Wissen
Synthetic User
Ein Synthetic User ist eine computergenerierte Simulation eines Nutzers, Teilnehmers oder Respondenten. Moderne Synthetic Users werden häufig mit Large Language Models erzeugt und sollen unter definierten Bedingungen menschliche Antworten, Präferenzen, Entscheidungen oder Interaktionen simulieren. Sie sind jedoch keine digitalen Kopien realer Personen und ihre Ausgaben dürfen nicht automatisch als reale Nutzermeinungen interpretiert werden.
Antworten, Präferenzen, Entscheidungen, Dialogverhalten oder Interaktionen eines angenommenen Nutzers.
LLM, Persona- oder Profildaten, Kontext, Aufgabenstellung und gegebenenfalls reale Nutzerdaten.
Plausibles Verhalten ist nicht automatisch empirisch repräsentatives oder individuelles menschliches Verhalten.
Dokument-Metadaten
Worum geht es in diesem Wissensbeitrag?
Einordnung des Inhalts
- Entity Class
- Wissen
- Content-Typ
- Ratgeber / technischer Wissensbeitrag
- Hauptthema
- Synthetic User
- Nahe Begriffe
- Synthetic Participant, Simulated User, Virtual Respondent, Silicon Sample, Synthetic Persona
- Themenkategorie
- Large Language Models / User Simulation / HCI / Computational Social Science
- Primäres Objekt
- Simulation menschlicher Antwort- oder Interaktionsmuster
- Kernfrage
- Unter welchen Bedingungen kann ein Modell Nutzerverhalten sinnvoll simulieren und wo endet die Aussagekraft dieser Simulation?
Definition
Was ist ein Synthetic User?
Der Begriff ist wissenschaftlich nicht vollständig standardisiert. In unterschiedlichen Forschungsfeldern werden verwandte Begriffe für ähnliche Konzepte verwendet. Eine sinnvolle Arbeitsdefinition ist deshalb breiter als eine einzelne technische Implementierung.
Arbeitsdefinition
- Synthetic User
- Modellbasierte Simulation eines angenommenen Nutzers, die in einem definierten Kontext beobachtbares Antwort-, Entscheidungs- oder Interaktionsverhalten erzeugt
- Simulator
- Häufig ein Large Language Model; möglich sind auch regelbasierte, probabilistische oder hybride Nutzermodelle
- Conditioning
- Vorgaben zu Rolle, Demografie, Zielen, Wissen, Präferenzen, Situation oder früheren Interaktionen
- Output
- Textantwort, Bewertung, Auswahlentscheidung, Dialogbeitrag, Handlung oder simulierte Interaktionssequenz
- Simulationsebene
- Einzelperson, Persona, Nutzersegment, Population oder interaktiver Agent
- Gültigkeit
- Muss empirisch gegen reale Nutzer oder geeignete Referenzdaten geprüft werden
Terminologie
Synthetic User ist nicht dasselbe wie Persona oder Synthetic Data
Verhaltenssimulation
Ein Synthetic User erzeugt Antworten oder Handlungen und verhält sich damit als aktiver simulierter Nutzer.
Beschreibendes Nutzerartefakt
Eine Persona beschreibt einen archetypischen Nutzer. Sie muss nicht selbstständig auf Fragen reagieren oder handeln.
KI-generierte Persona
Ein Modell erzeugt die Persona-Beschreibung. Wird diese Persona anschließend dialogfähig gemacht, kann sie als Grundlage eines Synthetic Users dienen.
Simulierter Forschungsteilnehmer
Der Begriff wird häufig verwendet, wenn ein Modell Interviews, Fragebögen oder andere Forschungsaufgaben wie ein menschlicher Teilnehmer beantworten soll.
Simulierte Stichprobe
Mehrere modellgenerierte Respondenten werden als synthetische Stichprobe behandelt und mit menschlichen Stichproben oder Populationen verglichen.
Künstlich erzeugte Daten
Synthetic Data bezeichnet allgemein künstlich erzeugte Datensätze. Diese müssen keine Nutzeridentität, Interaktion oder Verhaltenssimulation enthalten.
