AIによる消費者調査パネル化に向けて：個人モデルを作ってアンケートに回答させる

3秒まとめ#

• 自分自身の個人モデルを構築し、アンケート回答を自動化する PoC「bunshin」を実装（N=1 の予備実験）
• ホールドアウト 10 問: 単一選択 accuracy 71.4％（5/7）、Likert ±1 以内 66.7％（2/3）、MAE 1.0
• 自由対話チャットでは本人らしい応答が観察され、強制選択と自由生成の非対称性 が示唆された

対象読者#

• 消費者調査・マーケティングリサーチの実務に携わる方
• LLM を用いた個人モデルや合成回答者（synthetic respondents）の動向に関心がある方
• 「LLM にアンケート回答を代行させる」アプローチの実現可能性を検討している方

背景：1 年半前に執筆した記事の位置づけ#

1 年半前、筆者は「AI が消費者調査にもたらす未来」と題したブログ記事を執筆しました。

要旨は、定性調査・定量調査の各フェーズに AI がどのように関与し得るかを CTO の立場から整理したものです。当時は構想段階の議論にとどまり、具体的な実装には踏み込んでいませんでした。

1 年半が経過し、LLM の進展は予想を上回るものとなりました。特に、定量調査の「実査（アンケート回答収集）」フェーズの自動化 は、当時は実装可能性の低いテーマと位置付けていましたが、現時点では現実的な選択肢として論じられる水準に達しています。

実査自動化の便益#

定量調査における実査とは「アンケートを配布し、回答を収集する」フェーズを指します。本フェーズはリサーチ全体の所要時間とコストの大きな部分を占め、ボトルネックとなる傾向があります。

LLM による自動化が実現すれば、利害関係者全員に便益が生じます。

• パネル側（回答者）: アンケート回答に要する時間を削減できる
• 回収側（リサーチ会社・事業会社）: 数日単位を要していたフィードバックが数十秒から数分で得られ、仮説検証サイクルが短縮される
• クライアント: 探索的リサーチを低コストで反復実施でき、本調査前にコンセプトを絞り込める

LLM 登場以前は、人間の回答パターンを高い精度でシミュレーションすることは困難でした。LLM の進展により、本アプローチが現実的な検討対象となっています。

関連研究の概観#

本テーマは未踏領域と当初は想定しましたが、文献調査の結果、2022 年以降に関連研究が活発に蓄積されている領域であることが確認されました。英語学術界では “Digital Twin”、“Silicon Sample”、“Generative Agent”、“Synthetic Respondents” など複数の用語で参照されています（これらの用語と日本語の「デジタルツイン」が指す対象は必ずしも一致しないため、後述の用語注記節で整理します）。

本稿で参照する主要文献は以下の 4 本です。

特筆すべきは、本領域が 現在進行中の研究分野 であり、評価方法すら統一的な合意に至っていない点です。同一データであっても評価指標を変えると精度が大きく変動します。Toubia ら の研究グループは 2025 年に公開ベンチマーク Twin-2K-500 を提示した翌年、同じデータを用いて「個人モデルは個人差を十分に再現できていない」と結論する自己批判的論文を発表しており、領域全体が安定していないことを示しています。

このような状況下で、既存研究の実装を参照しつつ独自の個人モデルを構築し評価することが、本検証の出発点です。

重要な前提: bunshin は「個人モデルによる完全代替」を志向するプロダクトではありません。海外においても業界標準は 80/20 ルール（80％ の探索的リサーチを合成、20％ の最終検証を実在回答者で実施）であり、bunshin も同様の方針を採用します。

合成ペルソナデータセット利用の検討#

ここで自然な検討対象として、NVIDIA が公開している日本人 600 万ペルソナの合成データセット（CC BY 4.0）の利用が浮上します。

Nemotron-Personas-Japan (Hugging Face)

Nemotron-Personas-Japan の主要な特徴は以下のとおりです。

• 国勢調査ベースの人口分布に整合した 100 万レコード × 6 ペルソナ = 600 万ペルソナ
• 全 47 都道府県、1,500 以上の職業カテゴリを網羅
• 約 14 億トークン、professional_persona / sports_persona / arts_persona / travel_persona / culinary_persona / 統合 persona の 6 種類のペルソナ記述を収録
• 商用利用可、模型崩壊（model collapse）防止やバイアス軽減用途を想定

