss 从 0.85 升至 0.90，Gemma3 则从 0.67 降至 0.45。作者建议逐个模型检验对齐效应，而不是假设存在普遍规律。
\n\n作者的结论是，目前的准确率不足以替代真实受访者，但可用于问卷预测试和提出假设。由此可得出几点实践启示：
\n局限也值得注意：研究只使用了一份问卷和固定的题目划分，仅测试开源权重模型，且没有人类重测信度作为上限。作者还指出，相对多数基线的提升虽然在 8,000 多次预测中具有统计显著性，但实际意义有限。
\n\n硅基抽样是指提示 LLM 以指定人物或画像身份回答问卷，生成用于近似真实人类样本的合成回答。
\n根据这项研究，不能。零样本模型在未见题目上的完全匹配率为 52%，低于有监督模型的 58%，在敏感和个人判断类题目上表现大幅下滑。
\n本研究中并非如此。一个中文训练较强的 27B 模型在中文问卷上胜过 120B 模型，说明语言匹配可能比规模更重要。
\n指预测回答的分布相对真实分布变窄。在本研究中，它影响所有方法，包括随机森林，而不只是 LLM。
\n\n来源：Ku, C.-T., Hsu, C., Huang, P.-C., Liu, F. C.-s., Cheng, I.-L., & Kang, Y. (2026). Silicon Sampling via Cross-Survey Transfer. arXiv 预印本 2607.03091。
\n\n最后更新：2026 年 9 月 11 日。本文是 Qualitati 研究团队对第三方研究的独立编辑摘要，与论文作者无关联，也未获其背书。
","related":[{"slug":"synthetic-survey-panels-marginal-fidelity-2026","title":"合成问卷样本库真的在模拟人吗？2026 年的一项检验","description":"合成问卷样本库能模拟真实受访者吗？2026 年研究发现，与公开平均值吻合并不能证明模拟成功：无人设提示在 9 组对比中 9 次胜过人设样本库。","category":"研究方法论","date":"2026-10-22","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-as-judge-qualitative-interpretation-2026","title":"LLM 评审能给定性访谈解读打分吗？2026 年研究的检验","description":"LLM-as-judge 能否替代人工审核定性访谈解读？2026 年一项研究对比 3,560 条 AI 解读与人类评分：它能淘汰弱模型，却漏掉言外之意与细微差别。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"rehearse-interview-protocol-simulated-participants-2026","title":"能用 AI 模拟受访者预演访谈吗？2026 年研究发现","description":"能否用 AI 模拟受访者预演访谈提纲？一项 2026 年对 21 位定性研究者的研究发现，预演带来了实际的提纲修改，也暴露出三个隐藏风险。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}