Намунагирии силиконӣ (silicon sampling) — равишест, ки дар он моделҳои бузурги забонӣ зери prompt-ҳои назоратшаванда ҷавобҳои синтетикии пурсишнома тавлид мекунанд ва ин ҷавобҳо ба таври муқоисавӣ бо маълумоти эмпирикии аз одамон ҷамъоваришуда истифода мешаванд. Ин таҳқиқот на танҳо месанҷад, ки намунагирии силиконӣ “ҷавобҳои ба инсон монанд тавлид мекунад ё не”, балки инчунин меомӯзад, ки он монандии тақсимотӣ, сифати ченкунии психометрӣ, робитаҳои сохторӣ ва намунаҳои атрибуцияи хусусиятҳои пешгӯиро то чӣ андоза нигоҳ медорад. Бо се модели бузурги забонӣ дар маҷмӯъ 6.048 ҷавоби синтетикӣ тавлид шуда, онҳо бо маҷмӯи 672 ҷавоб дар ду маҷмӯи воқеии маълумоти инсонӣ муқоиса шудаанд: 369 истеъмолкунанда дар контексти истеъмоли люкс ва 303 ширкат дар контексти маркетинги сабзи B2B. Натиҷаи асосии таҳқиқот ин аст, ки prompt-ҳои сохторёфтаи навъи few-shot наздикиро ба маълумоти инсонӣ ба таври назаррас зиёд мекунанд; аммо мувофиқати беҳтари оморӣ маънои баробарии комили равонӣ ё рафторӣ бо ҷавобҳои инсонро надорад.

Таҳқиқот ин фарқро тавассути иерархияи чорзинагии эътибор нишон медиҳад. Сатҳи якум тақсимоти ҷавобҳоро, сатҳи дуюм эътимоднокӣ ва эътибори шкалаҳоро, сатҳи сеюм нигоҳдории робитаҳои назариявии сохториро ва сатҳи чорум намунаҳои атрибуцияи хусусиятҳои SHAP-ро, ки аз моделҳои Gradient Boosting ба даст омадаанд, муқоиса мекунад. Натиҷаҳо нишон медиҳанд, ки бо амиқтар шудани таҳлил мувофиқат бештар шартӣ мешавад. Дар контексти истеъмолкунандагон ҷавобҳои LLM дар маҷмӯъ ба холҳои баландтар аз ҷавобҳои инсон майл доштанд, дар ҳоле ки дар контексти созмонии B2B, махсусан дар конфигуратсияҳои DeepSeek ва GPT, ҷавобҳои пасттар ва фишурдашавии дисперсия бештар ба назар расиданд.

Аз ин рӯ, таҳқиқот намунагирии силикониро на ҳамчун манбаи мустақили далели эмпирикӣ, ки метавонад иштирокчиёни инсониро иваз кунад, балки ҳамчун абзори ёрирасони методологӣ барои вазифаҳои бо ҳудудҳои равшан муайяншуда, ба мисли пешсанҷии пурсишнома, муқоиса, санҷиши устуворӣ, ҳассосияти намуна ва омӯзиши сенарияҳо, ҷой медиҳад. Хусусан ҳангоми зарурати санҷиши назария, миёнаравӣ, модератсия ё шарҳи механизми рафторӣ маълумоти инсонӣ ҳамчун истиноди асосии эмпирикӣ боқӣ мемонад.

Намунагирии Силиконӣ Чист?

Намунагирии силиконӣ равишест, ки дар он аз моделҳои бузурги забонӣ дар шароити муайяни демографӣ, контекстӣ ё нақшӣ ҷавобҳои синтетикӣ дар шакли пурсишнома гирифта мешаванд ва ин ҷавобҳо бе ҷойгузории автоматӣ ба ҷои маълумоти инсонӣ, ба таври низомманд бо маълумоти истинодии воқеии инсонӣ муқоиса мегарданд.

