用大型語言模型打造客戶數位雙生(CDT)：以RAG重塑同調分析
傳統同調分析耗時且易造成受訪者疲勞。本研究以大型語言模型建構客戶數位雙生(CDT)，將Reddit使用者評論彙整為個人向量資料庫，結合檢索增強生成(RAG)與提示工程，讓CDT檢索過往偏好並以分割因子設計執行兩兩比較，最後以邏輯迴歸估算偏好效用。驗證顯示CDT對真實使用者預測正確率87.73%。
研究重點
研究提出以大型語言模型驅動的「客戶數位雙生(CDT)」當作虛擬受訪者，以降低同調分析的時間與成本負擔。主要流程包括從Reddit匯整使用者評論、建置個人向量資料庫，並透過檢索增強生成(RAG)與提示工程讓CDT能檢索自身歷史偏好。
方法概要
研究以分割因子設計產生產品組合，讓CDT執行兩兩比較以取得選擇資料；隨後以邏輯迴歸估算各屬性的部分效用(part-worth utilities)。系統透過向量資料庫回溯個人偏好，並以提示工程協助模型在判斷時引用相關歷史資訊。
驗證與案例
實證結果顯示，CDT在模擬真實使用者偏好上的預測正確率達87.73%。在電腦螢幕類別的個案研究中，方法亦成功量化面板類型與解析度等屬性的相互取捨，所得偏好結構與市場觀察具有一致性。
意涵
此框架提供市場研究一條具可擴展性的替代路徑，能在保持偏好解析力的前提下提升調查敏捷性與成本效率，未來可作為傳統同調調查的補充工具。
延伸閱讀
- 價差導出β與錨定—恢復：為LLM輔助貨運談判提供報價單調性保證
- IMPACT-CYCLE：以可版本化語意記憶與契約化多代理提升長影片理解可修正性
- Semantic Prompting 與 S-PRISM：以空間語意互動驅動 LLM 的增量敘事修訂
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