Kernmodell
Wie ein LLM-basierter Synthetic User entsteht
Rolle, Eigenschaften, Ziele und angenommene Präferenzen definieren.
Situation, Produkt, Aufgabe oder Forschungsumgebung festlegen.
Optional reale Interviews, Surveys oder andere Nutzerdaten bereitstellen.
Regeln bestimmen, wie der simulierte Nutzer reagieren soll.
Das Modell konditioniert seine Ausgabe auf Profil und Kontext.
Antwort, Entscheidung, Präferenz oder Handlung wird erzeugt.
Bei Dialogsimulation verändert der bisherige Verlauf den nächsten Zustand.
Simulation wird gegen reale Menschen oder geeignete Referenzdaten geprüft.
Simulationsebenen
Synthetic Users können unterschiedliche Granularitäten repräsentieren
Generischer Nutzer
Das Modell erhält nur wenige oder keine spezifischen Nutzermerkmale und simuliert einen allgemeinen Nutzer.
Archetypischer Nutzer
Eine Persona mit Zielen, Bedürfnissen und Kontextmerkmalen konditioniert die generierten Antworten.
Nutzergruppe
Demografische, verhaltensbezogene oder fachliche Merkmale sollen ein bestimmtes Segment repräsentieren.
Konkreter Nutzer
Reale individuelle Daten oder Interaktionshistorie werden verwendet, um eine bestimmte Person zu approximieren. Die Validitätsanforderungen sind hier besonders hoch.
Silicon Sample
Viele Synthetic Users werden erzeugt, um Verteilungen oder Gruppenunterschiede einer Population nachzubilden.
Dynamischer Nutzer
Der Synthetic User reagiert über mehrere Dialog- oder Handlungsschritte auf ein System und besitzt einen fortlaufenden Zustand.
Conditioning
Welche Informationen das Modell erhält, prägt den simulierten Nutzer
Typische Conditioning-Signale
- Demografie
- Alter, Region, Beruf oder andere soziodemografische Merkmale
- Rolle
- Beispielsweise Käufer, Administrator, Entwickler, Patient oder Lehrkraft
- Ziele
- Was der simulierte Nutzer erreichen möchte
- Constraints
- Budget, Zeit, Fähigkeiten, Informationsstand oder technische Einschränkungen
- Preferences
- Explizit vorgegebene Präferenzen oder aus Daten abgeleitete Tendenzen
- History
- Vorherige Entscheidungen, Gespräche oder Interaktionen
- Evidence
- Reale Interview-, Survey-, Verhaltens- oder Transaktionsdaten
- Environment
- Produkt, Interface, Aufgabenstellung oder sozialer Kontext der Simulation
Simulationsziele
Nicht jede Synthetic-User-Simulation versucht dasselbe vorherzusagen
Antworten auf geschlossene oder offene Fragebogenitems simulieren.
Offene qualitative Antworten oder Nachfragen generieren.
Auswahl oder Bewertung zwischen mehreren Optionen simulieren.
Mehrstufige Dialoge mit einem System oder Agenten nachbilden.
Aufgabenbearbeitung, Fehler oder Feedback bei der Nutzung eines Interfaces simulieren.
Reaktionen auf verschiedene experimentelle Bedingungen approximieren.
Einen Nutzer als Gegenpart für automatisierte Agentenbenchmarks simulieren.
Hypothetische Nutzerreaktionen unter verschiedenen Annahmen erzeugen.
Persona → Synthetic User
Eine Persona wird erst durch ein Verhaltensmodell zum simulierten Nutzer
Personas und Synthetic Users werden häufig vermischt. Eine Persona ist zunächst eine Repräsentation. Ein Synthetic User benötigt zusätzlich Regeln oder ein Modell, das aus dieser Repräsentation konkrete Reaktionen ableitet.
Reale Daten oder angenommene Nutzermerkmale.
Verdichtete Beschreibung eines Nutzertyps.
Ziele, Wissen, Präferenzen und Interaktionslogik.
Konkrete Frage, Aufgabe oder Umgebung.
LLM erzeugt Antwort oder Verhalten.
Simulierbare Antwort, Entscheidung oder Handlung.