Яке аз мушкилоти асосии таҳқиқоти пурсишномавӣ кӯшиши чен кардани рафтори инсон тавассути сохторҳое мебошад, ки мустақиман мушоҳида намешаванд. Тағйирёбандаҳое мисли имиҷи бренд, таъсири иҷтимоӣ, қаноатмандӣ аз зиндагӣ, стратегияи экологӣ ё мавқеъгирии бренд бо сенсори физикӣ мустақиман хонда намешаванд; онҳо сохторҳои пинҳонӣ мебошанд, ки аз шкалаҳои чандбанди ба даст меоянд. Аз ин рӯ, танҳо “воқеӣ” ба назар расидани миёнаҳои як маҷмӯи маълумот маънои онро надорад, ки он барои санҷиши назария кофӣ аст.

Азбаски моделҳои бузурги забонӣ метавонанд ҷавобҳои ҳассос ба контекст ва аз ҷиҳати шакл муттасил тавлид кунанд, дар таҳқиқоти пурсишномавӣ имконияти нави методологӣ ба вуҷуд меояд. Аммо наметавон фарз кард, ки ҷавобҳои LLM мисли иштирокчиёни инсонӣ хусусиятҳои равонии устувор доранд. Баромади модел аз сохтори prompt, мисолҳои додашуда, иттилои контекстӣ ва фазои намояндагии омӯхташудаи худи модел вобаста аст. Аз ин рӯ, таҳқиқот ба ҷои он ки эътибори ҷавобҳои синтетикиро мустақиман фарз кунад, онҳоро зина ба зина нисбат ба маълумоти инсонӣ месанҷад.

Саволи асосии таҳқиқот

Масъалаи марказии таҳқиқот аз саволи “Оё баромадҳои LLM ба ҷавобҳои инсон монанданд?” амиқтар аст. Саволи асосӣ ин аст, ки ҷавобҳои синтетикӣ хусусиятҳои методологии талабкардаи таҳқиқотро то кадом сатҳи амиқ нигоҳ дошта метавонанд. Миёнаҳои як маҷмӯи маълумот метавонанд ба маълумоти инсонӣ наздик шаванд; аммо ҳамон маҷмӯи маълумот метавонад сохтори ковариатсионии шкалаҳо, робитаҳои назариявии роҳҳо ё намунаи атрибуцияи хусусиятҳоро, ки нишон медиҳад натиҷа аз кадом тағйирёбандаҳо таъсир мегирад, ба таври дигар ташкил кунад.

Чаро Танҳо Монандии Оморӣ Кофӣ Нест?

Монандии оморӣ танҳо сатҳи рӯякии эътиборро нишон медиҳад; барои таҳқиқоти пурсишномавии назариямеҳвар бояд алоҳида санҷида шавад, ки оё эътимоднокии шкала, сохтори омили пинҳонӣ, робитаҳои сохторӣ ва намунаҳои атрибуцияи хусусиятҳое, ки натиҷаҳоро шарҳ медиҳанд, низ бо маълумоти истинодии инсонӣ мувофиқанд ё не.

Эътибори иерархии чорсатҳа

Сатҳи чорум бояд махсусан бо эҳтиёт шарҳ дода шавад. Қиматҳои SHAP дар ин ҷо саҳми хусусиятҳоро дар моделҳои пешгӯии Gradient Boosting шарҳ медиҳанд. Бинобар ин, ин натиҷаҳо мустақиман маънои “LLM ҳамин тавр фикр мекунад” ё “зеҳни инсон аз ҳамин механизм истифода мебарад”-ро надоранд. Ҳудуди методологии худи таҳқиқот низ ҳамин аст: SHAP намунаҳои атрибуцияи пешгӯиро, ки маҷмӯаҳои маълумот тавлид мекунанд, муқоиса мекунад; равандҳои воқеии маърифатиро мустақиман мушоҳида намекунад.

Чаро тарҳи prompt тағйирёбандаи методологӣ аст?

Дар таҳқиқот дар баробари интихоби модел, меъмории prompt низ ҳамчун тағйирёбандаи мустақили методологӣ баррасӣ шудааст. Дар шароити zero-shot мисол дода намешавад. Дар шароити one-shot як намунаи шакл пешниҳод мешавад. Дар шароити few-shot + KNN бошад, панҷ мушоҳидаи воқеие, ки дар фазои хусусиятҳо ба профили таҳқиқшаванда наздиканд, ёфта шуда, ҳамчун мисол ба контексти модел илова мегарданд. Бо ин роҳ кӯшиш мешавад, ки ҷавобҳои модел бе додани мустақими омори ҷамъбастӣ ба намунаҳои маҳаллии маълумоти инсонӣ пайваст карда шаванд.

