一套测评正式发布前，通常先请真人试答，看看题目是否太难、选项是否有人使用。若让LLM代劳，关键不只是“答得像人”，还要保留这些诊断信号。Song与Hong用6,245名成人对14道数字使用技能题的回答建立真人基准，再检验1,300个按人口特征匹配的LLM角色所生成的答卷。
最醒目的结果是：LLM答卷的内部一致性很高，Cronbach's alpha约为0.94，说明回答模式相当整齐；但它们选择最低档的比例只有0.2%至0.3%，真人则为13.7%至21.5%。研究者再用Rasch模型——把受试者能力与题目难度放到同一尺度上的心理测量方法——校准后发现，14题中有12题的回答比模型预期更可预测。作者称，即使按预注册方案调整提示词、选项顺序和角色信息，也没能补回真人群体的低端回答。换句话说，答卷看起来稳定，不等于能替代真人试测。