Forschungsstand
Synthetic Users können Teilmuster treffen und gleichzeitig systematisch falsch liegen
Silicon Samples in der Sozialforschung
- Argyle et al. 2023
- Zeigten, dass GPT-3 unter demografischem Conditioning Verteilungsmuster bestimmter menschlicher Teilgruppen teilweise reproduzieren konnte
- Konzept
- Die Autoren bezeichneten diese Eigenschaft als algorithmic fidelity und die modellgenerierten Stichproben als silicon samples
- Grenze
- Eine passende Aggregatverteilung bedeutet nicht, dass individuelle Personen korrekt simuliert werden
Synthetic Participants in User Research
- Xu et al. 2026
- Verglichen LLM-basierte Synthetic Participants mit realen Teilnehmenden in einer Design-Research-Fallstudie
- Open-ended Responses
- Die synthetischen Antworten waren häufig plausibel und inhaltlich umfassend
- Closed / Semi-open Items
- Die Ergebnisse wichen stärker von menschlichen Antworten ab
- Schlussfolgerung
- Die Autoren sehen Synthetic Participants als Ergänzung früher qualitativer Arbeit, nicht als Ersatz für Human Studies
Vorhersage experimenteller Effekte
- Ashokkumar et al. 2026
- Simulierten Teilnehmer in 70 vorregistrierten US-Surveyexperimenten und verglichen modellbasierte mit realen Treatment Effects
- Ergebnis
- Die Vorhersagen korrelierten stark mit realen Effekten, überschätzten aber systematisch deren Größe
- Bedeutung
- Aggregierte experimentelle Muster können vorhersagbar sein, ohne dass die Simulation auf Individualebene vollständig valide ist
Validität
Die zentrale Frage lautet nicht „klingt es menschlich?“, sondern „bildet es Menschen korrekt ab?“
Sprachliche Plausibilität ist eine schwache Validitätsprüfung. Ein Synthetic User kann überzeugend formulieren und dennoch Präferenzen, Verteilungen oder Verhaltensmuster systematisch verzerren.
Wirkt die Antwort oberflächlich plausibel und menschlich?
Entspricht die Simulation dem Verhalten konkreter realer Personen?
Entsprechen Verteilungen und Häufigkeiten einer realen Stichprobe?
Werden Unterschiede zwischen Nutzergruppen realistisch abgebildet?
Verhält sich der simulierte Nutzer in einer Interaktion ähnlich wie Menschen?
Entstehen dieselben Fehler, Entscheidungen oder Strategien wie bei realen Nutzern?
Bleiben Ergebnisse über Modell-, Prompt- und Samplingvarianten hinweg stabil?
Ist die Simulationsgüte für unterschiedliche Gruppen vergleichbar?
Failure Modes
Warum Synthetic Users überzeugend und trotzdem falsch sein können
Typische Fehlerklassen
- Stereotype Amplification
- Demografische Merkmale werden stärker mit Einstellungen oder Verhalten verknüpft, als dies bei realen Menschen der Fall ist
- Over-determination
- Das Modell behandelt wenige Profilmerkmale als zu deterministisch für individuelle Präferenzen
- Average-Person Bias
- Antworten konvergieren auf sozial typische oder häufige Muster und unterschätzen ungewöhnliche individuelle Verhaltensweisen
- Model Prior Leakage
- Die Ausgabe reflektiert allgemeine Trainingsmuster des LLM statt die konkret definierte Person
- Prompt Sensitivity
- Kleine Änderungen an Profil, Reihenfolge oder Formulierung können die simulierten Antworten verändern
- Homogenization
- Eine synthetische Gruppe erscheint homogener, als eine reale Population tatsächlich ist
- Interaction Artifacts
- Simulierte Dialoge können Muster zeigen, die bei realen Nutzern nicht oder anders auftreten
- Knowledge Leakage
- Das Modell kann Wissen besitzen, das der simulierte Nutzer laut Profil eigentlich nicht haben sollte
- Social Desirability Simulation
- Antworten können übermäßig rational, höflich, konsistent oder normativ wirken
Bias & Repräsentation
Mehr Details im Profil lösen Repräsentationsprobleme nicht automatisch
Forschung zu synthetischen Personas zeigt, dass LLMs soziale Identitäten stereotypisieren oder überbetonen können. Ein detaillierteres Profil kann die Simulation spezifischer machen, aber ebenso zusätzliche stereotype Annahmen aktivieren.