Барои муайян кардани наздиктарин намунаҳои инсонӣ таҳқиқоти манбаъ масофаи Евклидро истифода мебарад:

\[ d(p_i,p_j)=\sqrt{\sum_f \left(p_i^f-p_j^f\right)^2} \]

Ин муодила масофаи фазои хусусиятҳоро байни ду профил ҳисоб мекунад. \(p_i\) профилеро ифода мекунад, ки барои он ҷавоби синтетикӣ тавлид мешавад, \(p_j\) мушоҳидаи номзади инсонӣ ва \(f\) хусусиятеро, ки дар муқоиса истифода мешавад. Фарқи ҳар хусусият ба квадрат бардошта мешавад, аз рӯи хусусиятҳо ҷамъ карда шуда, решаи квадратии ҷамъ ҳисоб мегардад. Панҷ мушоҳидаи дорои масофаи хурдтарин лангари контексти few-shot-ро ташкил медиҳанд. Азбаски муодила бузургии физикиро ҳисоб намекунад, воҳиди метр, сония ё дигар воҳиди физикӣ надорад; натиҷа масофаи геометрӣ дар фазои намояндагии хусусиятҳои истифодашуда мебошад.

Чаро ду контексти гуногуни таҳқиқот истифода шуд?

Таҳқиқоти якум контексти истеъмоли люксро истифода мебарад, ки дар он муносибатҳои инфиродии истеъмолкунандагон бартарӣ доранд. Намунаи истинодии инсонӣ аз 369 ҷавоби эътиборнок дар зернамунаи Чин иборат аст. Сохторҳое мисли таъсири иҷтимоӣ, истеъмоли намоишкорона, имиҷи бренд, майл ба истеъмоли люкс, такони харид, харҷи люкс ва қаноатмандӣ аз зиндагӣ арзёбӣ мешаванд.

Таҳқиқоти дуюм маҷмӯи маълумоти B2B аз 303 ширкатро истифода мебарад. Дар ин ҷо робитаҳо байни стратегияи маркетинги сабз, стратегияи экологии ширкат, мавқеъгирии бренди сабз, рақобатпазирии бренди сабз ва муваффақияти маҳсулоти нави сабз баррасӣ мешаванд. Азбаски ин модел дар баробари таъсирҳои мустақим робитаҳои миёнаравӣ ва модератсияро низ дар бар мегирад, аз таҳқиқоти якум мураккабии сохтории бештар дорад.

Усул ва Натиҷаҳои Таҳқиқот

Се модел арзёбӣ шудаанд: Qwen3-Max (qwen3-max), DeepSeek-V3 (deepseek-v3) ва GPT-5.1 (gpt-5.1-all). Ҳарорати тавлид 0,7 ва max_tokens 2000 муқаррар карда шудааст; top_p дар арзиши пешфарзи API гузошта шуда, seed нишон дода нашудааст. Ҳар як ҳолати синтетикӣ танҳо як маротиба тавлид шуда, барои ҳамон ҳолат миёнаи тавлидҳои такрорӣ гирифта нашудааст.

Бозтавлиди маҷмӯи 672 мушоҳидаи ду маҷмӯи маълумоти инсонӣ дар се модел ва се шароити асосии prompt 6.048 ҷавоби синтетикӣ ба вуҷуд овард. Бартарии муҳими ин тарҳ он аст, ки шартҳои модел ва prompt-ро дар як чаҳорчӯбаи ягонаи истинодии инсонӣ муқоиса кардан мумкин аст. Маҳдудияти муҳими он бошад, аз сабаби танҳо як маротиба тавлид шудани ҳар ҳолати синтетикӣ, тасодуфияти тавлид ва устувории байни такрорҳоро мустақиман чен кардан мумкин нест.

Оё Few-Shot Prompting Баробариро бо Маълумоти Инсонӣ Таъмин Мекунад?

