• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    不同情感傾向?qū)︶t(yī)院在線評論有用性的影響分析

    2018-06-11 06:57:06翟菊葉劉玉文葉澤坤
    關(guān)鍵詞:星級評級負(fù)面

    翟菊葉,劉玉文,葉澤坤

    (1.蚌埠醫(yī)學(xué)院 衛(wèi)生管理系,安徽 蚌埠 233030;2.復(fù)旦大學(xué) 計算機(jī)科學(xué)技術(shù)學(xué)院,上海 200433)

    消費者在作出購買決定之前,往往傾向于閱讀產(chǎn)品評論,以降低搜索成本,降低認(rèn)知負(fù)擔(dān)[1],并減少采購的不確定性[2]。在醫(yī)療健康領(lǐng)域,如魏則西事件層出不窮,如何甄別有用的信息成為人們在尋求醫(yī)療服務(wù)時的關(guān)鍵。

    近年來,在線評論有用性研究已經(jīng)取得了一定的成果。根據(jù)研究內(nèi)容可為三類:產(chǎn)品的特征、評論內(nèi)容和用戶[3]。產(chǎn)品特征角度主要研究產(chǎn)品品牌[4-5]和產(chǎn)品類型[5]等。評論內(nèi)容角度主要關(guān)注評論是否詳細(xì)[6-7]、文本可讀性[6]和產(chǎn)品特征詞[4,6]等。評論用戶角度主要關(guān)注用戶歷史評論的價值[8-9]、評論情感傾向[10]等。

    現(xiàn)有評論用戶角度的研究獨立考察了評論情感傾向的主調(diào)節(jié)效應(yīng)。Chevalier將亞馬遜上圖書評論數(shù)據(jù)作為研究對象,發(fā)現(xiàn)正面評論能夠促進(jìn)圖書的銷售量,對于消費者更有用[11];唐藝楠對大眾點評網(wǎng)餐飲類評論研究也驗證了這個結(jié)論[8]。蔡淑琴等認(rèn)為負(fù)面評論包涵的信息對評論閱讀者更有價值,通過京東上手機(jī)負(fù)面評論數(shù)據(jù)分析發(fā)現(xiàn),不同強度的負(fù)面評論有用性不同[9];郝媛媛通過分析在線影評,發(fā)現(xiàn)好評和混合情感的評論具有積極的影響[10]。綜合以上文獻(xiàn),不同學(xué)者研究的樣本不同,采用的特征指標(biāo)不同,得到的研究結(jié)論有差異,甚至是相反結(jié)論。彭麗徽認(rèn)為情感強度對品牌聲譽好的手機(jī)具有正面影響,而品牌聲譽差的手機(jī)負(fù)面評價更有用[4]。由此可見,存在兩個特征指標(biāo)互相調(diào)節(jié)共同影響用戶對有用性的判斷。然而,現(xiàn)有文獻(xiàn)鮮有對線評論有用性指標(biāo)在不同情感傾向條件下差異的研究。

    基于此,本文以大眾點評網(wǎng)醫(yī)院評論數(shù)據(jù)為樣本,通過逐步回歸法找出影響有用性的特征指標(biāo),建立模型,進(jìn)一步研究品牌、評論星級、長度、附圖和回復(fù)等指標(biāo)在不同情感傾向調(diào)節(jié)下有用性的差異,建立基于情感傾向的評論有用性多元線性回歸模型,為醫(yī)院職能部門提供決策支持。

    1 指標(biāo)分析與理論假設(shè)

    消費者在正式交易前通過閱讀網(wǎng)絡(luò)上相關(guān)評論來了解產(chǎn)品,降低消費時可能產(chǎn)生的風(fēng)險。本文通過文獻(xiàn)閱讀和專家咨詢,將評論的星級、產(chǎn)品特征詞、評論時間、評論長度、圖片、評論回復(fù)數(shù)量等作為影響在線評論有用性的指標(biāo),研究以上指標(biāo)在不同情感調(diào)節(jié)下對評論有用性的影響。評論有用性指標(biāo)關(guān)系模型如圖1。

    圖1 評論有用性指標(biāo)關(guān)系模型圖

    1.1 因變量

    因變量是評論有用性。大眾點評網(wǎng)評論的右下方有“贊”按鈕,用戶閱讀完評論后認(rèn)為有用可點擊按鈕投票。本文中,用每條評論獲得的“贊”數(shù)量來量化評論的有用性。