Gender Stereotyping
Haxvig et al. fanden in synthetischen Personas wiederkehrende geschlechtsspezifische Stereotype und Defizite in der Diversität der Repräsentation.
Zu starke Demografieeffekte
Neuere Benchmarks zeigen, dass LLM-Simulationen demografische Merkmale teilweise wesentlich stärker als Prädiktoren von Einstellungen behandeln als reale Daten.
Unterschiedliche Proxy-Qualität
Agentische Evaluationen zeigen, dass simulierte Nutzer reale Sprechergruppen nicht überall gleich zuverlässig repräsentieren.
Seltene Gruppen sind besonders kritisch
Für unterrepräsentierte Gruppen ist nicht garantiert, dass das Modell ausreichend reale Verhaltensvariation aus seinem Training ableiten kann.
Evaluation
Synthetic Users sollten gegen reale Referenzen evaluiert werden
Reale Antworten oder Interaktionen als Vergleichsbasis erfassen.
Menschen und Synthetic Users erhalten möglichst vergleichbare Aufgaben.
Übereinstimmung auf Ebene einzelner Antworten prüfen.
Antwortverteilungen und Gruppenunterschiede vergleichen.
Interaktionspfade, Fehler und Entscheidungen vergleichen.
Andere Modelle, Prompts und Sampling-Parameter testen.
Festhalten, für welche Aufgaben die Simulation valide ist und für welche nicht.
Measurement
Welche Kennzahlen können Synthetic-User-Qualität beschreiben?
Wie häufig stimmen simulierte und reale Antworten auf denselben Items überein?
Wie stark unterscheiden sich synthetische und reale Antwortverteilungen?
Werden relative Präferenz- oder Effektordnungen ähnlich abgebildet?
Werden Gruppen- oder Treatment-Effekte korrekt in Richtung und Größe geschätzt?
Wie ähnlich sind Aufgabenwege, Fehler oder Gesprächsverläufe?
Spiegelt die synthetische Stichprobe reale Variation statt künstlicher Homogenität?
Bleiben Ergebnisse bei semantisch äquivalenten Promptvarianten stabil?
Ist die Simulationsgüte über unterschiedliche Nutzergruppen hinweg vergleichbar?
Grenzen
Synthetic Users sind Simulationen, keine beobachteten Menschen
Grundlegende methodische Grenzen
- Training Data Boundary
- Das Modell kann nur aus erlernten Mustern, bereitgestelltem Kontext und seiner Inferenzlogik generieren
- No Lived Experience
- Ein LLM besitzt keine menschliche Biografie, Wahrnehmung oder gelebte Erfahrung
- No Physical Interaction
- Textbasierte Simulation erfasst reale motorische, sensorische und situative Einschränkungen nur indirekt
- Novel Insight Boundary
- Die Simulation kann bekannte Muster neu kombinieren, aber nicht garantieren, bislang unbeobachtete reale Bedürfnisse korrekt zu entdecken
- Model Dependence
- Unterschiedliche Modelle können aus demselben Nutzerprofil unterschiedliche simulierte Personen erzeugen
- Prompt Dependence
- Die Formulierung des Nutzerprofils ist Teil des Messinstruments und kann die Ergebnisse verzerren
- Validation Requirement
- Ohne menschliche Referenzdaten bleibt unklar, welche Aspekte der Simulation tatsächlich valide sind
Abgrenzung
Was ein Synthetic User nicht automatisch ist
Keine exakte digitale Kopie einer Person
Ein Synthetic User kann Eigenschaften einer realen Person konditionieren, bildet deren tatsächliches Verhalten aber nicht automatisch vollständig oder deterministisch ab.
Kein genereller Ersatz für reale Nutzer
Forschung zeigt relevante Abweichungen zwischen simulierten und menschlichen Antworten beziehungsweise Interaktionen.