Не. Шароити few-shot + KNN дар ҳар ду таҳқиқот умуман маълумоти синтетикии ба истиноди инсонӣ наздиктаринро тавлид кардааст; аммо бинобар инҳирофҳои тақсимотӣ, талафоти мувофиқати модел, тағйири баъзе коэффисиентҳои роҳ ва фарқиятҳои намунаҳои атрибуцияи хусусиятҳои SHAP, таҳқиқот инро ҳамчун баробарии комил бо маълумоти инсонӣ шарҳ намедиҳад.

Таҳқиқоти 1 — Натиҷаҳои тақсимотӣ дар контексти истеъмолкунанда

Дар озмоиши истеъмолкунанда, ҷавобҳои zero-shot шароите мебошанд, ки аз маълумоти инсонӣ бештар дур мешаванд. Few-shot дар ҳар се модел фарқро ба таври назаррас кам мекунад. Бо вуҷуди ин, инҳирофи возеҳи болоравии ҷавобҳои синтетикӣ боқӣ мемонад. Дар шароити few-shot фарқи миёна барои Qwen +0,50, барои DeepSeek +0,49 ва барои GPT +0,67 холи шкала мебошад. Дар қариб ҳамаи бандҳое, ки фарқи аз ҷиҳати оморӣ аҳамиятнок нишон медиҳанд, миёнаҳои LLM аз миёнаҳои инсонӣ баландтаранд.

Ин натиҷа нишон медиҳад, ки prompt-и сохторёфта муҳим аст, аммо намунаи синтетикӣ ба таври автоматӣ аз ғараз пок намешавад. Шароити few-shot андозаи фарқро кам мекунад, вале майли низомманди додани холҳои баландро дар намунаи истеъмолкунанда бартараф намекунад.

Таҳқиқоти 1 — Якпорчагии психометрӣ

Дар маҷмӯаҳои маълумоти few-shot қиматҳои Cronbach α, эътимоднокии таркибӣ ва AVE умуман дар ҳудудҳои қобили қабул боқӣ мондаанд. Яке аз заифшавиҳои барҷаста дар сохтори имиҷи бренд дида мешавад; аммо AVE барои Qwen 0,577, барои DeepSeek 0,571 ва барои GPT 0,631 гузориш шудааст.

Дар мувофиқати CFA маълумоти инсонӣ қавитар аст. Дар истиноди инсонӣ CFI 0,944, TLI 0,935 ва RMSEA 0,064 аст; дар маълумоти few-shot-и Qwen 0,913 / 0,900 / 0,072, дар DeepSeek 0,909 / 0,895 / 0,073 ва дар GPT 0,899 / 0,884 / 0,085 ба даст омадааст. Сохтори шкала пурра вайрон намешавад, аммо дар сатҳи модели ченкунии инсонӣ низ бозтавлид намегардад.

Таҳқиқоти 1 — Модели сохторӣ

Натиҷаҳои SEM модели ҳамдараҷаро нишон медиҳанд. Дар модели инсонӣ CFI 0,947, TLI 0,941 ва RMSEA 0,061 аст. Модели few-shot-и Qwen 0,901 / 0,889 / 0,076; DeepSeek 0,897 / 0,885 / 0,077; GPT бошад 0,889 / 0,877 / 0,088 додааст.

Қисми зиёди шаш роҳи асосии сохторӣ аз ҷиҳати самт ва аҳамият нигоҳ дошта шудаанд. Аммо роҳи BI → LCT аз имиҷи бренд ба майл ба истеъмоли люкс, ки дар маълумоти инсонӣ \(β=0,184\) аст, дар Qwen ба \(β=-0,149\) ва дар DeepSeek ба \(β=-0,168\) табдил ёфта самташро иваз кардааст; дар GPT бошад самти инсонӣ бо \(β=0,146\) нигоҳ дошта шудааст. Ҳатто вақте самти баъзе роҳҳои дигар нигоҳ дошта мешавад, андозаҳои коэффисиентҳо аз истиноди инсонӣ ба таври назаррас дур мешаванд. Аз ин рӯ, нигоҳдории топологияи модел маънои якхела будани андозаи таъсирҳоро надорад.