    1.2 調(diào)節(jié)變量

    調(diào)節(jié)變量是情感傾向。情感影響用戶的決策行為。情感分為三個等級:正面情感、混合情感、負(fù)面情感。目前,常用人工標(biāo)注、文本挖掘、機(jī)器學(xué)習(xí)等方法計算文本的情感傾向。本文利用徐琳宏[12]的情感本體庫建立情感詞典,統(tǒng)計情感詞詞頻,計算出文本的情感傾向[13]。

    心里學(xué)領(lǐng)域研究發(fā)現(xiàn),負(fù)面消息帶給人的社會行動和反應(yīng)所形成的刺激更大[14]。人們更容易受負(fù)面情感的影響,更加關(guān)注負(fù)面信息。據(jù)此,提出假設(shè):

    H1:情感影響用戶對評論是否有用的判斷,相比正面和混合情感,負(fù)面評論的影響力更大。

    1.3 自變量

    1.3.1 評論長度

    評論長度指評論中的字符數(shù)。Yin等[6]認(rèn)為評論長度影響評論有用性。文獻(xiàn)[6,15]認(rèn)為過長的評論,閱讀時用戶所需承受任務(wù)數(shù)量越多。根據(jù)認(rèn)知負(fù)荷理論較長的評論會使用戶的負(fù)擔(dān)更重,在一定范圍內(nèi)評論的長度越長,評論越有用;當(dāng)長度超過閾值,評論越長有用性反而降低,為倒“U”形關(guān)系。Ghose等發(fā)現(xiàn)句子越短,閱讀起來更容易理解,評論長度與評論的有用性呈負(fù)相關(guān)[16]。孫文俊發(fā)現(xiàn)圖書領(lǐng)域的評論長度與有用性不存在相關(guān)性[7]。綜合以上結(jié)論,不同學(xué)者的樣本數(shù)據(jù)不同,得到的結(jié)論不一。據(jù)此,提出假設(shè):

    H2:評論長度與評論有用性無顯著相關(guān)性。

    1.3.2 評論回復(fù)數(shù)量

    用戶對閱讀的評論認(rèn)可,可以點“贊”,還可以對評論回復(fù)發(fā)表自己的觀點[9]?;貜?fù)數(shù)量間接反應(yīng)用戶對此評論感興趣的程度。據(jù)此,提出假設(shè):

    H3:回復(fù)數(shù)量與評論有用性正向相關(guān)。

    1.3.3 評論星級

    用戶消費后根據(jù)個體感受作1-5星評分。本文用評級偏差(用戶評級與平均評級相減)代替原值。Mudambi通過對亞馬遜的六種產(chǎn)品評論數(shù)據(jù)分析認(rèn)為,帶有極端評級的評論不如平均評級的評論有用[5]。Cristian通過分析亞馬遜網(wǎng)站書籍評論,發(fā)現(xiàn)評論者評分與平均分偏差越小評論越有用[17]。但是,Kang認(rèn)為當(dāng)評級偏差較大時,更容易吸引消費者[6]。Cao以CNET網(wǎng)評論為研究對象,認(rèn)為評分極高或極低的評論有用性更大[18]。結(jié)合上述研究,用戶評級遠(yuǎn)大于平均評級,該評論的有用性小,接近或者低于平均評級時,有用性大。由此提出以下假設(shè):

    H4:評級偏差影響評論有用性。評級偏差越小,有用性越大。

    1.3.4 評論時間

    本文中評論時間用發(fā)表評論至今天數(shù)表示。大眾點評中的評論一般按照評價時間逆序排列,新發(fā)表的評論排在首頁。郝媛媛等發(fā)現(xiàn)時間與評論有用性負(fù)相關(guān)[10]。評論發(fā)布后隨著時間的推移,用戶可能通過其他渠道獲得產(chǎn)品的信息,對評論的依賴性降低或者較早的評論無法體現(xiàn)產(chǎn)品的目前狀況。用戶可能傾向于閱讀新發(fā)布的評論,了解產(chǎn)品最及時的信息。由此提出假設(shè)如下:

    H5:時間與評論有用性負(fù)相關(guān)。

    1.3.5 品牌

    品牌代表企業(yè)的獨特形象。本文以醫(yī)院的等級來量化品牌指標(biāo)。醫(yī)院根據(jù)等級劃分為三級、二級、一級和私立醫(yī)院等。醫(yī)院等級量化如表1。

