Syntetyczni respondenci (LLM) w badaniach: co potrafią, a czego nie

Autor: Konrad Hryniewicz · Opublikowano: 15 października 2026

W skrócie: Syntetyczni respondenci to odpowiedzi generowane przez duży model językowy (LLM), który odgrywa uczestnika badania z przypisaną personą. Badania pokazują, że modele często trafnie oddają ogólny obraz odpowiedzi, ale mają za małą zmienność, zniekształcają opinie grup, są niestabilne i zawyżają wielkości efektów. Używaj ich do testowania ankiety, instrukcji i skryptu analiz – nigdy zamiast danych od ludzi – i zawsze opisz ich użycie w pracy.

Czym są syntetyczni respondenci?

Syntetyczni respondenci to odpowiedzi na pytania ankiety albo zadania eksperymentalne generowane przez duży model językowy (ang. large language model, LLM), który odgrywa rolę uczestnika badania. Zwykle model dostaje personę – wiek, płeć, wykształcenie, poglądy, czasem cechy osobowości – i ma odpowiedzieć tak, jak odpowiedziałaby taka osoba. W literaturze spotkasz też nazwy silicon samples („próby krzemowe”), silicon subjects czy LLM personas. Krótką definicję i najważniejsze fakty zebraliśmy w haśle syntetyczni respondenci; tutaj przyglądamy się dowodom i praktyce.

Pomysł spopularyzowały trzy prace z 2023 roku. Argyle i in. (2023) warunkowali GPT-3 tysiącami socjodemograficznych „życiorysów” prawdziwych respondentów dużych amerykańskich sondaży i pokazali, że model odtwarzał rozkłady odpowiedzi wielu podgrup – nazwali to wiernością algorytmiczną (ang. algorithmic fidelity) i zaproponowali „próby krzemowe” jako nowe narzędzie badań społecznych. Horton i in. (2023) zaproponowali traktowanie modeli jako Homo silicus – obliczeniowych modeli ludzi, którym można nadawać zasoby, informacje i preferencje. Dillion i in. (2023) zapytali wprost, czy i kiedy modele językowe mogłyby zastępować uczestników badań psychologicznych – i obok obiecujących wyników sformułowali poważne zastrzeżenia wobec traktowania AI jako uczestnika.

Zanim przejdziemy dalej, oddziel trzy różne zjawiska, które bywają wrzucane do jednego worka:

syntetyczni respondenci jako świadome narzędzie badacza – o nich jest ten wpis;
boty LLM podszywające się pod ludzi w ankietach online – zagrożenie dla jakości danych, któremu poświęcamy osobną sekcję;
dane symulowane w statystyce – dane generowane z modelu o znanych parametrach, na których sprawdza się metodę (takich używamy w przykładach na metodolog.pl, np. we wpisie o nieuważnych odpowiedziach w ankietach). To co innego niż „odgrywanie” ludzi przez model językowy.

Jak to działa w praktyce?

Typowa procedura ma pięć kroków: (1) opisujesz personę, (2) dodajesz instrukcję i pytanie z ankiety, (3) model generuje odpowiedź, (4) powtarzasz to dla wielu person i wielu pytań, (5) zbierasz odpowiedzi w zbiór danych, który wygląda jak wyniki ankiety. Przykładowy szablon polecenia:

Jesteś 22-letnią studentką psychologii z dużego miasta. Mieszkasz w akademiku i pracujesz dorywczo w weekendy. Odpowiedz na poniższe stwierdzenie tak, jak odpowiedziałaby ta osoba. Wybierz jedną odpowiedź na skali od 1 (zdecydowanie się nie zgadzam) do 5 (zdecydowanie się zgadzam) i podaj tylko liczbę. Stwierdzenie: „W ostatnim miesiącu często czułam się przytłoczona obowiązkami”.

Już ten prosty szablon pokazuje, ile decyzji podejmuje badacz: który model i w jakiej wersji, jak opisać personę, jakie cechy jej nadać, w jakiej kolejności podać odpowiedzi, jak ustawić parametry generowania (np. temperaturę) i ile razy powtórzyć zapytanie. Każda z tych decyzji może zmienić wynik – dlatego wszystkie trzeba zapisać i opisać w pracy.