Таҳқиқоти 1 — Чаро SHAP огоҳии муҳим дод?

Дар истиноди инсонӣ, дар модели Gradient Boosting, ки такони харидро пешгӯӣ мекунад, қавитарин хусусият қаноатмандӣ аз зиндагӣ мебошад (LS; аҳамият 0,367). Аҳамияти тағйирёбандаи синну сол дар маълумоти инсонӣ 0,137 аст. Дар миёнаи маҷмӯаҳои маълумоти синтетикӣ бошад, аҳамияти SHAP-и синну сол то 0,303 боло меравад, дар ҳоле ки аҳамияти миёнаи LS то 0,036 поён мефарояд. Манбаъ инчунин хабар медиҳад, ки синну сол дар 10 аз 12 конфигуратсияи LLM/prompt ба хусусияти муҳимтарин табдил ёфтааст.

Ин нишон медиҳад, ки ҷавобҳои синтетикӣ метавонанд баъзе хусусиятҳои рӯякӣ ва сохториро нигоҳ доранд, аммо ҳамзамон тағйир диҳанд, ки натиҷа дар атрофи кадом тағйирёбандаҳо ташкил меёбад. Ин натиҷаро набояд чунин хонд, ки “LLM воқеан ҳангоми қароргирӣ синну солро истифода мебарад”; SHAP намунаҳои атрибуцияи хусусиятҳои моделҳои Gradient Boosting-ро, ки аз маҷмӯаҳои гуногуни маълумот омӯзонида шудаанд, муқоиса мекунад.

Таҳқиқоти 2 — Самти тақсимот дар контексти B2B тағйир меёбад

Дар таҳқиқоти B2B few-shot боз ҳам умуман беҳтарин равишро медиҳад, аммо самти инҳироф мисли таҳқиқоти истеъмолкунанда яксон нест. Шароити few-shot-и GPT-5.1 бо Wilks λ=0,266 ва миёнаи η²=0,034 яке аз мувофиқатҳои қавитарини тақсимотиро пешниҳод мекунад; фарқи миёна -0,048 аст. Фарқи few-shot-и DeepSeek -0,160 бошад, Qwen few-shot +0,159 аст.

Дар ин ҷо бозёфти муҳими байниконтекстии таҳқиқот зоҳир мешавад: хатои маълумоти синтетикӣ рафтори доимии “LLM ҳамеша холи баланд медиҳад” нест. Дар контексти истеъмолкунанда зиёдшавии равшан дида мешавад, дар ҳоле ки дар саволҳои созмонӣ ва стратегии B2B, махсусан ҷавобҳои DeepSeek ва GPT метавонанд нисбат ба истиноди инсонӣ ба поён ҳаракат кунанд ва дисперсия бештар фишурда шавад.

Таҳқиқоти 2 — Сохтори ченкунӣ осебпазиртар аст

Дар шкалаҳои B2B, дар ҳоле ки мутобиқати дохилӣ умуман қавӣ мемонад, баъзе қиматҳои эътибори конвергентӣ заиф шудаанд. Тибқи Ҷадвали 8-и манбаъ, қимати AVE-и инсонӣ барои Green Marketing Strategy 0,599 аст; он дар Qwen то 0,447 ва дар DeepSeek то 0,395 коҳиш меёбад, дар GPT бошад 0,584 аст. Поён мондани қиматҳои Qwen ва DeepSeek аз 0,50 нишон медиҳад, ки махсусан дар сохторҳои стратегии абстракттар намояндагии пинҳонӣ метавонад аз коэффисиентҳои эътимоднокӣ осебпазиртар бошад.

Дар CFA истиноди инсонӣ бо CFI 0,992, TLI 0,991 ва RMSEA 0,017 мувофиқати хеле қавӣ нишон медиҳад. Маълумоти GPT бо 0,897 / 0,889 / 0,068 дар байни се модел ба инсон наздиктарин натиҷаҳоро медиҳад. Qwen 0,845 / 0,833 / 0,077; DeepSeek бошад 0,792 / 0,775 / 0,087 мебошад. Ҳамин тавр дида мешавад, ки бозтавлиди сохтори ченкунии пинҳонӣ дар контексти B2B нисбат ба контексти истеъмолкунанда душвортар аст.

