在 Minecraft 裡扮演創世神，不代表…

在 Minecraft 裡扮演創世神

不代表你理解真實世界

——為什麼 synthetic data 不是研究捷徑，而是風險放大鏡

如果你是研究生，近幾年大概一定聽過這個詞：synthetic data（合成資料）。
它聽起來非常誘人——資料不足？合成一點。隱私受限？用合成的。樣本太少？再「生成」一些。

這種感覺，有點像你第一次在 Minecraft 裡打開創造模式。
你可以瞬間蓋出整座城市、跨海大橋，甚至一個長得很像地球的東西。
但你心裡其實也知道：

在 Minecraft 裡會蓋房子，並不等於真的懂結構力學。

synthetic data 在研究裡，正是這樣一個看起來什麼都能做，但做錯會很危險的工具。

一、synthetic data 不是「假資料」，而是「任務導向的替身」

在 Giuffrè 與 Shung（2023）的回顧性研究中，作者一開始就點出一個讓人不太安心的現實：

synthetic data 目前其實沒有一個全球一致、穩定的定義。

比較可操作的說法是：synthetic data 是為了「完成特定分析任務」，透過模型或演算法刻意生成的資料替身，而不是單純複製真實資料的統計外觀。

這代表一件對研究生很重要的事：

synthetic data 從來不是「比較安全的真實資料」，而是「為了某個目的而生的工具」。

如果你不知道自己要回答的是哪一個研究問題，那你很可能只是生成了一批「看起來很像資料的東西」。

這裡有點像《鋼之鍊金術師》裡反覆強調的鍊成禁忌—不是所有你想要的東西，都可以被練成。
synthetic data 能做的事，有它明確的邊界。

二、你跳進的是黑洞，還是模擬艙？

以醫療與公共政策研究為例，synthetic data 最常被用來解決三件事：
資料稀缺、隱私限制、以及「不能真的亂試」的高風險情境。

Giuffrè 與 Shung（2023）舉了大量案例說明：合成資料確實能用來模擬政策後果、補強訓練資料、甚至建構「數位分身（digital twins）」。

但他們也花了相當篇幅提醒另一面：

偏誤會被放大、黑盒效應會變更強化、錯誤會被包裝得更像真理。

這裡其實很像《星際效應》裡那個關鍵抉擇：要不要跳進黑洞？

黑洞不是不能進，但《星際效應》真正提醒我們的，其實不是「你能看到什麼」，而是——你為什麼要進去。

是為了理解結構？是為了測試理論？
還是，你其實打算把那個無法被直接驗證的結果，當成現實世界的替代品？

如果你沒有清楚的驗證策略，那 synthetic data 很容易變成一個「看起來什麼都有、實際上什麼都說不準」的研究陷阱。

三、蜘蛛人互指的那一刻 — 你確定你們不是同一個錯誤？

在實務研究裡，另一個常見風險是：

synthetic data 與原始資料彼此學習、彼此複製，最後一起犯同一個錯。

這就很像那張經典的 Spider-Man pointing meme：每個模型都指著對方說「是你有問題」，但其實大家都來自同一個偏誤來源。

圖片來源：https://memes.tw/

Giuffrè 與 Shung（2023）特別提醒，如果原始資料本身就有族群不平衡、測量偏誤，synthetic data 只會把這些問題做得更完整、更難察覺。

對研究生來說，這意味著一個很現實的判斷點：

你到底是用 synthetic data 探索問題，還是已經開始用它 替結論背書？

這兩件事，差非常多。

四、如果電話亭不存在，研究就不能靠許願

很多人第一次接觸 synthetic data，心裡其實藏著一個 哆啦A夢(aka 小叮噹) 的「如果電話亭」般幻想：「如果我有一批理想資料，世界就會照我想的那樣跑。」

但真實研究更接近這樣的狀態：資料永遠不完美、模型永遠有假設、結果永遠需要被質疑。

synthetic data 能做的，不是幫你改寫世界，而是讓你在無法碰觸真實世界時，先練習怎麼提問、怎麼驗證、怎麼拆風險。

陪你做研究的真心話

如果你正在考慮把 synthetic data 納入研究設計，可以先問自己三個問題：

1. 我現在缺的是資料，還是缺一個可驗證的問題？
2. 我是否有清楚的比較對象與驗證方式？
3. 這批資料生成後，會幫助我理解現實，還是只讓模型更好看？

當你能回答這些問題時，synthetic data 才會是工具，而不是捷徑。

在 Minecraft 裡，你可以一夜蓋城。
在研究裡，你要先確定那不是空中樓閣。

synthetic data 不是不能用，它只是要求你——

比使用真實資料時，更清楚自己在做什麼。

這正是圖書館能陪你一起做的事：
從資料來源、研究設計到方法選擇，讓你不是「生成很多東西」，而是知道，哪些東西值得被生成。

[參考文獻]

Raghunathan, T. E. (2021). Synthetic data. Annual Review of Statistics and Its Application, 8, 63–87. https://doi.org/10.1146/annurev-statistics-040720-031848

Goncalves, A., Ray, P., Soper, B., Stevens, J., Coyle, L., & Sales, A. P. (2020). Generation and evaluation of synthetic patient data. BMC Medical Research Methodology, 20, 108. https://doi.org/10.1186/s12874-020-00977-1

Giuffrè, M., & Shung, D. L. (2023). Harnessing the power of synthetic data in healthcare: Innovation, application, and privacy. npj Digital Medicine, 6, 55. https://doi.org/10.1038/s41746-023-00927-3

推廣組 柯文仁 / 本文搭配ChatGPT進行寫作輔助。