《Journal of Industrial Information Integration》：A scalable framework for building and validating knowledge-driven synthetic consumer agents with large language models
编辑推荐：
研究人员提出一个可扩展的框架，用于构建基于知识驱动的合成消费者主体（synthetic consumer agents）。该框架整合了基于评论的原型（review-based prototypes）与理论注入的人物合成（theory-informed pers
研究人员提出一个可扩展的框架，用于构建基于知识驱动的合成消费者主体（synthetic consumer agents）。该框架整合了基于评论的原型（review-based prototypes）与理论注入的人物合成（theory-informed persona synthesis）。研究人员引入了人物敏感性指数（Persona Sensitivity Index, PSI）用于测量人物层面的行为区分性（persona-level behavioral discriminability）。研究人员验证了主体的一致性和与真实消费者推理模式的对齐。研究人员展示了合成消费者主体群体在消费者反应分析中的潜力。
本研究基于对消费者决策建模传统局限性的分析，提出了一种利用大型语言模型（Large Language Models, LLMs）构建与验证合成消费者主体的可扩展框架。传统方法如调查、焦点小组和访谈等存在成本高、时间消耗大、静态性以及自报告偏差等问题，难以捕捉消费者决策的动态性和心理复杂性。基于主体的建模（Agent-Based Modeling, ABM）虽能模拟市场动态，但面临主体规范问题（agent specification problem），即手动定义行为规则主观、劳动密集且难以扩展，导致心理真实性和多样性不足。大型语言模型（LLMs）的兴起为行为模拟提供了新范式，其能够从自然语言描述中生成上下文相关的类人行为，从而克服传统规则系统的局限。然而，现有研究在人物构建上缺乏方法标准化，未能系统整合经验数据与心理/营销理论，且验证通常局限于单一层面。为此，研究人员开展了本研究，旨在建立一套从经验数据到理论注入人物蓝图再到可执行主体实例化的统一流程，并通过多层面验证确保主体既具有内部一致性又具有外部区分性。该研究提出了一个三阶段框架，包括数据驱动原型提取、理论注入人物蓝图合成以及主体实例化与交互，并引入了人物敏感性指数（Persona Sensitivity Index, PSI）来量化动机对齐的行为区分性。研究人员通过实验验证了该框架生成的主体在人格一致性、人格区分性以及群体层面话语与偏好结构对齐方面均表现出色，表明该框架能够构建出具有可扩展性、可重复性和伦理基础的合成消费者群体，用于消费者认知与反应模式研究。该论文发表在《Journal of Industrial Information Integration》。
研究人员为开展研究用到的主要关键技术方法包括：1) 数据驱动原型提取：使用均匀流形逼近与投影（Uniform Manifold Approximation and Projection, UMAP）将评论嵌入降维，再应用层次密度空间聚类（Hierarchical Density-Based Spatial Clustering of Applications with Noise, HDBSCAN）提取消费者原型，并通过类别的词频-逆文档频率（c-TF-IDF）量化语义特征；2) 理论注入人物蓝图合成：利用GPT-4o作为合成器，将原型与五因素人格模型（OCEAN）和注意-兴趣-搜索-行动-分享（AISAS）决策框架整合，生成结构化人物蓝图；3) 主体实例化与验证：使用GPT-4o-mini根据蓝图实例化主体，并设计统一验证协议，包括人格一致性（比较增益/损失框架下的决策和推理）、人格区分性（通过PSI测量对匹配刺激的响应优势）和群体层面主题对齐（比较主体推理与真实评论的主题分布）。样本来源为Amazon Reviews 2023数据集的手机及配件类别，共12,024,722条评论。
研究结果部分如下：
