营销研究中的合成数据：如何评估以及何时可信赖

关于合成数据在营销研究中的争论，存在两种极端观点：一是大语言模型（LLM）使人类受访者过时，二是应完全避免使用。我们主张，更关键的问题并非合成受访者是否有效，而是何时有效。基于Brand、Israeli和Ngwe（2026）的研究，我们做出三项贡献。首先，我们区分了三种类型的合成数据（无依据的LLM响应、分群级人物设定和个体级数字孪生），并将其对应到可支持的决策类型。其次，我们提出四类准确度测量的分类体系，指出现有文献中数字孪生准确率从近乎完美到接近偶然水平的差异，主要源于测量内容不同，而非方法问题；即使输入信息极少，聚合指标仍可能表现良好，且可能掩盖个体层面的区分缺失。第三，我们提出“被遗忘问题”问题，即在实际调研中某问题被遗漏，可作为数字孪生增强已有数据的场景。我们提出一种事前可回答性诊断方法，无需真实答案：即用构建数字孪生所用的数据作为输入，由随机森林预测孪生输出的R²值。在一项包含108个态度问题的全国代表性调查（N=3,063）中，当R²高于0.7时，数字孪生与人类个体层面的相关性平均提升15%，且回答不佳的问题比例从25.9%降至4.3%。嵌入相似性与有经验研究人员的判断提供了相关但较弱的补充筛选。