    表1 等級量化對應(yīng)表

    Herr等人發(fā)現(xiàn),用戶對品牌聲譽較高的產(chǎn)品受到負(fù)面評論影響較小,而對未接觸過或品牌較小的產(chǎn)品,負(fù)面評論的影響顯得更為突出[19]。張耕等認(rèn)為暢銷產(chǎn)品負(fù)面評論的有用性大幅度減弱[20]。根據(jù)Osgood提出的一致性理論[21],品牌聲譽低的產(chǎn)品,用戶的已有認(rèn)知是負(fù)面的,更容易接受負(fù)面評論;而品牌聲譽高的產(chǎn)品,消費者的潛意識是好的、積極的,正面的評價與已有認(rèn)知一致。因此,更容易接受正面評論。由此提出以下假設(shè):

    H6:品牌聲譽與評論有用性顯著相關(guān)。

    H7:負(fù)面和混合情感評論與品牌聲譽負(fù)相關(guān)。

    H8:正面評論與品牌聲譽正相關(guān)。

    1.4 控制變量

    產(chǎn)品特征詞指評論中刻畫產(chǎn)品屬性的詞匯。當(dāng)評論中產(chǎn)品特征詞出現(xiàn)的次數(shù)越多,表示對該產(chǎn)品特征描述的更細(xì)致,評論內(nèi)容越有用。

    圖片能夠直觀反應(yīng)產(chǎn)品所包含的信息,有助于消除用戶的不確定性,增加可信度。如果評論附圖,則賦值為1,否則賦值為0。

    2 實證分析

    2.1 模型構(gòu)建

    Mudanbi提出的評論有用性模型[22]被廣泛應(yīng)用并取得較好的效果。在該模型基礎(chǔ)上提出本文的回歸模型。即不同情感傾向條件下,構(gòu)建回歸模型:

    其中,αi(i=1,2,……,11)為回歸系數(shù),是各變量的權(quán)重,ε為常數(shù),表示隨機(jī)誤差。

    2.2 數(shù)據(jù)收集

    選取大眾點評網(wǎng)醫(yī)院評論數(shù)據(jù)作為研究對象。采集上海地區(qū)750家醫(yī)院的所有評論數(shù)據(jù)。涉及22288個用戶共47086條評論。獲得的數(shù)據(jù)包括了評論內(nèi)容,評論的日期,評論星級,贊數(shù)量,評論是否附圖,回復(fù)數(shù)量,醫(yī)院等級等。對采集的數(shù)據(jù)進(jìn)一步處理,刪除含有網(wǎng)址連接、QQ、電話號碼等廣告信息的評論,利用IGMRM方法[23]找出虛假評論并剔除。另外,投票數(shù)量較少可能導(dǎo)致回歸的偏歧,刪除無用投票和投票數(shù)量小于5的評論。最后篩選出負(fù)面評論482條,混合情感評論570條,正面評論466條,共1518條有效評論。數(shù)據(jù)的描述性統(tǒng)計如表2。

    2.3 回歸分析

    采用逐步回歸法將變量逐個引入排查出有用性影響因素,對全部樣本數(shù)據(jù)回歸結(jié)果見表3。模型的判斷系數(shù)R2為0.174,校正的判斷系數(shù)AdjR2為0.153。由圖2可見數(shù)據(jù)基本符合正太分布。

    對所有測試數(shù)據(jù)回歸分析結(jié)果見表3,除“長度”和“情感×長度”外,其余指標(biāo)皆顯著相關(guān)(p<0.1)。其中,“情感”系數(shù)為負(fù),表明負(fù)面評論對有用性影響更大,證實了假設(shè)H1。“長度”和“情感×長度”p值大于0.1,無顯著相關(guān)性,證實了假設(shè)H2。評論太長給消費者閱讀和理解都帶來負(fù)擔(dān),評論太短則包涵的信息量不足?!皶r間”系數(shù)為正和“時間2”系數(shù)為負(fù)且均顯著相關(guān),表明時間呈倒“U”形影響評論的有用性,即較新的評論更有用,當(dāng)時間超過某一閾值,對有用性影響減弱。所以,假設(shè)H5不完全成立。

