導語：線上網路評價為人們提供了可以立即獲得群眾智慧的渠道。在亞馬遜和Yelp的所有線上評價中，積極正面的評價佔據了絕大部分，但是人們對這些專案呈現出來的行為性質卻存在著明顯的差異，那麼如何才能從這些積極線上評價的“海洋“中辨別出真正具有價值、成功的專案？目前流行的“星級評價”是否可以作為預測其專案成功的可靠依據？最近Nature human behavior一文中對於這些問題給出了答案。本文是對這篇論文的概述。
論文題目：Mass-scale emotionality reveals human behaviour and marketplace success
一、從線上平臺的“海量”評價中提取使用者情感
目前隨著網際網路線上眾包平臺的發展，商品或線下服務的售賣都會在其線上眾包平臺中附著其一定的評價資訊，而其中最為普遍的就是星級評價方式；這就可以供其平臺的潛在消費者在選擇商品或服務時可以透過成本最低的方式，獲得最為直接的參考。
但事實果真如此嗎？已有研究調查所證明，這些線上的評級系統存在一定的侷限性：
其線上評價絕大多數都是積極正面的
［1］。例如，在亞馬遜網站上，平均星級評價約為4。2（滿分5分），其中遠超過一半的評論是5星級評價［2］。近一半的Yelp評論是5星評價［3］，而近90%的Uber評價可能是5星［4］。
以上這種情況會導致個人經常面臨著在眾多星級相似的專案中進行選擇，特別是考慮到人們甚至不會考慮獲得低於3星級的選項；
所以星級評價本身可能無法可靠地預測其專案成功與否，它也並不能作為對專案真實價值的有效性參考
。
高度集中的積極性評價會使其成為無效的訊號， 那麼究竟如何才能從這些海量的積極性評價中獲取有效的資訊。
來自美國馬薩諸塞大學管理學院的教授 Matthew D。 Rocklage 和其研究團隊把這種在大量積極評價中辨別成功的挑戰稱為“
海量
”評價積極性問題。他們首先證明了這種“海量”積極性問題存在的普遍性，並且提出具有情感性 （emotionality） 的評述性語言可以向個人提供更有意義的參考。他們將這一研究成果以《Mass-scale emotionality reveals human behaviour and marketplace success》為題目發表在了Nature Human Behaviour上。
他們分別從電影票房收入、亞馬遜圖書出售量、超級碗廣告中新品牌的追隨者、Yelp上的餐廳預訂量四個大規模線上評價案例中研究了海量評價積極性的問題。
透過對於四個大規模線上資訊評價平臺的研究，他們證明了80%到100%的線上星級評價都是積極的，並且發現線上星級評分對於預測一個專案的行為和其成功性是不可靠的，即越來越多的積極評價通常不能預示著其專案的成功。
但是評價文字的情緒化因素卻可以用來預測一個專案的行為和其成功的可能性；這是因為情緒化語言為個人本身提供了一種跡象，表明發生了特別有影響的事情［5，6］，因此它們可以作為一個特別明確的訊號，讓個人瞭解自己的態度。這種強烈的訊號反過來會導致態度在記憶中更加牢固［7］，這是一個公認的預測態度的影響和永續性的因素。
下面將展示出他們所研究的四個案例：
二、情緒因素預測電影票房
研究者們從Metacritic。com獲得了2005年到2018年這13年所有電影的線上評論，並使用為每部電影撰寫的前30條使用者評論來衡量電影的星級（0到10星）和線上評價文字的情緒化語言分析。
他們發現一部電影的平均星級將會顯著地減少其電影的票房收入。而當所有的電影都被包括在內時——即使是那些最初有負面評價的電影——星級評價對票房收入也沒有顯著的預測作用。
之後他們在同一模型中加入了評論文字的平均情感性因素，以及平均文字效價 （valence） 作為對照。星級評分仍然是電影票房收入的一個重要的負面預測因素（見圖1左）。
最重要的是，評價文字中的情緒化因素是未來票房收入的一個重要的正向預測因素（見圖1右）。
圖1（左）預測電影票房收入與其電影星級評價的關係；（右）預測電影票房收入與其電影評價文字中的情緒化因素的關係
三、圖書銷量：文字情緒比評分更重要
在第二個研究案例中，研究者們預測了從1995年到2015年亞馬遜網站上所有書籍的成功性（20年的資料）；他們再次使用每本書的前30條評論來索引該書的星級（1-5星）、文字效價和文字中的情緒化因素。
其平均星級評價的迴歸結果好壞參半。星級評價是預測購書數量的一個負面因素。當被評為負面的書籍也被包括在內時，正面的星級評價對購買量有顯著的預測作用。然而，這裡的總體證據好壞參半的，因為在1/3的圖書型別中，星級評價是不顯著的或為負面的預測因素。
在分析積極評價的書籍時，他們根據該書的平均星級和文字的情感性來預測該書的購買量。其發現平均星級是購買的一個負面預測因素，而文字的情緒化是一個重要的正面預測因素。除了這些影響之外，前30條評論中更多正面的情感性語言預示著更多的購買量，並且這一結論在百分之93的圖書型別中都有展現。
