市場調査における大規模言語モデル：データ拡張アプローチ

要旨: 大規模言語モデル（LLM）は、複雑な自然言語処理タスクにおいて優れた性能を示すことで、人工知能を大きく変革してきました。人間らしい文章を生成できる能力は、市場調査、特に消費者嗜好の理解が不可欠である一方で多くの場合リソースを要する選択ベースのコンジョイント分析（conjoint analysis）に、新たな可能性を切り開きました。従来の調査ベースの手法には、スケーラビリティとコストの面で限界があるため、LLMが生成したデータは有望な代替手段となります。しかし、LLMは実際の消費者行動を模擬する可能性がある一方で、最近の研究では、両者を置換する際にバイアスが導入されることで、LLM生成データと人間データの間に大きなギャップがあることが示されています。本論文では、このギャップに対処するために、コンジョイント分析においてLLM生成データと実データを効率的に統合する新しい統計的データ拡張アプローチを提案します。これにより、単純に人間データをLLM生成データで置換するだけでバイアスが悪化し得る素朴な手法とは対照的に、統計的に頑健で、一貫性および漸近的に正規な性質を持つ推定量が得られます。さらに、推定誤差に関する有限標本の性能限界も提示します。枠組みの妥当性は、COVID-19ワクチンの選好に関する実証的研究によって検証し、推定誤差の低減と、データおよびコストの節約を24.9%から79.8%達成できることを示します。これに対して、素朴なアプローチは、人間データに比べてLLM生成データに内在するバイアスのため、データ節約に失敗します。スポーツカーの選択に関する別の実証研究でも、結果の頑健性が確認されます。以上の発見は、LLM生成データは人間の応答の直接的な代替にはならないものの、頑健な統計的枠組みの中で用いれば、有用な補完として機能し得ることを示唆しています。