简短回答：很多时候是的。韩国延世大学 Chae、Choi、Lee 和 Im 的一项 2026 年研究发现，LLM 模拟的问卷人群要么会缩小国家之间的差异（文化扁平化），要么会把差异放大（文化漫画化）。在常规拟合度指标上得分最好的人设方法，恰恰最严重地抹平了跨国差异，只保留了真实人类数据中 14–59% 的跨国分歧。
最后更新：2026 年 10 月 23 日
\n\n合成受访者正越来越多地被用于跨国问卷的预测试、把样本扩展到调查不足的国家，以及在正式实地调研前检验问卷。大多数验证工作只问一个问题：每个国家的合成答案分布是否接近真实分布？论文《Cultural Divergence Preservation: Diagnosing Flattening and Caricature in LLM-Simulated Survey Populations》（Chae、Choi、Lee 和 Im，2026；已被 EMNLP 2026 Workshop on Pluralistic AI & NLP 接收）提出了比较研究者更关心的第二个问题：国家之间的差异是否被保留下来？
\n\n研究检验了三种常见的合成受访者提示方式，能否在两份知名问卷中保留跨国差异的大小。根据 Chae 等人（2026）的描述，研究设计如下：
\nCDP 衡量合成人群保留了多少真实的国家间差异。对于每个题目，作者把各国的答案分布平均成一个跨国“中心点”，再测量每个国家离它有多远。这一平均距离就是该人群的文化分歧。CDP 用合成数据的分歧除以同一题目、同一组国家下的人类分歧。
\nCDP 为 100% 意味着合成的各国之间差异与真实情况完全一样大。CDP 为 30% 意味着约 70% 的跨国对比消失了；CDP 为 300% 则意味着各国看起来比实际差异大三倍。由于人类参照值在每个问卷领域只需计算一次，它可以被重复用于审计许多模型和提示方法。
\n\n会，而且发生在大多数研究者认为最真实的那种人设方法上。下表汇总了 Chae 等人（2026）在八个模型–领域组合中报告的主要结果。
\n\n| 人设方法 | 提示内容 | 拟合度排名 | CDP 范围 | 失真类型 |
|---|---|---|---|---|
| 文化提示 | 仅出生国和居住国 | 8 个组合中 JSD 均最高 | 184–501% | 漫画化（差异被夸大） |
| PersonaHub 启发法 | 短人设扩展为角色档案 | 居中 | 44–99% | 轻度到中度扁平化 |
| DeepPersona 启发法 | 涵盖人口统计、特质、价值观和生活方式的长结构化档案 | 8 个组合中 7 个原始 WD 最低；8 个中 6 个 JSD 最低 | 14–59% | 每个组合中扁平化都最严重 |
这一模式在国家层面同样成立。文化提示在 36 个国家–模型单元中有 33 个分歧过大，而 DeepPersona 启发法在 36 个中有 33 个分歧不足。PersonaHub 启发法落在人类区间内的单元最多，为 36 个中的 20 个。受访者层面的 bootstrap 在八个组合中的七个证实了 DeepPersona 的扁平化差距；唯一例外是 Llama-2-13B 在大五人格上的结果。
\n\n作者还发现，在 108 个国家条件中有 37 个，合成国家与其人类分布的匹配度优于中位数，但跨国分歧却不到人类水平的一半。换句话说，“拟合良好”与“文化信号丢失”经常同时出现。
\n\n因为从分布匹配的角度看，扁平化的代价很低。在一项受控实验中，作者把真实的人类数据中每个国家都向跨国平均值拉近。在世界价值观调查上，仅向每个国家混入 20% 的中心点，就只剩下人类分歧的 62%，而增加的误差仅约为真实 LLM 条件已有典型 JSD 误差的 0.5%。把所有国家压缩成完全相同的答案分布（即消除所有文化差异），代价也只有该典型 LLM 误差的 9.3%（WVS）和 2.3%（大五人格）。
\n夸大的情况也一样：放大各国偏离会把 CDP 推高到 231–254%，而只增加典型 LLM JSD 的 0.6–3.9%。实际含义是，逐国的拟合度分数主要被其他生成误差主导，因此几乎看不出跨国对比是否得以保留。
\n\n如果你的研究问题是比较性的，例如国家差异、细分人群差异或组间对比，就要验证对比本身，而不只是单独验证每个组。这项研究带来四条实用建议：
\n作者对研究范围有明确说明。CDP 只衡量跨国分歧的大小，不衡量方向，因此两个国家即使互换位置，分数也可能不变。它需要一次性的人类参照值，而且只要国家、题目或量表发生变化就必须重新计算。它无法把文化与其他国家层面的因素（如翻译或作答风格）区分开。证据来自四个开放权重模型、两个问卷领域和英文提示，大五人格分析也只包含三个国家。研究没有测试前沿商业模型。
\n\n文化扁平化指来自不同国家的合成受访者，其回答比这些国家的真实人群更加相似。在 Chae 等人（2026）的研究中，DeepPersona 启发法只保留了真实跨国分歧的 14–59%。
\n文化漫画化是相反的失真：合成的各国差异大于真实差异，夸大了国家刻板印象。在该研究中，仅给出国籍的提示产生了人类跨国分歧 184–501% 的结果。
\n用于预测试和题目检验可以，但需谨慎。对于各国之间差异的实质性结论，这项研究表明合成数据可能在任一方向上扭曲对比，因此结论应以真实受访者的数据为依据。
\n对比较性问题来说不够。研究显示，即使移除全部跨国差异，逐国 JSD 的变化也很小，因此应与组间诊断指标搭配使用。
\n\n来源：Chae, Y., Choi, Y., Lee, S., & Im, I. (2026). Cultural Divergence Preservation: Diagnosing Flattening and Caricature in LLM-Simulated Survey Populations. arXiv:2609.29928. 已被 EMNLP 2026 Workshop on Pluralistic AI & NLP (PANDORA) 接收。
\n\n最后更新：2026 年 10 月 23 日。本文是 Qualitati 研究团队对第三方研究的独立编辑摘要，与论文作者无隶属或背书关系；完整方法与结果请参阅原论文。
\n","related":[{"slug":"synthetic-survey-panels-marginal-fidelity-2026","title":"合成问卷样本库真的在模拟人吗？2026 年的一项检验","description":"合成问卷样本库能模拟真实受访者吗？2026 年研究发现，与公开平均值吻合并不能证明模拟成功：无人设提示在 9 组对比中 9 次胜过人设样本库。","category":"研究方法论","date":"2026-10-22","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"llm-as-judge-qualitative-interpretation-2026","title":"LLM 评审能给定性访谈解读打分吗？2026 年研究的检验","description":"LLM-as-judge 能否替代人工审核定性访谈解读？2026 年一项研究对比 3,560 条 AI 解读与人类评分：它能淘汰弱模型，却漏掉言外之意与细微差别。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"},{"slug":"rehearse-interview-protocol-simulated-participants-2026","title":"能用 AI 模拟受访者预演访谈吗？2026 年研究发现","description":"能否用 AI 模拟受访者预演访谈提纲？一项 2026 年对 21 位定性研究者的研究发现，预演带来了实际的提纲修改，也暴露出三个隐藏风险。","category":"研究方法论","date":"2026-10-21","readTime":"7 分钟阅读","author":"Qualitati 研究团队"}]}