Antworten sind Modelloutputs
Eine überzeugende Begründung des Synthetic Users ist keine empirische Beobachtung menschlicher Motivation.
Simulation benötigt Verhalten
Erst wenn aus einem Nutzerprofil konkrete Antworten, Entscheidungen oder Handlungen erzeugt werden, entsteht eine User Simulation.
Verwandte Entitäten
Welche Leadterion-Wissensobjekte stehen in direkter Beziehung?
Large Language Models
Moderne Synthetic Users nutzen LLMs als generatives Verhaltensmodell für Antworten und Dialoge.
Wissensbeitrag öffnenContext Engineering
Nutzerprofil, Situation, Historie und Constraints bilden den Kontext, auf dessen Basis der Synthetic User reagiert.
Wissensbeitrag öffnenConversational Commerce
Conversational Systems können mit simulierten Nutzern in mehrstufigen Dialogen evaluiert werden.
Wissensbeitrag öffnenGroundedness & Faithfulness
Auch Synthetic-User-Antworten können auf Daten, Profile oder Evidenz zurückgeführt und auf ungestützte Annahmen geprüft werden.
Wissensbeitrag öffnenFAQ
Häufige Fragen zu Synthetic Users
Was ist ein Synthetic User?
Ein Synthetic User ist eine computergenerierte Simulation eines Nutzers, die in einem definierten Kontext Antworten, Präferenzen, Entscheidungen oder Interaktionen erzeugt.
Ist ein Synthetic User dasselbe wie eine Persona?
Nein. Eine Persona beschreibt einen Nutzertyp. Ein Synthetic User simuliert zusätzlich Verhalten. Eine Persona kann jedoch als Conditioning-Basis für einen Synthetic User dienen.
Was ist ein Synthetic Participant?
Synthetic Participant ist ein naher Begriff für modellbasierte Teilnehmer in Interviews, Surveys, Experimenten oder anderen Forschungsaufgaben.
Was bedeutet Silicon Sample?
Eine Silicon Sample ist eine künstlich erzeugte Stichprobe aus vielen modellgenerierten Respondenten, die häufig mit menschlichen Stichproben verglichen wird.
Können Synthetic Users reale Nutzer ersetzen?
Nicht generell. Studien zeigen sowohl Übereinstimmungen als auch systematische Abweichungen. Die Validität hängt stark von Aufgabe, Nutzergruppe, Modell, Prompt und verwendeten Referenzdaten ab.
Warum können Synthetic Users menschlich wirken und trotzdem falsch sein?
LLMs sind sehr gut darin, plausible Sprache zu erzeugen. Sprachliche Plausibilität misst jedoch nicht, ob Präferenzen, Häufigkeiten oder Verhaltensmuster realen Menschen entsprechen.
Welche Daten können einen Synthetic User verbessern?
Reale Interviews, Survey-Daten, Verhaltensdaten, bekannte Präferenzen, Aufgabenhistorie und sauber definierte Kontextinformationen können die Simulation stärker an beobachteten Mustern ausrichten.
Wie sollte ein Synthetic User evaluiert werden?
Idealerweise durch einen direkten Vergleich mit menschlichen Referenzdaten auf Individual-, Gruppen-, Verteilungs- und Verhaltensebene sowie durch Robustheitstests über verschiedene Modelle und Promptvarianten.
Quellen
Wissenschaftliche Arbeiten zu Synthetic Users, Personas und User Simulation
Die Literatur verwendet unterschiedliche Bezeichnungen und untersucht Synthetic Users aus Perspektiven wie HCI, User Research, Survey Simulation, Computational Social Science und Agent Evaluation. Deshalb ist die konkrete Definition der jeweiligen Studie bei Vergleichen entscheidend.