四、廣告中新品牌追隨者：評價預測粉絲增長
在研究案例3中，研究者們考察了針對電視廣告的實時推文的情感性是否能預測成功和人類行為，即品牌的每日新粉絲數量的增加。對於2016年和2017年的超級碗，他們獲得了發生在該超級碗當天的所有實時推文，其中提到了超級碗期間播放的廣告。共有84家企業的94個廣告，關於這些廣告的推文總數為187206條。然後，他們使用評價詞典來量化推文中對每個商業的平均效價和情緒化的表達。
他們發現公司在超級碗之前積累的粉絲數量可以預測他們在超級碗之後積累的粉絲數量，但《今日美國》上對於公司的星級評分對粉絲沒有預測作用。
然後，他們增加了每個廣告的推文的文字情感性因素作為主要預測因素，並增加了文字的平均效價作為控制變數。其發現《今日美國》的星級評分和推文的效價對新粉絲的數量沒有預測作用。然而，關於商業推文的文字情感性語言的正面積極性程度越高， 公司在接下來的兩週內積累的Facebook粉絲就越多。
五、餐廳預訂量：評分與情緒都有用
在研究案例4中，研究者們根據截至2017年伊利諾伊州芝加哥市存在的所有餐廳的前30條Yelp。com評論，研究了餐廳的成功和預定量問題。他們用這些評論來索引每家餐廳的平均星級 （1到5星）、文字效價（valence）和文字情感性。
而這一次，他們的研究結果與先前的3個研究案例不同，在餐廳預定量的問題上，平均星級評價可以預測更多的餐桌預訂量。他們接著將餐廳前30條評論的文字情緒化因素以及其文字效價新增到迴歸模型中去。
平均星級評價變得不顯著（見圖2左），並且文字的效價卻是一個積極的預測因素。除了這些影響之外，存在著更多積極情感性語言評價的餐廳將會得到更多的用餐預定（見圖2右）。
圖2（左）預測餐桌預定量與其電影星級評價的關係；（右）預測餐桌預定量與其電影評價文字中的情緒化因素的關係
六、“海量”評價積極性問題的解決途徑
現如今，大規模線上評價資訊中的“海量”評價積極性問題已經越來越普遍化，並且有時會伴隨著商家自己為了使得自己的商品或者服務得到更好的銷售從而進行刷好評的操作，這就會進一步造成大眾消費者從中識別有效訊號的困難性。
而基於情緒化的語言評價可以成為解決這個問題的正確途徑，這就需要呼籲相關第三方平臺組織要更加關注個人態度的情感性。
平臺管理者可以考慮彙總評論者的語言，並提供一個“情感星級”，以向個人提供更有意義的評估參考；而具有有效預測性，並且可以取代星級評價的指標的探索性研究將會留給對此研究問題感興趣的研究人員。
參考文獻：
［1］ Hu， N。， Zhang， J。 & Pavlou， P。 A。 Overcoming the J-shaped distribution of product reviews。 Commun。 ACM 52， 144–147 （2009）。
［2］ Woolf， M。 Playing with 80 million Amazon product review ratings using Apache Spark。 minimaxir http：//minimaxir。com/2017/01/amazon-spark/ （2017）。
［3］ Yelp Factsheet （Yelp， 2017）； https：//www。yelp。com/factsheet
［4］ Athey， S。， Castillo， J。 C。 & Knoepfle， D。 Service quality in the gig economy： empirical evidence about driving quality at Uber。 White Paper。 https：//doi。 org/10。2139/ssrn。3499781 （2019）。
［5］ Tooby， J。 & Cosmides， L。 The past explains the present。 Ethol。 Sociobiol。 11， 375–424 （1990）。
［6］ Ekman， P。 E。 & Davidson， R。 J。 The Nature of Emotion： Fundamental Questions （Oxford Univ。 Press， 1994）。
［7］ Rocklage， M。 D。 & Fazio， R。 H。 Attitude accessibility as a function of emotionality。 Pers。 Soc。 Psychol。 Bull。 44， 508–520 （2018）。
作者：熊宏晉；編輯：鄧一雪；公眾號：集智俱樂部
本文由 @集智俱樂部 授權釋出於人人都是產品經理。未經許可，禁止轉載。
題圖來自 Unsplash，基於CC0協議。
