想象一份选购问卷：受访者要同时权衡价格、品牌和性能。让大语言模型扮演几千名受访者，确实能省下招募成本；但回答听起来像真人，不等于模型真的复现了真人如何取舍。Hung 等人复现了已发表的联合分析实验——一种通过随机组合多个属性、观察人们如何选择的调查方法——并把合成受访者与原始真人数据逐层比较。
最值得注意的是，模型有时能接近单个属性的总体分布，也能猜对某些效应方向，却难以稳定复现完整属性组合的选择分布、个人选择、效应大小和群体差异。换句话说，它可能分别学会“大家在乎价格”和“大家在乎性能”，却没有学会两者放在一起时，人们究竟怎样权衡。作者还提醒，这些研究已经公开且被广泛引用，模型可能记过相关结论；因此目前观察到的总体吻合，甚至应视为表现上限，而非可替代真人样本的证明。