Таҳқиқоти 2 — Роҳҳои мустақим, миёнаравӣ ва модератсия

Ҷадвали 11-и манбаъ равшан нишон медиҳад, ки ҳамаи роҳҳо ба як андоза нигоҳ дошта намешаванд. Масалан, роҳи GMS → GBP дар маълумоти инсонӣ \(β=0,396\) аст, дар Qwen 0,746, дар DeepSeek 1,267 ва дар GPT 0,651; дар ҳоле ки самт ва аҳамият нигоҳ дошта мешаванд, андозаҳо ба таври назаррас тағйир меёбанд.

Баръакс, роҳи CES → GBP дар маълумоти инсонӣ \(β=0,209\) аст, аммо дар Qwen -0,104 ва дар DeepSeek -0,323 шуда самташро иваз мекунад; дар GPT ҳамчун 0,286 нигоҳ дошта шудааст. Робитаи GBP → NGPS дар маълумоти инсонӣ \(β=0,543\) аст; дар Qwen 0,187 ва дар DeepSeek 0,180 буда, бо вуҷуди нигоҳ доштани самт, аз меъёри нигоҳдории аҳамият дар ҷадвали манбаъ нагузаштааст; дар GPT бошад ҳам самт ва ҳам аҳамият бо 0,492 нигоҳ дошта шудаанд.

Таъсири модератсия низ як ҳолати муҳими марзӣ мебошад. Таъсири мутақобилаи GMS × CES → GBP дар маълумоти инсонӣ \(β=-0,445\) аст. Qwen (-0,154) ва DeepSeek (-0,169) ҳамон самт ва аҳамиятро нигоҳ медоранд, дар ҳоле ки дар GPT коэффисиент ба +0,034 табдил ёфта, нигоҳ дошта намешавад. Аз ин рӯ, ҳатто агар маълумоти синтетикӣ меъмории асосии сохториро қисман бозтавлид кунад ҳам, махсусан дар робитаҳои дараҷаи баланд баробарӣ кафолат дода намешавад.

Таҳқиқоти 2 — Намунаи атрибуцияи хусусиятҳо

Дар истиноди инсонии B2B муҳимтарин тағйирёбанда барои пешгӯии натиҷаи Green Brand Positioning — New Green Product Success аст (NGPS; аҳамияти SHAP 0,363). Дар маҷмӯаҳои маълумоти LLM аҳамияти миёнаи NGPS то 0,025 ва мақоми миёнаи он то 5,0 поён меравад. Баръакс, Green Brand Competitiveness (GBC) дар маълумоти инсонӣ 0,124 аст, аммо дар миёнаи маълумоти синтетикӣ то 0,158 боло меравад ва мақоми миёна 1,3 мешавад.

Ин натиҷа аз намунаи “ивазкунии демографӣ” дар озмоиши истеъмолкунанда фарқ мекунад. Дар контексти B2B маълумоти синтетикӣ натиҷаро бештар ба сохторҳои стратегии миёнаравӣ мепайвандад, на ба тағйирёбандаҳои ба самаранокӣ нигаронидашудаи маълумоти инсонӣ. Ҳамин тавр иддаои асосии таҳқиқот тақвият меёбад: инҳирофи LLM на танҳо аз модел, балки аз хусусияти контексти таҳқиқотие, ки бояд намояндагӣ шавад, низ таъсир мегирад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

Таҳқиқоти манбаъ дастгирӣ мекунад, ки prompt-ҳои сохторёфтаи few-shot умуман наздикиро ба истиноди инсонӣ зиёд мекунанд; эътимоднокии психометрӣ дар бисёр ҳолатҳо нигоҳ дошта шуда метавонад; самт ва аҳамияти баъзе робитаҳои сохторӣ бозтавлид шуда метавонанд; аммо ғарази тақсимотӣ, вайроншавии андозаи коэффисиент, ноустуворӣ дар робитаҳои мураккаби сохторӣ ва фарқиятҳои низомманд дар намунаҳои атрибуцияи хусусиятҳо идома меёбанд.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