    表2 數(shù)據(jù)統(tǒng)計結(jié)果

    表3 基于所有數(shù)樣本的回歸結(jié)果

    2.4 模型結(jié)果分析

    為了檢驗評論有用性指標(biāo)如星級、長度、是否

    圖2 樣本數(shù)據(jù)標(biāo)準(zhǔn)化正態(tài)概率圖

    附圖和回復(fù)等在不同情感傾向條件下的差異。分別對不同情感傾向的測試樣本進(jìn)行回歸分析,得到結(jié)果見表4??梢?,在不同情感傾向下,附圖、回復(fù)以及品牌對在線評論有用性的影響皆顯著相關(guān)(p<0.1)。其中,回復(fù)的估計值為 0.42、0.47、0.27,證實了假設(shè)H3。情感傾向不同,品牌與評論有用性均顯著相關(guān),P值分別為0.045、0.035 和 0.096(p<0.1),證實了假設(shè) H6。然而,正向情感傾向下,品牌影響顯著(p<0.05)且估計值為正,說明正向評論對等級高的醫(yī)院更有用;而在負(fù)面情感和混合情感傾向情況下,品牌影響顯著(p<0.05)且估計值為負(fù),說明負(fù)面評論和混合評論對等級低的醫(yī)院影響更大。這是由于品牌聲譽低時,先前的經(jīng)驗導(dǎo)致用戶會懷疑好評的真實性,而混合評價中包涵好評和差評,較為客觀的評價能贏得用戶的信賴。驗證了假設(shè)H7和H8。

    不同情感傾向下特征、時間和星級對評論有用性影響不同。正面和負(fù)面評論與時間相關(guān);混合情感與時間無相關(guān)性(p>0.1)。表3中星級對所有數(shù)據(jù)顯性相關(guān)(p=0.066),且估計值為負(fù)數(shù),即用戶的評級與商家綜合評級差異越大,評論有用性越小。與假設(shè)H4相符,說明評級偏差小的有用性大于評級偏差大的評論,可能的原因是用戶認(rèn)為負(fù)面評論更有價值。表4中,負(fù)面評論下星級的估計值為正(p=0.006),說明兩者正相關(guān)。負(fù)面評論的星級值一般低于平均星級,評級偏差值越小,有用性增加;評級偏差值大,有用性減弱??赡苡捎谟脩魪谋娦睦锔芙邮艽蟊姷脑u價。正面評論和混合評論與評論星級不顯著相關(guān)。

    表4 三種情感傾向下的樣本回歸結(jié)果

    因此,在情感傾向的調(diào)節(jié)下,正面評論對等級高的醫(yī)院更有用,特征、星級對有用性影響不大(p>0.1);負(fù)面情感和混合情感更能影響等級低的醫(yī)院;評級偏差越小的負(fù)面評論越有用?;旌锨楦袃A向下,時間和星級對有用性不顯著相關(guān);不論何種情感傾向下,有附圖或回復(fù)更容易被用戶認(rèn)可,對有用性顯著正相關(guān)(p<0.1)。

    3 小結(jié)

    本文以大眾點評平臺醫(yī)院評論數(shù)據(jù)為研究對象。通過實驗發(fā)現(xiàn),不同情感傾向下各指標(biāo)對評論有用性存在差異。根據(jù)研究結(jié)論,電子商務(wù)網(wǎng)站結(jié)合情感傾向,識別和完善有用的產(chǎn)品評論,對評論內(nèi)容排序;節(jié)省用戶在網(wǎng)上閱讀評論的時間;能夠更好地為用戶選擇醫(yī)院提供參考。

    猜你喜歡
    星級評級負(fù)面
    “星級聯(lián)創(chuàng)”促進(jìn)星光黨建的創(chuàng)新實踐
    唐DM 智聯(lián)創(chuàng)享型
    世界汽車(2019年2期)2019-03-01 09:00:08
    大指揮官 2.0T四驅(qū)臻享版
    世界汽車(2019年2期)2019-03-01 09:00:08
    負(fù)面清單之后的電改
    能源(2018年8期)2018-09-21 07:57:22
    遠(yuǎn)離負(fù)面情緒
    分析師最新給予買入評級的公司
    百度遭投行下調(diào)評級
    IT時代周刊(2015年8期)2015-11-11 05:50:22
    光明《留學(xué)》誠信星級評選前30名好評機(jī)構(gòu)上榜
    留學(xué)(2015年16期)2015-03-21 08:50:24
    創(chuàng)投概念股評級一覽表
    投資與理財(2009年8期)2009-11-16 02:48:40
    《錢經(jīng)》月度公募基金評級
    錢經(jīng)(2009年7期)2009-08-12 10:00:40
    旅游| 吉隆县| 南木林县| 舒城县| 金塔县| 舒兰市| 安溪县| 滕州市| 安远县| 明星| 中超| 峨眉山市| 金沙县| 桂平市| 泗阳县| 沧州市| 乌什县| 天峻县| 安阳县| 桓台县| 白城市| 新闻| 元谋县| 通江县| 孟津县| 玉溪市| 黄山市| 凤城市| 清水县| 广昌县| 遂宁市| 扬中市| 富宁县| 富锦市| 团风县| 南川市| 德兴市| 江口县| 南宁市| 汉川市| 闻喜县|