Co potrafią: obiecujące wyniki

Badania nad syntetycznymi respondentami nie są jednostronne. Kilka prac pokazuje, że modele zaskakująco dobrze oddają ogólny obraz ludzkich odpowiedzi:

Rozkłady odpowiedzi podgrup. W badaniu Argyle i in. (2023) model warunkowany życiorysami respondentów odtwarzał rozkłady odpowiedzi wielu podgrup demograficznych.
Klasyczne eksperymenty. Aher i in. (2023) wprowadzili „eksperymenty Turinga”, sprawdzające, na ile model symuluje reprezentatywną próbę uczestników. Nowsze modele odtworzyły klasyczne wyniki: grę w ultimatum, przetwarzanie zdań typu garden path i eksperyment Milgrama. Horton i in. (2023) uzyskali jakościowo podobne wyniki w symulacjach klasycznych eksperymentów ekonomii behawioralnej i uznali, że modele mogą służyć do wstępnego „pilotowania” badań przed testami na ludziach.
Przewidywanie wyników eksperymentów. Najmocniejsze dane przynosi praca Ashokkumar i in. (2026). Na archiwum 70 prerejestrowanych eksperymentów sondażowych na reprezentatywnych próbach z USA (469 efektów, 119 330 uczestników) efekty przewidywane na podstawie symulacji GPT-4 silnie korelowały z rzeczywistymi – z trafnością zbliżoną do połączonych prognoz ludzi, także dla badań spoza danych treningowych.

Wspólny mianownik tych wyników: modele często dobrze oddają kierunek i ogólny obraz – typową odpowiedź grupy albo to, który z efektów będzie silniejszy. To czyni je użytecznymi do generowania hipotez i wstępnego sprawdzania pomysłów. Już w tych samych pracach widać jednak sygnały ostrzegawcze: w zadaniu „mądrości tłumu” część modeli (m.in. ChatGPT i GPT-4) wykazywała zniekształcenie „hiperdokładności” (Aher i in., 2023), a symulacje GPT-4 systematycznie zawyżały wielkości efektów (Ashokkumar i in., 2026).

Czego nie potrafią: ograniczenia potwierdzone w badaniach

Lista ograniczeń jest dłuższa i – z perspektywy pracy empirycznej – ważniejsza. Zebraliśmy je w tabeli, razem z konsekwencjami dla Twojego badania.

Ograniczenia syntetycznych respondentów potwierdzone w badaniach i ich konsekwencje
Problem	Co pokazano	Co to oznacza dla badania
Za mała zmienność	Odpowiedzi „person” ChatGPT miały średnie zbliżone do sondażu ANES, ale mniejszą zmienność niż prawdziwe dane (Bisbee i in., 2024); GPT-3.5 dawał zerową lub prawie zerową zmienność odpowiedzi na niuansowe pytania o poglądy, preferencje i oceny moralne – efekt „poprawnej odpowiedzi” (Park i in., 2024)	Zaniżona wariancja i zbyt jednolite odpowiedzi; nie szacuj na takich danych rzetelności skali ani rozkładów
Inne związki między zmiennymi	Współczynniki regresji z danych syntetycznych często istotnie różniły się od współczynników z prawdziwego sondażu (Bisbee i in., 2024)	Nie testuj na takich danych hipotez o związkach
Niestabilność	Wyniki zależały od drobnych zmian w sformułowaniu polecenia i zmieniały się w ciągu 3 miesięcy (Bisbee i in., 2024)	Trudno odtworzyć wynik; zapisuj wersję modelu, datę i pełne polecenia
Słaba replikacja efektów	W replikacji 14 badań projektu Many Labs 2 z GPT-3.5 w ośmiu badaniach, które dało się przeanalizować, odtworzono 37.5% oryginalnych wyników; sześciu badań nie dało się przeanalizować (Park i in., 2024)	To, że model „odtworzył” efekt, nie dowodzi, że wystąpi on u ludzi – i odwrotnie
Rozbieżność z opiniami grup	Opinie odzwierciedlane przez modele znacznie odbiegały od opinii 60 grup demograficznych w USA – rozbieżność była porównywalna z podziałem między demokratami a republikanami w sprawie klimatu i utrzymywała się po sterowaniu modelem w stronę grupy; słabo reprezentowane były m.in. osoby 65+ i owdowiałe (Santurkar i in., 2023)	Model nie „zna” Twojej populacji, zwłaszcza grup rzadziej obecnych w danych
Spłaszczanie i przeinaczanie grup	W badaniach z udziałem 3200 osób z 16 grup tożsamościowych i czterech modeli LLM używane zamiast uczestników przeinaczały i spłaszczały obraz grup, a prompty tożsamościowe mogły esencjalizować tożsamości (Wang i in., 2025)	Nie używaj person do opisu doświadczeń grup, zwłaszcza gdy tożsamość ma znaczenie dla zadania
Artefakty kolejności i etykiet	W badaniu 43 modeli na pytaniach z American Community Survey odpowiedzi były zdominowane przez efekty kolejności i etykiet (np. preferencję odpowiedzi „A”); po losowaniu kolejności zbliżały się do rozkładu jednostajnego (Dominguez-Olmedo i in., 2024)	Pozorna „zgodność” modelu z grupą może być artefaktem – losuj kolejność odpowiedzi
Brak ludzkich efektów sformułowania	Spośród dziewięciu modeli popularne modele (zwłaszcza dostrajane metodą RLHF) na ogół nie odtwarzały ludzkich tendencyjności odpowiedzi na sformułowanie pytań, a reagowały też na zmiany, które na ludzi nie wpływają (Tjuatja i in., 2024)	Pretest na LLM nie zastąpi pretestu na ludziach
Kontekst nieanglojęzyczny	GPT-3.5 szacujący decyzje wyborcze syntetycznej próby odpowiadającej respondentom niemieckiego badania GLES 2017 faworyzował Zielonych i Lewicę oraz pomijał bardziej złożone czynniki decyzji (von der Heyde i in., 2026)	W badaniu w Polsce ryzyko zniekształceń trzeba traktować poważnie

