(C) unter Verwendung eines Motivs von Andrei Suslov / 123RF.com
In einem kürzlich erschienenen Forschungspapier mit dem Titel “LLMs Reproduce Human Purchase Intent via Semantic Similarity Elicitation of Likert Rating” wird eine Methode beschrieben, mit der große Sprachmodelle anstelle echter Testpersonen nach Kaufabsichten befragt werden.
Marktforschungs-Umfragen unter echten Menschen sind teuer, kosten Zeit, enthalten nicht selten Verzerrungen und skalieren schlecht. All diese Nachteile sollen die digitalen Zwillinge von Testkäufern nicht aufweisen. Allerdings funktionierte das bisher eher schlecht, wenn die Sprachmodelle nach einer numerischen Bewertung, etwa auf einer Skala zwischen 1 und 5 gebeten wurden – dabei entstanden unrealistische Verteilungen der Antworten.
Die neue Methode, genannt Semantic Similarity Rating (SSR), geht nun anders vor: Sie bittet um eine verbale Einschätzung, verwandelt diese in ein Embedding, also eine Vektordarstellung, und vergleicht deren Ähnlichkeit mit der von Referenzaussagen für die Zufriedenheitsstufen. Beim Testen eines umfangreichen Datensatzes, der 57 Umfragen zu Körperpflegeprodukten umfasst, die von einem führenden Unternehmen in diesem Markt durchgeführt wurden (9300 menschliche Antworten), erreicht SSR 90 Prozent der menschlichen Test-Retest-Zuverlässigkeit und behält realistische Antwortverteilungen bei. Das ermöglicht skalierbare Simulationen der Verbraucherforschung, wobei die traditionellen Umfragemetriken und die Interpretierbarkeit erhalten bleibt.
Gerade in Märkten, bei denen die Zeit zwischen Entwurf und Produkt entscheidend für die Position im Markt ist, könnten so bereits im Vorhinein viele Befragungen zu unterschiedlichen Varianten oder Entwicklungsstufen kostengünstig simuliert werden.