Таҳқиқот исбот намекунад, ки ҷавобҳои тавлидкардаи LLM метавонанд бо эътимод ба ҷои иштирокчиёни инсонӣ истифода шаванд. Few-shot prompting баробарии инсонӣ кафолат намедиҳад. Натиҷаҳои SHAP когнитсияи инсон ё LLM-ро мустақиман чен намекунанд. Натиҷаҳои ду контексти таҳқиқотро ба ҳамаи ҷомеаҳо, ҳамаи навъҳои пурсишнома, ҳамаи фарҳангҳо ё ҳамаи версияҳои LLM умумӣ кардан мумкин нест. Таҳқиқот инчунин насанҷидааст, ки ҷавобҳои синтетикӣ дар тавлидҳои такрорӣ то чӣ андоза устуворанд.

Маънои амалӣ

Ин натиҷаҳо нишон медиҳанд, ки самтҳои бехавфтарини истифодаи намунагирии силиконӣ дар тарҳи пурсишнома пешсанҷӣ, санҷиши мутобиқати бандҳо, ҳассосият ба таркибҳои алтернативии намуна, стресс-санҷиши методологӣ, муқоиса ва омӯзиши сенарияҳо мебошанд. Маълумоти синтетикӣ метавонад дар ин вазифаҳо ба муҳаққиқ кумак кунад, ки дар кадом шароит натиҷаҳо тағйир ёфта метавонанд. Аммо ҳангоми зарурати далели эмпирикӣ дар бораи рафтори воқеии аҳолӣ он набояд маълумоти инсониро иваз кунад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Silicon Sampling: Supporting Survey Research with Large Language Models

Муаллифон: Haozhe Ma; Yunchu Yang; Arnaldo Coelho; Penousal Machado; Yapeng Wang.

Муассисаҳо: CEBER – Centre for Business and Economics Research, Faculty of Economics, University of Coimbra; Faculty of Applied Sciences, Macao Polytechnic University; CISUC/LASI – Centre for Informatics and Systems of the University of Coimbra, Department of Informatics Engineering.

Corresponding author: Дар PDF нишонаи corresponding-author барои Yunchu Yang нишон дода шудааст.

DOI: 10.2139/ssrn.7362005.

Платформа ва мақоми нашр: Сабти preprint-и SSRN. PDF-и боршуда ба таври возеҳ мегӯяд, ки таҳқиқот ҳанӯз аз арзёбии ҳамтоён нагузаштааст. Дар поёни PDF ибораи “Preprint submitted to Elsevier” мавҷуд аст; дар ҳуҷҷати пешниҳодшуда версияи маҷаллаи аз арзёбии ҳамтоён гузашта муайян нашудааст.

Санаи пешниҳод: Дар сабти расмии SSRN 28 Август 2026.

Литсензия: Дар PDF-и боршуда ва сабти библиографии тасдиқшаванда барои истифодаи дубора литсензияи кушодаи Creative Commons муайян нашудааст. Аз ин рӯ, дар муҳтавои Verianla фигураҳои манбаъ ё тарҳҳои аслии ҷадвал дубора истифода нашудаанд; далелҳои илмӣ бо баёни мустақил ва сохторҳои нави ҷадвал пешниҳод шудаанд.

Тарҳи асосии таҳқиқот: Бозтавлиди синтетикии ду маҷмӯи қаблан тасдиқшудаи маълумоти пурсишномаи инсонӣ аз ҷониби Qwen3-Max, DeepSeek-V3 ва GPT-5.1 дар контекстҳои zero-shot, one-shot ва few-shot + KNN; муқоисаи маҷмӯаҳои маълумоти синтетикӣ ва инсонӣ дар сатҳҳои тақсимотӣ, психометрӣ, сохторӣ ва атрибуцияи хусусиятҳои SHAP.

Танзимоти тавлид: Temperature 0,7; max_tokens 2000; top_p пешфарзи API; seed нишон дода нашудааст. Ҳар як ҳолати синтетикӣ як маротиба тавлид шудааст.