Te wyniki układają się w spójny obraz. Model językowy uczy się na tekstach, a nie na losowej próbie populacji – trudno więc mówić o reprezentatywności w sensie znanym z doboru próby – a jego odpowiedzi kształtuje dodatkowo dostrajanie i sposób zadania pytania. Bisbee i in. (2024) konkludują, że niska zmienność, inne współczynniki i niestabilność podważają użyteczność takich danych do wnioskowania statystycznego. Syntetyczne odpowiedzi mogą przypominać ludzkie „średnio”, ale nie mają ludzkiej zmienności, ludzkich związków między zmiennymi ani ludzkiej wrażliwości na sformułowanie pytań – a to właśnie te własności danych są podstawą analizy statystycznej.

Do czego tak, a do czego nie – zestawienie

Z dowodów wynika dość jasny podział. Syntetyczni respondenci nadają się do testowania narzędzia i procedury, a nie do mierzenia ludzi.

Zastosowania syntetycznych respondentów: do czego się nadają, a do czego nie
Zastosowanie	Czy warto?	Dlaczego
Sprawdzenie, czy ankieta „działa”: filtry, przejścia, czas wypełniania, wygląd na telefonie	Tak	To test techniczny narzędzia, a nie pomiar cech ludzi
Wyłapanie niejasnych pytań, dwuznacznych sformułowań i błędów w kafeteriach	Tak, jako uzupełnienie	Model wskaże kandydatów do poprawy, ale nie reaguje na sformułowania jak ludzie (Tjuatja i in., 2024) – potwierdź je w wywiadzie poznawczym
„Test obciążeniowy” instrukcji i pytań kontrolnych	Tak	Model wskaże miejsca, w których polecenie da się zrozumieć na kilka sposobów; ostateczny test należy do ludzi, a boty i tak zaliczają pytania kontrolne (Westwood, 2025)
Generowanie hipotez i pomysłów na badanie	Tak, ostrożnie	Efekty przewidywane na podstawie symulacji silnie korelowały z rzeczywistymi (Ashokkumar i in., 2026), ale hipotezę i tak testujesz na ludziach
Próbne uruchomienie planu analiz: kodowanie, skrypt, tabele	Tak	Sprawdzasz potok analityczny, nie wyniki; równie dobrze sprawdzą się dane symulowane o znanych parametrach
Szacowanie wielkości efektu do analizy mocy	Nie	Symulacje zawyżały wielkości efektów (Ashokkumar i in., 2026), więc zaplanujesz za małą próbę
Szacowanie rzetelności (α, ω) i rozkładów odpowiedzi	Nie	Za mała zmienność i efekt „poprawnej odpowiedzi” (Bisbee i in., 2024; Park i in., 2024)
Zastąpienie uczestników w pracy dyplomowej lub artykule	Nie	Wyniki nie dotyczą żadnej populacji ludzi – to nie są dane empiryczne
„Dopompowanie” próby: dołączenie syntetycznych osób do ludzkich	Nie	Sztucznie zawyża N i zaniża zmienność, a przedstawianie takich danych jako ludzkich to fabrykowanie danych
Opis doświadczeń grup mniejszościowych lub tożsamościowych	Nie	Spłaszczanie i przeinaczanie grup (Wang i in., 2025; Santurkar i in., 2023)
Zastąpienie sondażu w polskim kontekście	Nie	Zniekształcenia poza kontekstem anglojęzycznym (von der Heyde i in., 2026)

Szczególnie groźny jest wiersz o analizie mocy. Kuszące jest „zapytać model”, jak duży będzie efekt, i na tej podstawie policzyć liczebność próby. Jeśli symulacja zawyża efekt, analiza mocy a priori da zbyt małą próbę, a badanie będzie miało niską moc. Wielkość efektu do planowania bierz z metaanaliz, wcześniejszych badań albo z uzasadnienia, jaki najmniejszy efekt ma znaczenie praktyczne (zob. wielkość efektu).