「日本人の集団的振る舞いを LLM でシミュレーションする」というユースケースには、本データセットは十分な品質を有しています。Argyle 系の研究方向（Silicon Sampling、集団分布の再現）であれば、これは有力な基盤となります。

本検証で構築したシステム：bunshin プロジェクト#

社内コードネーム「bunshin」（分身）として、LLM 個人モデル PoC を実装しました。文献で繰り返し指摘される「LLM 個人モデルが規範的回答に収束する＝建前を答える」失敗モードへの対抗を意識した命名として、内部では「Honne モデル」と呼んでいますが、これは現時点では呼称にとどまり、tatemae 対策の具体的な技術的アーキテクチャ（プロンプト・データ前処理・評価指標）は今後の課題です。

アーキテクチャ#

bunshin とアンケートサービスの責任分界は、UI をアンケートサービス側に寄せ、推論・評価・ダッシュボードを bunshin に閉じ込める構成です。

機能	担当
アンケート定義の登録	アンケートサービス
アンケート配信・回答 UI	アンケートサービス
選択肢順序ランダマイズ	アンケートサービス
プロフィール入力 UI	bunshin
個人モデル推論	bunshin（Claude API）
バックテスト・lift 計算	bunshin
結果ダッシュボード	bunshin

利用フロー#

利用者が 10〜15 分のプロフィール入力と 20〜30 分のアンケート（65 問）回答を済ませると、自身の個人モデルが生成され、精度レポートを参照できる構成です。

検証用アンケート：コンビニ利用テーマ#

検証テーマには コンビニ利用 を選定しました。選定理由は以下のとおりです。

• 回答分散が大きく、個人差が顕在化しやすい
• 多くの人が日常的に経験を有し、被験者の理解しやすさが高い
• 政治的・倫理的にセンシティブでなく、炎上リスクが低い

質問は実装時点で全 65 問 とし、bunshin の data/questions.json 上の型別内訳は以下のとおりです。

設計初期の構想は 60 問でしたが、プロフィール拡張のための長文・URL 入力など評価対象外の設問が追加された結果、最終的に 65 問となっています。

学習 / ホールドアウトの分割と、ホールドアウト 10 問を個人モデルに回答させて本人回答と一致度で評価する設計は当初設計どおりです。

設問の全文を以下に収録します。パイロット段階でエントロピー低（最頻値 60％ 超）の設問は本番運用から除外する想定です。

筆者の提案アプローチ：4 層プロフィール表現#

本節で述べる 4 層構造は、既存研究の引用ではなく 筆者独自の設計判断 です。心理学における trait/state 区分と、マーケティングの involvement／category knowledge を組み合わせたフレーミングであり、LLM 個人モデル研究における標準的な表現法ではありません。

過去のアンケート回答は、これらの層を 推定するための観測データ として位置付けます。回答をそのまま RAG で参照する設計では、未質問領域への外挿が弱くなるためです。

既存研究と消費者調査のレイヤー・ギャップ#

この 4 層モデルを補助線として既存研究の評価対象を分類すると、興味深い構造が浮かびます。論文が報告する高い個人精度（85％ 等）は、ほぼレイヤー 1 に対するものです。

論文	評価タスク	主に問われている層
Argyle 2022	ANES（米国選挙）の投票行動	レイヤー 1（政党所属・政治的価値観）
Park 2024	General Social Survey	レイヤー 1（道徳観・宗教観・人生満足度）
Toubia 2025	人格テスト、認知能力、経済選好、ヒューリスティクス（一部 pricing も含む）	主にレイヤー 1、一部レイヤー 2-3
Toubia 2026	creativity / labor markets / news consumption / luxury goods 等 19 タスク	レイヤー 1〜3 が混在

一方、実務の消費者調査が問う内容は次のような領域に属します。

• 「どのチェーンを最もよく使用するか」 → レイヤー 2（ブランド親和性）
• 「先月何を購入したか」 → レイヤー 3（直近の購買）
• 「コンビニコーヒーをどの程度の頻度で購入するか」 → レイヤー 2-3（習慣 + 直近文脈）
• 「新商品を確認するか」 → レイヤー 2-3（カテゴリ関与度）

