生成式人工智能在感官与消费者科学中的创新应用框架研究

本文推荐：研究人员针对感官与消费者科学领域研究效率与创新需求，提出首个整合生成式人工智能（GenAI）的综合性框架，涵盖概念生成、实验设计及测试验证三阶段。通过AI生成食品图像/配方、构建硅样本（silicon samples）及多语言文本分析，显著提升研究可扩展性与跨文化适用性，同时警示数据偏见与伦理风险，为学科发展提供方法论革新。

　　

在数字化技术席卷科研领域的今天，感官与消费者科学正面临前所未有的机遇与挑战。传统研究方法受限于人力成本、文化差异和数据规模，尤其在跨文化比较、多模态刺激生成和复杂行为预测等方面存在明显瓶颈。与此同时，以ChatGPT为代表的生成式人工智能（GenAI）技术虽在多个学科展现潜力，但其在感官与消费者科学中的系统化应用框架仍属空白。

针对这一需求，来自未知机构的研究团队在《Food Quality and Preference》发表了开创性研究，首次提出整合GenAI的三阶段研究框架（概念-设计-测试），并验证了其在食品图像生成、心理量表开发和跨文化文本分析等场景的实用性。研究采用多模态GenAI模型（如ChatGPT-4、Midjourney）生成实验刺激物，利用硅样本（silicon samples）模拟人类认知行为，并通过交互式调查提升数据质量。关键方法还包括：跨语言文本分析验证（12种语言）、刺激物内部/外部效度评估，以及基于迭代提示（prompt）的假设生成优化。

概念阶段
研究证实GenAI可高效生成高创意性研究假设，如通过ChatGPT-4o扩展“女性化=健康食品”刻板印象至年龄维度。但需警惕集体层面新颖性降低的风险——AI辅助产生的假设相似度较纯人工生成高23%。

设计阶段
在刺激物生成方面，AI构建的食品图像（如桃子风味绿茶）能自动输出外观-风味多维度描述词，但消费者对AI标签的披露敏感度较高（偏好度降低18%）。量表开发中，ChatGPT构建的“ChatGPT支持消费行为感知价值”量表经人工验证后效度达0.67，显著高于传统LIWC方法。

测试阶段
硅样本成功复现人类跨模态对应规律（如圆形-甜味关联），但情感表达存在过度积极倾向。交互式调查通过实时反馈（如“感谢！

”）使参与者响应质量提升31%。多语言文本分析在斯瓦希里语等非优势语言中仍保持0.65以上的情感识别准确率。

讨论指出，该框架的跨学科适用性可延伸至产品开发、用户体验设计等领域，但需警惕三大风险：训练数据偏见（如政治倾向性）、文化语境误判（需母语者复核），以及用户对AI的过度依赖（被视作“外包”而非工具）。作者建议采用版本追踪（如注明GPT-4 Turbo 2025版）、双盲验证等七项负责任使用准则。这项研究为感官科学提供了方法论范式转换，其提出的“人类-AI协作”模式尤其适用于资源有限的跨文化研究，同时为AGI（通用人工智能）时代的感官研究奠定理论基础。