Jak rozsądnie użyć syntetycznych respondentów w pilotażu

Jeśli chcesz wykorzystać syntetycznych respondentów przy przygotowaniu badania, potraktuj ich jako jeden z etapów pretestu, a nie jego zamiennik. Sprawdzona kolejność:

Zapisz cel symulacji przed jej uruchomieniem: co ma sprawdzić – przebieg ankiety, zrozumiałość pytań, kodowanie zmiennych, skrypt analiz?
Przejrzyj ankietę „na zimno” według listy kontrolnej – symulacja nie naprawi źle postawionego problemu badawczego (zob. jak zrobić ankietę do pracy dyplomowej i najczęstsze błędy w ankietach).
Zbuduj zróżnicowane persony (wiek, wykształcenie, sytuacja życiowa, cechy osobowości), ale nie traktuj ich jako próby z populacji.
Uruchom symulację wiele razy: z różnymi sformułowaniami instrukcji, z losową kolejnością odpowiedzi (Dominguez-Olmedo i in., 2024), najlepiej na więcej niż jednym modelu.
Szukaj problemów strukturalnych: pozycji, na które wszystkie persony odpowiadają tak samo, sprzeczności przy pozycjach odwróconych, odpowiedzi „obok” kafeterii, błędów filtrów, zbyt długich tabel.
Przepuść wygenerowane dane przez cały skrypt – od wczytania pliku po tabele wyników; zobacz, jak przygotować dane w poradniku dane z Google Forms i LimeSurvey do SPSS i R.
Popraw narzędzie i sprawdź je na ludziach: w wywiadach poznawczych i w krótkim badaniu pilotażowym (zob. poradnik badanie pilotażowe: po co, ile osób, co sprawdzić).
Dokumentuj wszystko: model, wersję, daty, parametry, polecenia i liczbę przebiegów – przyda się w rozdziale metodologicznym.

Każda metoda pretestu odpowiada na inne pytania. Zestawienie pomoże zaplanować, co sprawdzisz w symulacji, a co wymaga udziału ludzi:

Co można sprawdzić za pomocą syntetycznych respondentów, wywiadu poznawczego i pilotażu z ludźmi
Co chcesz sprawdzić	Syntetyczni respondenci	Wywiad poznawczy	Pilotaż z ludźmi
Błędy techniczne: filtry, przejścia, wymuszone odpowiedzi	Tak	Częściowo	Tak
Czas wypełniania	Orientacyjnie	Nie	Tak
Czy respondenci rozumieją pytania tak jak badacz	Nie – tylko kandydaci do poprawy	Tak	Częściowo
Rozkłady odpowiedzi, efekt sufitu i podłogi	Nie	Nie	Orientacyjnie
Rzetelność skal	Nie	Nie	Wstępnie, przy większej próbie
Działanie skryptu analiz i kodowania zmiennych	Tak	Nie	Tak
Rekrutacja, odsetek odpowiedzi, porzucenia ankiety	Nie	Nie	Tak

Na metodolog.pl taki pilotaż prowadzimy jako usługę badania pilotażowe AI, którą poprzedza AI audyt ankiety. Opisujemy ją wprost jako uzupełnienie, a nie zastępstwo badania z ludźmi: dane syntetyczne służą do testu narzędzia i planu analiz, a nie do wniosków o populacji; odpowiedzi person są zwykle bardziej spójne niż ludzkie, więc pilotaż AI nie przewiduje rzetelności skali w badaniu właściwym. Po takim pilotażu nadal zalecamy krótki pilotaż z udziałem ludzi na poprawionej wersji narzędzia.

Jak opisać użycie syntetycznych respondentów w pracy

Jeżeli syntetyczni respondenci pomogli Ci przygotować badanie, napisz o tym otwarcie. Resnik i Hosseini (2026) proponują, by ujawnienie użycia AI było obowiązkowe wtedy, gdy użycie jest celowe i istotne – czyli gdy AI wpływa na decyzje dotyczące wyników, generuje treści, dane lub obrazy albo je analizuje. Generowanie odpowiedzi „respondentów” mieści się w tej definicji. Ogólne zasady opisu narzędzi AI w pracy dyplomowej znajdziesz we wpisie jak opisać użycie AI w pracy dyplomowej, a szerszy kontekst – w tekście o etyce AI w publikacjach naukowych.