すなわち、論文が「個人モデルは個人精度 85％ で動作する」と主張する層と、消費者調査が回答を求める層は乖離していると整理できます。

なお、Toubia 2026 が「個人差を十分に再現できない」と結論したのも、まさに luxury goods・news consumption など レイヤー 2-3 寄りのタスク を対象とした結果であり、本レイヤー・ギャップ仮説と整合的に読める観察です（同論文自体はレイヤー区分の用語を用いていないため、あくまで本稿側の解釈です）。

これは論文側の不備ではなく、「人格・価値観は変動が緩やかで学習データから捕捉しやすい」「行動・選好は表層的で変動が速く、ベース LLM の事前知識では補完できない」という構造的な差異によるものです。レイヤーが上方に位置するほど、個人モデルによる予測の困難度が増加します。

bunshin がコンビニ利用を検証テーマに選定したのは、レイヤー 2-3 を意図的に対象とするためであり、これは 既存研究の主戦場より困難な領域に踏み込んでいる ことを意味します。ただし後述する検証結果は N=1 / per-type n=3〜7 であり、本仮説の検証には全く十分でない。N≥5 規模での再評価で初めて、層仮説の傾向が読めるようになる想定です。

個人精度志向の設計判断#

文献調査の結果、bunshin では 個人精度の達成（集団分布の一致ではなく、個人ごとの回答を予測する）を主たる目標としました。これに伴い、いくつかの設計判断が変わります。

1. 質問選別の重要性: 全員同一の回答となる質問（低エントロピー）は精度の過大評価を招くため除外する
2. プロフィールの濃度を優先: 推論プロンプトの工夫よりも、入力されるプロフィールの濃度のほうが精度寄与が大きい（Toubia 2025 の 13 手法比較からの示唆）
3. 学習/テスト = 55<10>: 個人モデルに渡せるサンプルが多いほど有利（自由記述・URL 等の評価対象外設問も学習側に組み込む）
4. 生指標は accuracy / MAE / ±1 以内一致率: 本検証は N=1 のため、N>1 を前提とする集計指標（lift など）は本格運用せず、生指標で結果を読み解く
5. Chain-of-Thought + Expert Reflection を推論プロンプトに導入（Park et al. 2024 を踏襲）

本検証は 「実装をひととおり作ってみて、自分自身を被験者にして、既存研究と比較してどのくらい精度が出るかを見てみる」 ことが目的の個人プロジェクトです。事前合意のしきい値は置かず、まず動かして数値を出し、既存研究（Park 2024 の正規化精度 0.85、Toubia 2025 の正規化 0.876 など）と並べて感覚を掴むことを優先しました。

個人モデル推論プロンプトの設計#

実装したプロンプトの構造は以下のとおりです（要約版）。

[システム]
あなたはユーザ X の個人モデルです。以下のプロフィールと
過去の回答から、本人が回答すると推定される選択肢を1つ選んでください。
推測ではなく、本人らしさの再現が目的です。

[プロフィール（構造化済み）]
- デモグラ: ...
- Big Five 推定: ...
- ライフスタイル要約: ...
- テーマ固有の背景: コンビニとの関係の自由記述から抽出 ...
- 直近の発言（ブログ/SNS 抽出）: ...

[同テーマでの本人の既回答（学習 55 問）]
Q: ... A: ...
...

[今回の質問]
Q: ...
選択肢: ...

以下の順序で検討してください：
1. プロフィールと過去回答から推察される、本テーマへの基本姿勢
2. 過去回答との一貫性を保つ場合、今回の回答はどうあるべきか
3. 最終回答

回答形式: { "reasoning": "...", "answer": "..." }

reasoning を保存することで誤答時の事後分析を可能とし、プロンプト改善サイクルを回しやすくしています。

人格モデルには Big Five + Schwartz Values を採用しました。MBTI は心理学における再現性・予測妥当性が低いため、商用基盤への採用は不適切と判断しました。

検証結果#

本 PoC では 筆者自身を被験者（N=1） とし、プロフィールとアンケート 65 問の回答を入力して自身の個人モデルを構築、ホールドアウト 10 問でバックテストを実施しました。プロンプトテンプレートを v1 → v2 → v3-reflections と段階的に改善した上での最終版（v3-reflections、Claude Sonnet 4.6）の結果を以下に示します。

