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
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？
核心要点
- 匹配每个国家的答案分布，与保留国家之间的差距，是两种不同的性质。一个合成人群可以在前者上表现良好，却在后者上失败。
- 作者提出了文化分歧保留度（Cultural Divergence Preservation，CDP）：用合成数据的跨国分歧占人类跨国分歧的百分比来表示。低于 100% 表示扁平化，高于 100% 表示漫画化。
- 信息丰富的 DeepPersona 式人设赢得了大多数拟合度比较，但在全部八个模型–领域组合中只保留了人类跨国分歧的 14–59%。
- 只写“你在 X 国出生并生活”的简单提示则恰恰相反，把分歧放大到人类水平的 184–501%。
- 分歧被抹平时，常规拟合度指标几乎不变，因此你可能在常用验证分数毫无察觉的情况下丢失大部分文化信号。
这项研究测试了什么？
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：
- 问卷：世界价值观调查（World Values Survey，第 7 轮）的六个题目，覆盖阿根廷、澳大利亚、德国、印度、肯尼亚和美国，涉及信任、幸福感、国家自豪感以及堕胎是否正当等主题；以及 50 题的 IPIP 大五人格量表，覆盖阿根廷、澳大利亚和印度。
- 模型：四个开放权重 LLM：Gemma-3-4B、Qwen3.5-9B、Qwen3.5-27B 和 Llama-2-13B。
- 人设方法：文化提示（仅说明出生国和居住国）、PersonaHub 启发法（把一句话人设扩展为角色档案），以及 DeepPersona 启发法（包含人口统计、人格、价值观、社交生活和生活方式属性的长模板）。
- 样本：每个国家、方法和模型各生成 300 名模拟受访者，并与真实的各国答案分布进行比较。
- 指标：常规拟合度分数（Wasserstein 距离、Jensen–Shannon 散度和 Kolmogorov–Smirnov），以及新的 CDP 指标。
什么是文化分歧保留度（CDP）？
CDP 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。
CDP 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。
合成受访者会抹平文化差异吗？
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。
| 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。
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。
为什么常规拟合度指标发现不了扁平化？
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）。
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。
这对研究者意味着什么
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：
- 报告组间诊断指标。除了逐组拟合度，还要计算合成样本保留了多少人类组间分歧。CDP 是一种选择；对组别排序做秩相关可以覆盖方向，而这一点 CDP 做不到。
- 不要以为人设越丰富越安全。在这项研究中，最详细的人设模板产生了同质化最严重的国家。作者指出，这可能部分是因为其属性分类没有根据目标国家进行条件化，这本身就是一条设计经验：特定国家的属性需要特定国家的分布。
- 警惕简单提示带来的漫画化。仅给出国籍线索会让各国看起来比实际差异大得多，可能在跨文化结论中制造刻板印象。
- 跨文化结论要有真人参与把关。像数字孪生面板（Digital Twin Panel）这样的合成面板适合用于问卷预测试和发现易混淆的题目，但国家或组间比较应当用真实受访者确认，例如在每个市场开展多语言的 AI 主持访谈。
这项研究有哪些局限？
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。
常见问题
LLM 问卷模拟中的文化扁平化是什么？
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%。
什么是文化漫画化？
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。
我可以用合成受访者做跨国研究吗？
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。
Jensen–Shannon 散度足以验证合成人群吗？
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。
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。
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。