W rozdziale metodologicznym albo w aneksie podaj:

nazwę, wersję i dostawcę modelu oraz daty generowania;
parametry generowania i liczbę przebiegów;
pełne polecenia i opis person (najlepiej w aneksie);
cel symulacji i wyraźną informację, że wygenerowanych odpowiedzi nie włączono do analiz;
co zmieniono w narzędziu na podstawie symulacji;
jak zweryfikowano te zmiany z udziałem ludzi.

Wzór akapitu do rozdziału metodologicznego (uzupełnij nawiasy):

Przed badaniem właściwym przeprowadzono pretest kwestionariusza z udziałem syntetycznych respondentów generowanych przez duży model językowy [nazwa, wersja i dostawca modelu; daty generowania]. Model odgrywał [liczba] person zróżnicowanych pod względem [cechy]; pełne polecenia przedstawiono w Aneksie [litera]. Każdą ankietę wygenerowano [liczba] razy przy losowej kolejności odpowiedzi. Symulacja służyła wyłącznie do wykrycia problemów technicznych i niejasnych sformułowań oraz do sprawdzenia skryptu analitycznego; wygenerowanych odpowiedzi nie włączono do analiz. Na tej podstawie [opis zmian w narzędziu], a poprawioną wersję sprawdzono w [wywiadach poznawczych / pilotażu] z udziałem [liczba] osób z populacji docelowej.

Przykłady złego i dobrego opisu użycia syntetycznych respondentów
Źle	Dobrze
„Badanie pilotażowe wykazało wysoką rzetelność skali” – gdy „respondentami” były persony LLM	„Symulacja z udziałem syntetycznych respondentów posłużyła do sprawdzenia przebiegu ankiety; rzetelność skali oceniono na danych z badania właściwego”
„Próbę uzupełniono odpowiedziami wygenerowanymi przez AI”	Nie łącz danych syntetycznych z ludzkimi; jeśli próba jest mała, opisz to jako ograniczenie i pokaż przedziały ufności
„Korzystano z ChatGPT”	Nazwa i wersja modelu, daty, parametry, cel użycia i polecenia w aneksie
„Wielkość efektu do analizy mocy oszacowano na podstawie symulacji z modelem językowym”	Wielkość efektu z metaanalizy lub wcześniejszych badań albo najmniejszy efekt istotny praktycznie

Etyka: uczciwość, reprezentacja i prywatność

Uczciwość. Przedstawienie odpowiedzi wygenerowanych przez model jako danych od ludzi to fabrykowanie danych – niezależnie od tego, jak „realistycznie” wyglądają. To samo dotyczy przemilczenia, że część próby była syntetyczna.
Reprezentacja. Wang i in. (2025) apelują o ostrożność, gdy tożsamość uczestników ma znaczenie dla zadania: modele przeinaczają i spłaszczają obraz grup, a polecenia oparte na tożsamości mogą ją esencjalizować. Persona „starszej osoby” albo „osoby z niepełnosprawnością” nie mówi w imieniu tych grup.
Prywatność. Jeśli chcesz tworzyć „cyfrowe bliźniaki” prawdziwych respondentów, przekazując ich odpowiedzi lub wywiady do zewnętrznego narzędzia AI, przetwarzasz dane osobowe. Sprawdź, czy obejmuje to zgoda uczestników i zasady RODO (zob. świadoma zgoda i RODO w badaniach).
Odpowiedzialność. Za wnioski odpowiada badacz, nie model. Weryfikuj każdy wynik pracy z AI – dotyczy to także źródeł: modele potrafią zmyślać bibliografię (zob. halucynacje AI w bibliografii i poradnik jak sprawdzić, czy AI nie zmyśliło bibliografii).

Druga strona medalu: boty LLM w ankietach online

Syntetyczni respondenci mogą też trafić do Twoich danych bez Twojej wiedzy. Westwood (2025) zbudował autonomicznego „syntetycznego respondenta” opartego na LLM, który zaliczył 99.8% z 6000 prób standardowych pytań kontrolnych, utrzymywał spójną personę demograficzną i potrafił zarówno celowo zmieniać wyniki sondaży, jak i generować dane „potwierdzające” domyślane hipotezy badacza. Autor wnioskuje, że większość obecnych metod wykrywania jest nieskuteczna w niekontrolowanych badaniach online.