⚠️ 統計的限界（重要）: 本実験は N=1 のケーススタディ であり、ホールドアウトの内訳は 単一選択 n=7、Likert n=3 と極めて小さい。一般化を意図したものではなく、検出力は限定的で、ここでの数値はあくまで「方向性を見るための予備観察」です。

定性評価：チャットインタフェースでの自由対話#

定量バックテストとは別に、構築した個人モデルに対して自由形式で問い合わせを行えるチャットインタフェースを試験実装し、定性的な評価も実施しました。アンケートのホールドアウト 10 問では現れない、より自由度の高い問いに対して個人モデルがどの程度「本人らしさ」を再現できるかを確認することが目的です。

下記は、筆者自身の個人モデルに対して「ホットスナックの新商品コンセプト」を提示し、購入意向を尋ねた際の応答です。マーケティングリサーチの実務で頻出する「新商品評価」のシミュレーションに相当します。

応答内容のうち、特筆すべき点は以下です。

• アンケート回答の参照と引用:「C11 で 4 つけてる」（衝動買い傾向）「C6 で 4」（プチ贅沢への態度）といった、学習用の自分のアンケート回答を根拠として引用しながら推論している
• 趣味・生活文脈の統合:「ロードバイク練習の補給ステーション」「朝の通勤途中に買うには少しリスキー」など、プロフィール記述に含まれる生活パターンを商品評価の文脈に持ち込んでいる
• 価格感度の具体的な数値化:「フランクフルトが 100〜150 円台なのに対して、200〜300 円台くらいなら出せる」と、参照価格付きで購買意思決定を言語化
• 商品ごとの反応の差別化: 揚げ春巻きには「微妙だな」、ガーリックシュリンプ串には「春巻きより興味持てるな」と、商品コンセプト依存で態度が変化
• 栄養成分・タンパク質含有量への一貫した関心: 両商品の評価で繰り返し言及されており、プロフィールに含まれる健康意識・運動習慣が一貫した判断軸として機能している

筆者自身の実態に照らすと、これは かなり正確な再現 です。価格感度の数値や、運動習慣と紐付いたタンパク質志向、朝の予定との兼ね合いといった具体性のある推論は、プロフィール記述とアンケート回答が適切に統合され、新規の問いに対する応答に投影された結果と考えられます。

今後の課題と次のアクション#

本検証（N=1 予備実験）から明らかになった課題を、評価フレーム / 設問設計 / 個人モデル本体 / 追検証すべき仮説 / ツール改善 の 5 カテゴリで整理します。次の実装サイクルへの input として使います。

まとめ#

• 本稿では LLM ベースの個人モデルでアンケート回答を自動化する PoC「bunshin」の構築と、N=1 の予備実験を報告しました
• 既存研究（Park 2024、Toubia 2025、Toubia 2026）の知見を踏まえてコンビニ利用 65 問アンケートを設計し、ホールドアウト 10 問（単一選択 n=7、Likert n=3、頻度なし）でバックテストを実施
• 生指標は 単一選択 accuracy 71.4％（5/7）、Likert ±1 以内 66.7％（2/3）、MAE 1.0
• 自由対話形式のチャットインタフェースでは、価格感度・運動習慣・趣味との関連付けなど 本人らしい応答 が定性的に確認でき、強制選択と自由生成の間に再現性の非対称性 がある可能性が示唆されました（要追検証）
• 「個人モデルによる完全代替」は現実的ではなく、現時点で実用性を主張できる段階にはありません。本稿は エンジニアリング報告 + N=1 ケーススタディ という位置付けで読まれるのが妥当です

本領域は評価手法すら定まっていない発展途上の研究分野です。Toubia ラボが 2025 → 2026 で楽観論から自己批判へ転じたことからも、個人モデルの限界は早期に露呈すると見られます。本検証単体での主張は最小限にとどめ、N を増やしてからの再評価で初めて意味のある結論が出る という前提で位置付けます。

次の実装サイクルでは、前節「今後の課題と次のアクション」の優先順位（A1〜A4、B1・B3、C1）から着手します。

日本人特化の個人モデルは、海外の商用プレイヤー（Brox、Evidenza、Ditto 等）が未踏のポジションであり、参入余地は大きいですが、まずは方法論を確立することが優先です。

おまけ#