**5.1 初步分析：一般刺激有效性** 通过单因素方差分析（ANOVA），增益框架、损失框架与基线条件下的购买意图存在显著差异（F=63.18, p<0.001），确认了刺激操作的有效性。但不同人物原型间存在异质性，表明框架敏感性受动机结构调节。
**5.2 RQ1：人格一致性分析** 分为行为一致性和逻辑一致性。**行为一致性**：部分人物原型（如P1 Performance & Battery Seeker、P2 Comprehensive Protector）在增益、损失和基线条件下无显著差异（p>0.05），表现出抵抗修辞操作的特点；而其他原型（如P3 Value Optimizer、P6 Immersive Audio Player）有显著差异（p<0.05），表明其决策输出对语言强调更敏感。**逻辑一致性**：所有原型在“增益vs.损失”条件下的推理语义相似度中位数较高（0.80–0.86），表明修辞框架主要影响评价重点而非改变推理语义结构，实现了深层动机一致性与表面适应性的共存。
**5.3 RQ2：人格区分性分析** **行为与认知区分性**：大部分人物原型（P1–P7）在匹配刺激下表现出正的意图差距和置信度差距，位于右上象限，表明对动机对齐刺激的响应优势；P8–P10原型差距较小，表现为稳定评估者。**综合表现与理论解释**：所有原型保持高逻辑一致性（均值>0.79），行为区分性呈系统多样性，形成两个集群：高响应性与高一致性集群，以及稳定但低响应性集群。**PSI参数敏感性**：在λ从0到1变化时，PSI的绝对数值增加，但人物原型排序保持稳定，表明区分结构是内在属性而非参数伪影。**主体激活稳定性**：在不同温度设置（0.3、0.7、1.0）下，决策偏差、推理相似度和PSI排名均保持稳定，与主实验的Spearman相关系数在0.88至0.94之间。**蓝图层面行为案例**：高PSI原型（如Performance & Battery Seeker）对匹配刺激的购买意图和置信度大幅提升，而低PSI原型（如Aesthetic Minimalist）反应温和且推理条件性较强。
**5.4 消融分析：理论注入的作用** 比较无人物、弱人物（仅名称）、随机人物（不匹配蓝图）和完整人物条件。完整人物条件在语义一致性（Δsem=0.87）、平均PSI（0.82）和主题对齐（0.78）方面均显著优于其他条件，表明理论注入不仅稳定了深层动机逻辑，还提高了区分性和群体层面话语对齐。
**5.5 RQ3：话语层面与偏好结构对齐分析** **宏观决策对齐**：模拟决策与真实评论的效价分布无显著差异（χ2(2)=4.17, p=0.124），表明群体验价结构近似。**主题推理对齐**：模拟推理与真实评论的主题分布高度相关（Pearson r=0.94, Spearman ρ=0.91, p<0.001），Hellinger距离为0.07，表明认知主题结构强对齐，涵盖功能属性与风格属性。
总结讨论部分，研究人员指出，主体内部一致性（行为稳定与推理语义稳定）与外部区分性（动机对齐响应）共同验证了蓝图合成过程对经验原型动机结构的保真度。消融分析进一步证明，理论注入（OCEAN与AISAS）是区分效果的关键，而非仅依赖提示丰富性。在群体层面，主题对齐表明合成群体能够再现真实消费者话语中的评价性主题结构。研究结论部分翻译如下：本文提出了一种可扩展的方法论，用于构建基于知识驱动的合成消费者主体，并将其组织成一个基于经验数据和行为理论的合成消费者主体群体。从大规模真实评论出发，研究人员提取消费者原型，将其实整合心理与营销构念以合成理论注入的人物蓝图，并实例化出能够产生动机一致推理与决策的异质性主体群体。为了系统评估该群体，研究人员引入了统一验证框架，包括新颖的人物敏感性指数（PSI），用于量化动机对齐的行为区分性。因此，本研究的核心目标是建立一个可重复的构建与评估框架，用于将评论衍生的动机结构转化为可执行的消费者表征。受控验证结果提供了该框架两个核心属性的初步证据：主体维持强内部一致性，且推理在修辞变化下保持语义稳定，同时行为变化呈现结构化可解释模式；生成群体表现出有意义的话语层面与偏好结构对齐，决策分布与推理主题模式与评论衍生的消费者数据对应。该框架可作为企业和研究者的部署前模拟工具，用于评估面向消费者的决策。未来工作将朝跨产品类别验证、纵向交互机制（包括记忆、偏好演化和社会影响）以及不同LLM骨架（包括较小开源模型）的泛化性三个方向扩展。