Co z tego wynika dla ankiety do pracy dyplomowej?

Kontroluj kanał rekrutacji: zamknięte grupy, imienne zaproszenia, sprawdzone panele zamiast publicznego linku w dużych grupach (zob. gdzie znaleźć respondentów do ankiety).
Nie polegaj wyłącznie na pytaniach kontrolnych – łącz je z czasem odpowiedzi, wzorcami odpowiedzi i analizą pytań otwartych (zob. straightlining i nieuważne odpowiedzi).
Obserwuj tempo napływu odpowiedzi – nagły wysyp kompletnych ankiet w krótkim czasie to sygnał ostrzegawczy.
Opisz w pracy, jak kontrolowano jakość danych – procedurę czyszczenia danych z ankiety pokazujemy krok po kroku we wpisie o nieuważnych odpowiedziach w ankietach online.

Najczęstsze błędy

Traktowanie syntetycznych odpowiedzi jak danych empirycznych – wnioski o ludziach wymagają danych od ludzi.
Łączenie danych syntetycznych z ludzkimi w jednej próbie – zawyża N, zaniża zmienność i fałszuje błędy standardowe.
Analiza mocy na efektach z symulacji – efekty bywają zawyżone (Ashokkumar i in., 2026).
Ocena rzetelności skali na personach – syntetyczne odpowiedzi są zbyt jednolite (Park i in., 2024).
Brak zapisu wersji modelu i poleceń – wyniki zmieniają się z czasem i pod wpływem drobnych zmian w poleceniu (Bisbee i in., 2024).
Wnioski o grupach mniejszościowych z person (Wang i in., 2025).
Przekonanie, że model „rozumie” pytanie jak respondent – nie odtwarza ludzkich efektów sformułowania (Tjuatja i in., 2024).
Przenoszenie wyników z badań amerykańskich na polski kontekst bez sprawdzenia (von der Heyde i in., 2026).
Ukrywanie użycia AI – generowanie danych to użycie istotne, które trzeba ujawnić (Resnik i Hosseini, 2026).

Najczęstsze pytania

Czy syntetyczni respondenci mogą zastąpić ankietę w pracy dyplomowej?

Nie. Odpowiedzi wygenerowane przez model nie dotyczą żadnej populacji ludzi: mają za małą zmienność, inne związki między zmiennymi i zmieniają się wraz z poleceniem i czasem (Bisbee i in., 2024). Mogą pomóc przygotować ankietę, ale wnioski w pracy muszą opierać się na danych od ludzi.

Do czego można użyć syntetycznych respondentów?

Do testowania narzędzia i procedury: sprawdzenia przebiegu ankiety, wyłapania niejasnych pytań i błędów w kafeteriach, próbnego uruchomienia skryptu analiz oraz szukania pomysłów na hipotezy. Wnioski z takiej symulacji potwierdzaj na ludziach – w wywiadach poznawczych i pilotażu.

Czy można dodać odpowiedzi z AI do prawdziwej próby?

Nie. Takie „dopompowanie” próby sztucznie zawyża N i zaniża zmienność, a przedstawienie syntetycznych odpowiedzi jako ludzkich to fabrykowanie danych. Jeśli próba jest mała, opisz to jako ograniczenie badania i pokaż przedziały ufności.

Czy na podstawie symulacji z LLM można zaplanować liczebność próby?

Lepiej nie. W analizie 70 eksperymentów sondażowych efekty przewidywane na podstawie symulacji GPT-4 silnie korelowały z rzeczywistymi, ale systematycznie zawyżały ich wielkość (Ashokkumar i in., 2026). Zawyżony efekt w analizie mocy oznacza zbyt małą próbę.

Jak opisać użycie syntetycznych respondentów w pracy?

Podaj model i jego wersję, daty, parametry, liczbę przebiegów, cel symulacji i informację, że wygenerowanych odpowiedzi nie włączono do analiz; pełne polecenia umieść w aneksie. Generowanie danych przez AI to użycie istotne, które należy ujawnić (Resnik i Hosseini, 2026).

Czy pytania kontrolne chronią ankietę przed botami AI?

Same nie wystarczą. Bot oparty na dużym modelu językowym zaliczył 99.8% z 6000 prób standardowych pytań kontrolnych (Westwood, 2025). Kontroluj kanał rekrutacji, analizuj czas i wzorce odpowiedzi oraz odpowiedzi na pytania otwarte.