| Quelle | Autoren / Jahr | Einordnung | Originalquelle |
|---|---|---|---|
| Out of One, Many: Using Language Models to Simulate Human Samples | Lisa P. Argyle et al. · 2023 | Frühe zentrale Arbeit zu „silicon samples“. Konditioniert GPT-3 auf soziodemografische Profile realer Surveyteilnehmer und untersucht die Übereinstimmung synthetischer und menschlicher Antwortmuster. | Political Analysis |
| SimUser: Generating Usability Feedback by Simulating Various Users Interacting with Mobile Applications | Chengcheng Xiang et al. · CHI 2024 | Simuliert unterschiedliche Nutzer mit GPT-4 bei Usability-Aufgaben eines Smartwatch-Interfaces. Die Übereinstimmung mit menschlichem Feedback variierte deutlich nach Nutzergruppe und Feedbackkategorie. | ACM CHI |
| Deus Ex Machina and Personas from Large Language Models | Bernard J. Jansen et al. · CHI 2024 | Untersucht, wie LLMs Persona-Beschreibungen erzeugen und welche Eigenschaften die resultierenden KI-generierten Personas aufweisen. | ACM CHI |
| Using large language models to generate silicon samples in consumer and marketing research | Marko Sarstedt et al. · 2024 | Bewertet Chancen und Grenzen synthetischer Stichproben in Consumer- und Marketingforschung und betont, dass die empirische Übereinstimmung je nach Domäne stark variiert. | Psychology & Marketing |
| “I’ve never seen a glass ceiling better represented”: Bias and gendering in LLM-generated synthetic personas | Helena A. Haxvig, Vincenzo D’Andrea & Maurizio Teli · 2025 | Analysiert Gender Bias und Repräsentation in LLM-generierten synthetischen Personas und zeigt stereotype sowie wenig diverse Darstellungen. | IJHCS |
| User personas, ideation and large language models: A post-hoc study | Stefano De Paoli · 2026 | Erzeugt LLM-basierte Personas aus realen qualitativen Interviewdaten und nutzt sie anschließend für Szenarien und Funktionsideen. | IJHCS |
| A Survey on LLM-based Conversational User Simulation | Bo Ni et al. · EACL 2026 | Umfassender Survey zu LLM-basierter User Simulation. Systematisiert Nutzergranularität, Simulationsziele, technische Methoden und Evaluation. | ACL Anthology |
| Can LLM-driven synthetic participants help user research? | Suyi Xu et al. · 2026 | Vergleicht Synthetic Participants mit realen Forschungsteilnehmern. Offene Antworten waren plausibel, während andere Antworttypen stärker von menschlichen Daten abwichen. | Proceedings of the Design Society |
| Large language models can predict the results of social science experiments | Ashwini Ashokkumar et al. · Nature 2026 | Simuliert repräsentative Teilnehmer für zahlreiche Surveyexperimente. Modellbasierte Treatment Effects korrelierten mit realen Effekten, wurden aber systematisch überschätzt. | Nature |
| Lost in Simulation: LLM-Simulated Users are Unreliable Proxies for Human Users in Agentic Evaluations | Preethi Seshadri et al. · 2026 | Vergleicht LLM-simulierte Nutzer mit realen Menschen in Agenten-Evaluationen und berichtet mangelnde Robustheit, Fehlkalibrierung sowie unterschiedliche Proxy-Qualität zwischen Sprechergruppen. | arXiv:2601.17087 |
| When Synthetic Users Fail: A Cross-Domain Benchmark of LLM-Simulated Human Survey Responses | Zihan Chen, Di Zhu & Lei Nico Zheng · 2026 | Cross-Domain-Benchmark synthetischer Surveyantworten. Berichtet Schwächen auf Individualebene und eine systematische Übergewichtung demografischer Merkmale. | arXiv:2607.26348 |
| Large Language Models as Virtual Survey Respondents: Evaluating Sociodemographic Response Generation | Jianpeng Zhao et al. · 2025 | Benchmark für virtuelle Surveyrespondenten über mehrere reale Datensätze und soziodemografische Simulationssettings. | arXiv:2509.06337 |
Wissen
Ein Synthetic User ist eine simulierte Hypothese über Nutzerverhalten
Die Qualität einer User Simulation hängt nicht davon ab, wie menschlich ihre Antworten klingen. Entscheidend ist, ob ihre Reaktionen unter definierten Bedingungen tatsächlich mit beobachtetem menschlichem Verhalten übereinstimmen und ob die Grenzen dieser Übereinstimmung bekannt sind.