AI 预测能否在不取代受访者的前提下提高问卷估计的精度？可以，但幅度有限。香港大学的 Lai Wei 与 Yifei Zhu 在 2026 年的一项研究中，用预测驱动推断（prediction-powered inference）把模型预测与真实问卷回答结合起来，覆盖 83 个结果变量。对于均值估计，监督学习模型带来约 7–12% 的有效样本量提升；LLM 的提升更小，但仍为正。
\n\n这篇论文在“合成受访者”之争中立场鲜明：AI 预测无法代替真人，但可以放大每一次真实访谈的价值。下文介绍其方法、关键数字，以及对那些想用语言模型替代受访者的研究者意味着什么。
\n\n预测驱动推断是一种既利用模型对问卷答案的预测、又让真实回答来纠正模型误差的方法。它分两步：
\n\n由于校正来自真人，即使模型有偏差，估计值仍然指向正确目标。精度之所以提高，是因为问卷只需估计模型无法预测的那部分变异。社会学界也把这种做法称为“混合受试者设计”（mixed subjects design）。同样的道理，我们此前在合成问卷数据为何会让置信区间失效一文中指出，未经校正的合成答案绝不应直接用于总体估计。
\n\n研究检验了 AI 预测能否提升两项美国大型概率抽样调查的精度。根据 Wei 和 Zhu（2026）的报告，基准测试包括：
\n\n研究比较了三类预测器：基于往年调查训练的监督集成模型（“历史”）、在当年数据内交叉拟合的监督模型（“交叉”），以及用 GPT-5-mini、Gemini 2.5 Flash 和 Qwen3（含一个微调的 Qwen3 版本）进行的 LLM 受访者模拟。
\n\nAI 预测提高了总体均值估计的精度，但提升幅度中等，且监督学习模型优于 LLM。下表汇总了论文报告的平均结果。
\n\n| 预测器 | 调查 | 置信区间宽度缩减（均值） | 有效样本量提升（均值） |
|---|---|---|---|
| 历史监督学习模型 | NHIS（健康） | 5.4% | 12.2% |
| 交叉拟合监督学习模型 | NHIS（健康） | 4.3% | 9.8% |
| 最佳 LLM | NHIS（健康） | 1.2% | 2.6% |
| 历史监督学习模型 | GSS（态度） | 3.4% | 7.5% |
| 交叉拟合监督学习模型 | GSS（态度） | 3.0% | 6.5% |
| 最佳 LLM | GSS（态度） | 1.4% | 2.8% |
平均值掩盖了不同结果变量之间的巨大差异。在 NHIS 中，均值提升最大的是自评健康、功能受限和高强度体力活动时长，约为 34–36%。在 GSS 中，表现最好的变量（电脑使用、大麻合法化、住房拥有和社会阶层）约为 21–23%。相比之下，许多社会和政治态度仅凭人口统计信息很难预测。
\n\n回归系数的提升通常比均值更小、也更不稳定。作者解释说，预测器必须降低与某个特定关联相关的变异，而不只是把结果变量预测准。他们的实用建议是：针对你真正关心的估计量来评估预测器，而不是只看整体准确率。
\n\n当还没有任何带标签的训练数据时，例如一道全新的问卷题目，LLM 最有用。监督模型需要以往的答案，而 LLM 只需要人口统计画像和题目措辞。以自评健康为例，Wei 和 Zhu（2026）报告：交叉拟合监督模型在 100 个训练样本时的预测–回答相关系数约为 0.33，1,000 个时约为 0.46，5,000 个时约为 0.49。GPT-5-mini 在没有任何针对该变量训练的情况下约为 0.443，大致相当于约 1,000 个训练样本的监督模型；Gemini 2.5 Flash 较低，约为 0.422。随着训练数据增加，监督模型会反超。
\n\n即使预测准确度不高，也可能改变结果是否达到显著。论文的示例以 1,000 人的问卷为例：若预测器 R² = 0.30、辅助文件为 10,000 条，有效样本量升至约 1,370，仅用问卷时约 0.114 的 p 值降至约 0.064。若 R² = 0.60，有效样本量达到约 2,174（辅助记录 10,000 条）或 2,463（100,000 条），p 值降至约 0.020 或 0.013。背后的经验法则是：有效样本量约为 n / (1 − R²)，因此 R² 为 0.10 时提升 11%，为 0.40 时提升 67%。
\n\n这项研究支持一个简单的设计原则：用 AI 提高每一份真人回答的回报，而不是把真人去掉。具体来说：
\n\n同样的逻辑也适用于大型公共调查之外的场景。如果你用数字孪生样本库来探索想法，应把它们的回答视为暂定预测，并用真实受访者验证关键估计，例如向真实样本发放对话式 AI 问卷。
\n\n不能。在这项研究中，LLM 预测只有在真实问卷回答校正其误差之后才有用。作者认为，把合成答案当作受访者，会让有偏差的结果看起来具有虚假的精确性。
\n\n不是。合成数据用生成的答案替代真实答案；PPI 保留每一个真实答案，只用预测来降低方差，并内置了对模型偏差的校正。
\n\n基于往年调查训练的监督集成模型平均提升最大：NHIS 均值的有效样本量提升 12.2%，GSS 均值提升 7.5%。LLM 的提升较小，但为正。
\n\n预印本为 Lai Wei 与 Yifei Zhu 的《Using AI Predictions to Augment Rather Than Replace Surveys》（arXiv，2026 年 11 月）。作者说明复现材料托管在 OSF 上。
\n\n最后更新：2026 年 11 月 12 日
\n\n本文是 Qualitati 研究团队对第三方研究的独立编辑摘要。Qualitati 与该研究的作者无关联。所有数据均取自原论文，完整方法与注意事项请参阅原文。
\n","related":[{"slug":"llm-simulated-users-stance-stability-audit-2026","title":"LLM 模拟用户的观点稳定吗？2026 年立场模拟审计研究解读","description":"LLM 模拟用户的观点稳定吗？2026 年一项覆盖 1,821 段 Reddit 对话的审计发现，只改写一条消息，GPT-5.2 的模拟立场平均偏移最高可达 49%。","category":"研究方法论","date":"2026-11-13","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"tact-ai-council-thematic-analysis-2026","title":"AI 委员会做主题分析可靠吗？2026 年 TACT 研究结果","description":"三个不同家族的 LLM 组成 AI 委员会做主题分析：TACT 与人工编码的一致性达到 F1 0.72，优于单一模型。本文解读其流程、信度、成本与常见陷阱。","category":"研究方法论","date":"2026-11-05","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"validate-synthetic-survey-samples-three-validity-tests-2026","title":"如何验证合成问卷样本：三种效度检验（2026 研究）","description":"如何验证 LLM 生成的合成问卷样本？2026 年一项欧洲晴雨表研究用 4 个 LLM 检验预测效度、分布效度与实质效度，本文解读关键结果与实践清单。","category":"研究方法论","date":"2026-11-04","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}