Powiązane hasła

Przeczytaj też

Poradnik

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizę Oferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

Aher, G. V., Arriaga, R. I., & Kalai, A. T. (2023). Using large language models to simulate multiple humans and replicate human subject studies. In A. Krause, E. Brunskill, K. Cho, B. Engelhardt, S. Sabato, & J. Scarlett (Eds.), Proceedings of the 40th International Conference on Machine Learning (Vol. 202, pp. 337–371). PMLR. https://proceedings.mlr.press/v202/aher23a.html ● Otwarty dostęp
Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., & Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351. https://doi.org/10.1017/pan.2023.2 ● Otwarty dostęp
Ashokkumar, A., Hewitt, L., Ghezae, I., & Willer, R. (2026). Large language models can predict the results of social science experiments. Nature, 656(8126), 115–122. https://doi.org/10.1038/s41586-026-10742-x ● Otwarty dostęp: pełny tekst
Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B., & Larson, J. M. (2024). Synthetic replacements for human survey data? The perils of large language models. Political Analysis, 32(4), 401–416. https://doi.org/10.1017/pan.2024.5 ● Otwarty dostęp
Dillion, D., Tandon, N., Gu, Y., & Gray, K. (2023). Can AI language models replace human participants? Trends in Cognitive Sciences, 27(7), 597–600. https://doi.org/10.1016/j.tics.2023.04.008
Dominguez-Olmedo, R., Hardt, M., & Mendler-Dünner, C. (2024). Questioning the survey responses of large language models. In Advances in Neural Information Processing Systems 37 (NeurIPS 2024) (pp. 45850–45878). Neural Information Processing Systems Foundation. https://doi.org/10.52202/079017-1458 ● Otwarty dostęp: pełny tekst
Horton, J. J., Filippas, A., & Manning, B. S. (2023). Large language models as simulated economic agents: What can we learn from Homo silicus? National Bureau of Economic Research. https://doi.org/10.3386/w31122 ● Otwarty dostęp
Park, P. S., Schoenegger, P., & Zhu, C. (2024). Diminished diversity-of-thought in a standard large language model. Behavior Research Methods, 56(6), 5754–5770. https://doi.org/10.3758/s13428-023-02307-x ● Otwarty dostęp
Resnik, D. B., & Hosseini, M. (2026). Disclosing artificial intelligence use in scientific research and publication: When should disclosure be mandatory, optional, or unnecessary? Accountability in Research, 33(2), Article 2481949. https://doi.org/10.1080/08989621.2025.2481949 ● Otwarty dostęp
Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P., & Hashimoto, T. (2023). Whose opinions do language models reflect? In A. Krause, E. Brunskill, K. Cho, B. Engelhardt, S. Sabato, & J. Scarlett (Eds.), Proceedings of the 40th International Conference on Machine Learning (Vol. 202, pp. 29971–30004). PMLR. https://proceedings.mlr.press/v202/santurkar23a.html ● Otwarty dostęp
Tjuatja, L., Chen, V., Wu, T., Talwalkar, A., & Neubig, G. (2024). Do LLMs exhibit human-like response biases? A case study in survey design. Transactions of the Association for Computational Linguistics, 12, 1011–1026. https://doi.org/10.1162/tacl_a_00685 ● Otwarty dostęp
von der Heyde, L., Haensch, A.-C., & Wenz, A. (2026). Vox populi, vox AI? Using large language models to estimate German vote choice. Social Science Computer Review, 44(3), 549–571. https://doi.org/10.1177/08944393251337014 ● Otwarty dostęp
Wang, A., Morgenstern, J., & Dickerson, J. P. (2025). Large language models that replace human participants can harmfully misportray and flatten identity groups. Nature Machine Intelligence, 7(3), 400–411. https://doi.org/10.1038/s42256-025-00986-z ● Otwarty dostęp: pełny tekst
Westwood, S. J. (2025). The potential existential threat of large language models to online survey research. Proceedings of the National Academy of Sciences, 122(47), Article e2518075122. https://doi.org/10.1073/pnas.2518075122 ● Otwarty dostęp

Cytowania BibTeX

@inproceedings{aher2023using, author={Aher, Gati V. and Arriaga, Rosa I. and Kalai, Adam Tauman}, title={{Using large language models to simulate multiple humans and replicate human subject studies}}, booktitle={Proceedings of the 40th International Conference on Machine Learning}, year={2023}, volume={202}, pages={337--371}, publisher={PMLR}, url={https://proceedings.mlr.press/v202/aher23a.html}}