Намунаҳои инсонӣ: Таҳқиқоти истеъмолкунанда N=369; таҳқиқоти B2B N=303; ҳамагӣ N=672.

Маълумоти синтетикӣ: Дар маҷмӯъ 6.048 ҷавоби тавлидшудаи LLM.

Саҳмҳои CRediT: Haozhe Ma — консептуализатсия, таҳқиқот, куратсияи маълумот ва тарҳи аввал; Yunchu Yang — методология, таҳлили формалӣ, визуализатсия ва баррасӣ/таҳрир; Arnaldo Coelho — тарҳи аввал, машварат ва баррасӣ/таҳрир; Penousal Machado — машварат ва баррасӣ/таҳрир; Yapeng Wang — захираҳо ва машварат.

Маблағгузорӣ, бархӯрди манфиатҳо ва дастрасии маълумот: Дар PDF-и пешниҳодшуда барои инҳо изҳороти ҷудогона ва равшан муайян нашудааст; дар бораи ин соҳаҳо маълумоти иловагӣ фарз карда нашудааст.

Номувофиқиҳои гузоришдиҳӣ дар манбаъ

Гарчанде тарҳи метод се режими асосии prompt-ро ҳамчун zero-shot, one-shot ва few-shot + KNN муайян мекунад, дар баёни Study 1 дар як маврид ибораи “statistical-summary prompting” истифода шудааст. Азбаски ин истилоҳ бо тарҳи асосии озмоишӣ ва ҷадвалҳои дахлдор ба таври равшан мутобиқ карда нашудааст, дар баёни Verianla се режими ба таври возеҳ муайяншуда асос гирифта шудаанд.

Қисми баёнии натиҷаҳои психометрии B2B қимати AVE-и инсонӣ барои Green Marketing Strategy-ро 0,566 менависад, дар ҳоле ки Ҷадвали 8-и манбаъ ҳамон қиматро 0,599 медиҳад. Дар интиқоли миқдории Verianla қимати бевоситаи ҷадвал 0,599 истифода шуда, номувофиқӣ пинҳон карда нашудааст.

Баъзе изҳороти умумии баёни натиҷаҳои сохтории B2B низ бо аломатҳои нигоҳдории роҳ-ба-роҳи Ҷадвали 11-и манбаъ пурра мувофиқат намекунанд. Аз ин рӯ, дар арзёбии самт ва аҳамият коэффисиентҳо ва аломатҳои нигоҳдории алоҳидаи гузоришшудаи Ҷадвали 11 асос гирифта шудаанд.

Маҳдудиятҳои асосӣ

Таҳқиқот танҳо ду контексти пурсишномаро меомӯзад. Азбаски таҳқиқоти B2B ба муҳити институтсионалии Чин асос ёфтааст, маълум нест, ки натиҷаҳо дар дигар контекстҳои институтсионалӣ ё фарҳангӣ низ ҳамин гуна пайдо мешаванд ё не. Конфигуратсияҳои модел ва prompt-и истифодашуда маҳдуданд; равишҳое мисли retrieval-augmented generation, fine-tuning ё намунагирии гибридии инсон–LLM мустақиман санҷида нашудаанд.

Азбаски ҳар ҳолати синтетикӣ танҳо як маротиба тавлид шудааст, маълум нест, ки дар тавлидҳои такрории ҳамон prompt ва профил натиҷаҳои тақсимотӣ, психометрӣ ё сохторӣ то чӣ андоза тағйир меёбанд. Илова бар ин, арзёбии сатҳи механизм аз чаҳорчӯбаи Gradient Boosting + SHAP вобаста аст. Алгоритмҳои гуногуни пешгӯӣ ё усулҳои шарҳпазирӣ метавонанд сохторҳои гуногуни атрибуцияи хусусиятҳоро тавлид кунанд.

Аз ин рӯ, қавитарин натиҷаи таҳқиқот “иштирокчиёни синтетикӣ бо одамон яксонанд” нест. Натиҷаи бештар ҳимояшаванда ин аст, ки эътибори намунагирии силиконӣ аз prompt-и истифодашуда, модел, контексти таҳқиқот ва амиқии хулосаи илмие, ки бояд бароварда шавад, вобаста аст.