研究规划更适合用蒙特卡洛模拟，而非AI生成的虚拟被试

“硅样本”——由大语言模型根据人口学特征提示生成的合成数据——被认为是一种有用的方法，可通过提供有用的效应量估计来规划人类受试者研究。蒙特卡洛模拟从相反方向解决同样的规划问题：研究者指定一个数据生成过程，然后追问其后果。因此，蒙特卡洛模拟使关于数据生成过程所做的假设变得透明且可检查。相比之下，硅样本则掩埋了这些假设。在本文中，我论证这种不可审视性及其引发的后果，使得硅样本不适合通过效应量估计来为研究规划提供依据。我的结论是，出于这些目的，研究者最好仍坚持使用蒙特卡洛模拟。

中文由 AI 翻译，仅供参考，以原文为准。