一项新发布的学术研究提出“受访者覆盖差距”（Respondent Coverage Gap, RCG）指标，旨在评估大语言模型（LLM）通过硅采样（silicon sampling）生成的合成调查受访者对真实人类群体的代表性。该方法让LLM以设定的人口统计属性‘代入’作答问卷，产出合成人口，目前已逐步替代真实受访者用于社会研究。
与以往聚焦单题准确率、各题答案分布或题目间相关性的评估不同，RCG将每位受访者表示为由全部答案构成的高维空间中的一个点，进而计算每位真实受访者到最近合成受访者之间的距离，并相对于真实受访者内部典型距离进行归一化。该指标可揭示LLM是否生成了现实中从未出现过的答案组合——即使单题分布高度吻合，仍可能完全遗漏某些真实人群类型。
研究在两项美国社会调查数据上测试了六种LLM，在主要实验设置下，所有模型均存在未被覆盖的真实受访者；其RCG值不仅高于独立按人类边际分布采样的基线方法，也高于使用高斯copula拟合人类数据所得的统计模型。该成果发表于arXiv预印本平台，标识号为2610.30900v1，发布时间为2026年10月24日04:00 UTC。