Simulación de datos de opiniones, actitudes y percepciones sociales mediante Inteligencia Artificial: análisis de similitud frente a datos reales utilizando ChatGPT

Abstract

El auge de la Inteligencia Artificial abre nuevas posibilidades, entre ellas la construcción de bases sintéticas que se asemejen a la realidad. Esto podría cambiar la forma el la que se realizan pruebas, estudios piloto o incluso investigaciones cuando no se dispone de datos. La pregunta clave es: ¿hasta que punto estos datos reflejan la realidad? El estudio analiza la capacidad de la Inteligencia Artificial, concretamente ChatGPT, para la creación de bases sintéticas que reflejen datos reales. Para ello, se toma como referencia la muestra española de la Encuesta Social Europea (ESS) y se compara con tres bases simuladas de manera estructurada, variando el nivel de información proporcionado en el proceso de generación. La comparación entre datos reales y simulados se aborda desde tres niveles complementarios. En primer lugar, se realiza una comparativa univariante por estratos, en la que se analizan distribuciones marginales y efectos entre grupos. En segundo lugar, se compara la estructura multivariante mediante escalamiento multidimensional y análisis Pro-crustes. Finalmente, se evalúa la detectabilidad de los datos simulados por medio de un modelo de regresión logística construido sobre las componentes principales. Los resultados muestran que la IA es capaz de reproducir de forma razonable algunas distribuciones marginales y ciertos patrones de asociación entre variables, en particular en aquellas vinculadas a relaciones sociales más estructuradas. Sin embargo, también se observan discrepancias relevantes, efectos sobredimensionados o inventados y cierta in- capacidad para simular determinados rasgos de las distribuciones reales. Además, el modelo de regresión logra distinguir parcialmente los datos sintéticos. En conjunto, el estudio sugiere que la IA puede ser una herramienta exploratoria útil, pero presenta limitaciones importantes para reproducir la complejidad de una muestra real.The rise of Artificial Intelligence opens up new possibilities, including the construction of synthetic datasets that resemble reality. This could change the way tests, pilot studies, or even research are carried out when real data are not available. The key question is: to what extent do these data reflect reality? This study analyses the ability of Artificial Intelligence, specifically ChatGPT, to create synthetic datasets that reflect real data. To this end, the Spanish sample from the European Social Survey (ESS) is used as a reference and compared with three datasets simulated in a structured way, varying the level of information provided during the generation process. The comparison between real and simulated data is addressed from three complementary perspectives. First, a univariate comparison by strata is carried out, analysing marginal distributions and effects between groups. Second, the multivariate structure is compared using multidimensional scaling and Procrustes analysis. Finally, the detectability of the simulated data is evaluated through a logistic regression model built on principal components. The results show that AI is able to reasonably reproduce some marginal distributions and certain patterns of association between variables, particularly those linked to more structured social relationships. However, relevant discrepancies are also observed, including oversized or invented effects and a limited ability to simulate certain features of the real distributions. In addition, the regression model is able to partially distinguish the synthetic data from the real data. Overall, the study suggests that AI can be a useful exploratory tool, but it presents important limitations when it comes to reproducing the complexity of a real sample.