@article{argyle2023out, author={Argyle, Lisa P. and Busby, Ethan C. and Fulda, Nancy and Gubler, Joshua R. and Rytting, Christopher and Wingate, David}, title={{Out of one, many: Using language models to simulate human samples}}, journal={Political Analysis}, year={2023}, volume={31}, number={3}, pages={337--351}, doi={10.1017/pan.2023.2}}

@article{ashokkumar2026large, author={Ashokkumar, Ashwini and Hewitt, Luke and Ghezae, Isaias and Willer, Robb}, title={{Large language models can predict the results of social science experiments}}, journal={Nature}, year={2026}, volume={656}, number={8126}, pages={115--122}, doi={10.1038/s41586-026-10742-x}}

@article{bisbee2024synthetic, author={Bisbee, James and Clinton, Joshua D. and Dorff, Cassy and Kenkel, Brenton and Larson, Jennifer M.}, title={{Synthetic replacements for human survey data? The perils of large language models}}, journal={Political Analysis}, year={2024}, volume={32}, number={4}, pages={401--416}, doi={10.1017/pan.2024.5}}

@article{dillion2023can, author={Dillion, Danica and Tandon, Niket and Gu, Yuling and Gray, Kurt}, title={{Can AI language models replace human participants?}}, journal={Trends in Cognitive Sciences}, year={2023}, volume={27}, number={7}, pages={597--600}, doi={10.1016/j.tics.2023.04.008}}

@inproceedings{dominguezolmedo2024questioning, author={Dominguez-Olmedo, Ricardo and Hardt, Moritz and Mendler-Dünner, Celestine}, title={{Questioning the survey responses of large language models}}, booktitle={Advances in Neural Information Processing Systems 37 (NeurIPS 2024)}, year={2024}, pages={45850--45878}, publisher={Neural Information Processing Systems Foundation}, doi={10.52202/079017-1458}}

@techreport{horton2023large, author={Horton, John J. and Filippas, Apostolos and Manning, Benjamin S.}, title={{Large language models as simulated economic agents: What can we learn from Homo silicus?}}, year={2023}, institution={National Bureau of Economic Research}, doi={10.3386/w31122}}

@article{park2024diminished, author={Park, Peter S. and Schoenegger, Philipp and Zhu, Chongyang}, title={{Diminished diversity-of-thought in a standard large language model}}, journal={Behavior Research Methods}, year={2024}, volume={56}, number={6}, pages={5754--5770}, doi={10.3758/s13428-023-02307-x}}

@article{resnik2026disclosing, author={Resnik, David B. and Hosseini, Mohammad}, title={{Disclosing artificial intelligence use in scientific research and publication: When should disclosure be mandatory, optional, or unnecessary?}}, journal={Accountability in Research}, year={2026}, volume={33}, number={2}, eid={2481949}, doi={10.1080/08989621.2025.2481949}}

@inproceedings{santurkar2023whose, author={Santurkar, Shibani and Durmus, Esin and Ladhak, Faisal and Lee, Cinoo and Liang, Percy and Hashimoto, Tatsunori}, title={{Whose opinions do language models reflect?}}, booktitle={Proceedings of the 40th International Conference on Machine Learning}, year={2023}, volume={202}, pages={29971--30004}, publisher={PMLR}, url={https://proceedings.mlr.press/v202/santurkar23a.html}}

@article{tjuatja2024llms, author={Tjuatja, Lindia and Chen, Valerie and Wu, Tongshuang and Talwalkar, Ameet and Neubig, Graham}, title={{Do LLMs exhibit human-like response biases? A case study in survey design}}, journal={Transactions of the Association for Computational Linguistics}, year={2024}, volume={12}, pages={1011--1026}, doi={10.1162/tacl_a_00685}}

@article{vonderheyde2026vox, author={von der Heyde, Leah and Haensch, Anna-Carolina and Wenz, Alexander}, title={{Vox populi, vox AI? Using large language models to estimate German vote choice}}, journal={Social Science Computer Review}, year={2026}, volume={44}, number={3}, pages={549--571}, doi={10.1177/08944393251337014}}

@article{wang2025large, author={Wang, Angelina and Morgenstern, Jamie and Dickerson, John P.}, title={{Large language models that replace human participants can harmfully misportray and flatten identity groups}}, journal={Nature Machine Intelligence}, year={2025}, volume={7}, number={3}, pages={400--411}, doi={10.1038/s42256-025-00986-z}}

@article{westwood2025potential, author={Westwood, Sean J.}, title={{The potential existential threat of large language models to online survey research}}, journal={Proceedings of the National Academy of Sciences}, year={2025}, volume={122}, number={47}, eid={e2518075122}, doi={10.1073/pnas.2518075122}}