論文の概要: AI-Moderated Interviews for Market Research and Digital Twins Calibration

• arxiv url: http://arxiv.org/abs/2609.29143v1
• Date: Thu, 24 Sep 2026 07:21:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.768293
• Title: AI-Moderated Interviews for Market Research and Digital Twins Calibration
• Title（参考訳）: AIによる市場調査とデジタルツインズ校正のためのインタビュー
• Abstract要約: 我々は,AIを用いたインタビューが人間によるインタビューと一致しているか,あるいはよりシンプルで静的なデータ収集方法を改善するかを検討する。 インタビューデータを用いてデジタルツインを作成し、実際の6つのマーケティング刺激に対する参加者自身の持久的反応に対して各ツインを評価する。 AIによるインタビューで作られたデジタルツインは、人口統計のみのペルソナよりも消費者の反応を良く予測している。
• 参考スコア（独自算出の注目度）: 4.628273051088025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-moderated interviews are emerging as a scalable market-research method for generating consumer insights and building consumer "digital twins." Yet it remains unclear whether they match human-moderated interviews or improve on simpler, static data collection methods. In a pre-registered, between-subjects study (N = 317) with three industry partners, we compare AI-moderated (N = 139), human-moderated (N = 24), and static interviews (N = 154). AI moderation matches human moderation in depth, covers more themes, and, holding budget constant, recovers significantly more customer needs than human moderation or static interviews. However, participants sound more emotionally engaged when speaking to a live human. We then create digital twins using interview data and evaluate each twin against the participant's own held-out responses to six real-world marketing stimuli. We find that digital twins created from AI-moderated interviews predict consumer responses better than demographics-only personas. However, the additional richness from AI moderation does not translate into better quantitative predictions compared to static interviews. By analyzing open-ended thoughts generated from humans versus their twins, we find that prediction errors are connected both to differences in (self-reported) thinking styles between twins and humans, and to gaps between training and validation data (i.e., asking questions that are too far out of distribution).
• Abstract（参考訳）: AIをモデレートしたインタビューは、消費者の洞察を生み出し、消費者に"デジタルツイン"を構築するためのスケーラブルな市場調査方法として浮上している。 しかし、人間によるインタビューにマッチするか、よりシンプルで静的なデータ収集方法を改善するかは不明だ。 事前登録された3つの業界パートナーとのオブジェクト間調査(N = 317)では、AI変調(N = 139)、人間変調(N = 24)、静的インタビュー(N = 154)を比較した。 AIモデレーションは人間のモデレーションと深く一致し、より多くのテーマをカバーし、予算を一定に保ちながら、人間のモデレーションや静的インタビューよりもはるかに多くの顧客ニーズを回復する。 しかし、生の人間に話しかけると、参加者はより感情的に感じられる。 次に、インタビューデータを用いてデジタルツインを作成し、実際の6つのマーケティング刺激に対する参加者自身の持久的反応に対して各ツインを評価する。 AIによるインタビューから生まれたデジタルツインが、人口統計のみのペルソナよりも消費者の反応を良く予測していることがわかりました。 しかし、AIモデレーションによる追加のリッチさは、静的インタビューよりも定量的な予測に変換されない。 人間と双子が生み出す開放的な思考を解析することにより、予測誤差は双子と人間の間の(自己報告された)思考スタイルの違いと、トレーニングと検証データ(つまり、分布から遠すぎる質問)のギャップの両方に関係していることがわかった。

関連論文リスト

• Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond) [90.45301024940329]
  言語モデル(LM)は、多様で人間らしい創造的コンテンツを生成するのに苦労することが多い。 Infinity-Chatは26万の多様な実世界のオープンエンドユーザクエリからなる大規模データセットである。 本研究では, LMのモード崩壊について大規模に検討し, 人工Hivemind効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-10-27T03:16:21Z)
• MimiTalk: Revolutionizing Qualitative Research with Dual-Agent AI [1.8219577154655007]
  我々は、社会科学研究におけるスケーラブルで倫理的な会話データ収集のために設計された、二重エージェントの立憲AIフレームワークであるMimiTalkを紹介する。 研究1では,20名の被験者によるユーザビリティの評価を行い,研究2では121名のAIインタビューをメディアサムデータセットからの1271名の人間インタビューと比較した。 その結果,MimiTalkはインタビューの不安を軽減し,会話のコヒーレンスを維持し,情報豊かさ,コヒーレンス,安定性において人間のインタビューを上回っていることがわかった。
  論文  参考訳（メタデータ） (2025-09-27T16:02:50Z)
• A Mega-Study of Digital Twins Reveals Strengths, Weaknesses and Opportunities for Further Improvement [3.418816254588274]
  個人(デジタル双子)のデジタル表現は、社会科学と意思決定を変革することを約束する。 我々は,米国代表パネルとそのデジタル双生児を対象に,19個の研究を行った。 双子は75%の精度で個々の反応を再現し、人間の答えとの相関は低かった。
  論文  参考訳（メタデータ） (2025-09-23T14:42:14Z)
• Redefining Research Crowdsourcing: Incorporating Human Feedback with LLM-Powered Digital Twins [7.900453156741494]
  Amazon Mechanical TurkやProlificといったクラウドワークプラットフォームは研究に不可欠だが、生成型AIツールの利用の増加が課題となっている。 本稿では、労働者の行動や嗜好をエミュレートするパーソナライズされたAIモデルであるデジタルツインを用いたハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-29T20:55:27Z)
• Mind the Gap! Static and Interactive Evaluations of Large Audio Models [55.87220295533817]
  大型オーディオモデル(LAM)は、音声ネイティブな体験をパワーアップするために設計されている。 本研究は,484名の参加者から,LAMを評価し,7,500名のLAMインタラクションを収集する対話的アプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-21T20:29:02Z)
• Human Bias in the Face of AI: Examining Human Judgment Against Text Labeled as AI Generated [48.70176791365903]
  本研究では、偏見がAIと人為的コンテンツの知覚をどう形成するかを考察する。 ラベル付きおよびラベルなしコンテンツに対するヒトのラッカーの反応について検討した。
  論文  参考訳（メタデータ） (2024-09-29T04:31:45Z)
• Can Machines Imitate Humans? Integrative Turing-like tests for Language and Vision Demonstrate a Narrowing Gap [56.611702960809644]
  3つの言語タスクと3つの視覚タスクで人間を模倣するAIの能力をベンチマークする。 次に,人間1,916名,AI10名を対象に,72,191名のチューリング様試験を行った。 模倣能力は従来のAIパフォーマンス指標と最小限の相関を示した。
  論文  参考訳（メタデータ） (2022-11-23T16:16:52Z)
• Dialogue Response Ranking Training with Large-Scale Human Feedback Data [52.12342165926226]
  ソーシャルメディアのフィードバックデータを利用して、フィードバック予測のための大規模なトレーニングデータセットを構築します。 我々は,1300万対の人間のフィードバックデータに基づくGPT-2モデルであるDialogRPTを訓練した。 我々のランキングは、Redditのフィードバックを予測する上で、従来のダイアログの難易度ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2020-09-15T10:50:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。