Do online friends bring out the best in us? The effect of friend contributions on online review provision 1.研究背景和研究问题 在线评论已经成为消费者的主要信息来源。但是，由于在线评论的公共物品性质，用户的搭便车行为使得在线评论存在供给不足的问题；同时，不同产品和服务之间的在线评论数量高度不平衡；在线评论的质量也在快速下降。为了解决这些问题，平台采取了多种措施，包括提供优惠券、折扣和其他财务激励等来激励用户贡献评论。这些有形的奖励虽然有效，但也带来了诸如评论质量下降和削弱消费者信任等负面影响。
因此，本文研究了一种新的好友贡献线索方法：即通过突出在线好友的评论来激励用户贡献评论。本文主要探究两个问题：
1）好友贡献线索能激励用户贡献新评论吗？
2）好友贡献线索能带来更高质量的评论吗？
2.理论基础和研究假设 社会影响理论认为好友贡献能够增加用户自身的贡献行为。但是在线评论的公共物品性质表明可能存在搭便车效应。考虑到搭便车效应和评论撰写耗时且需要一定专业知识的特点，好友贡献线索对不同产品和用户之间评论贡献数量和质量的影响有待进一步研究。不同于强调总体贡献的社会线索方法（例如，“3786名用户最近贡献了在线评论”），好友贡献线索强调在线好友的特定贡献，更具个人相关性和针对性。 本文扩展了公共物品理论来解释好友贡献线索对用户在线评论提供数量和质量的影响。一种是纯利他主义理论，该理论认为个人做出利他行为，是因为其重视他人福利。这一理论与撰写在线评论的主要动机之一是帮助他人做出更好的购买决定的想法是一致的。纯利他主义意味着，同伴对公共物品的贡献越大，额外的单位贡献对集体利益的价值增加越少，因此个人贡献的动机也就越小。当同伴贡献是好友贡献时，替代效应被进一步放大。这是因为在线友谊往往是围绕着共同的兴趣和观点形成的，与陌生人的评论相比，当用户看到好友撰写的餐厅评论时，用户更倾向于认为自己没有必要再对同一家餐厅撰写评论。因此，公共物品的纯利他主义理论认为，相对于陌生人评论，好友评论会减少用户的评论贡献。 在这两种相互抵消的理论基础上，本文提出了关于好友贡献线索对用户评论贡献数量和质量的影响假设。在本文的研究背景下，Yelp拥有强大的用户社区和地位系统，每年社区都会根据社区投票和同行提名来选择新的精英用户，精英用户不仅可以在社区中拥有声望，还可以享受商店老板和平台提供的特权。因此作者预计竞争利他主义的影响将占上风，从而导致好友贡献线索的积极效应。因此得出假设： H1：保持最近评论总数不变，用户评论一家餐厅的可能性会随着其在线好友最近在该餐厅发布的评论数量的增加而增加。 H2：保持最近评论总数不变，用户对某家餐厅的评论质量会随着其在线好友在该餐厅发布的最近评论数量的增加而提高。 此外，作者还探索了两个调节变量的影响：餐厅人气和用户的评论撰写经验。从纯利他主义的角度来看，当一家餐厅有更多评论时，每增加一条评论就会增加更少的价值。虽然好友评论比陌生人评论更能替代焦点用户的评论，但随着餐厅拥有更多现有评论，两者效果都在减弱。因此，好友评论的负面替代效应会随着餐厅现有评论数量的增加而减弱，这意味着好友评论线索的积极影响会随着现有评论数量的增加而增强。如果焦点用户在撰写评论方面有更多的经验，好友评论的替代效应将会减弱，意味着好友贡献线索的积极影响会增加。从竞争利他主义的角度来看，当一家餐厅有更多的评论时，在朋友之后提供额外的评论对地位的建立没有太大帮助。因此，在好友评论之后进行评论撰写的积极效应将降低。一个更有经验的用户，由于地位更高，不太倾向于给他的好友留下深刻印象，因此好友贡献的积极影响会减弱。 3.数据收集和模型构建 3.1 数据收集 本文使用Yelp上的一组餐厅评论数据来进行假设检验。作者构建了一个用户-餐厅-周面板数据集，对华盛顿州8298家餐厅的2923名用户在36周时间内的评论贡献行为进行了估计。 3.2 变量设计 被解释变量： ：用户 在时间 是否为餐厅 撰写评论。 估计好友贡献线索影响的一个挑战是同质性效应的潜在混淆，即两个朋友可能由于拥有相似的偏好而对同一家餐厅撰写评论。作者使用用户未来好友的评论贡献行为（即 ）来控制同质性效应：未来好友与用户有相似的偏好，但他们的评论不会影响用户的评论贡献行为。 3.3 模型构建 对于假设1，作者采用了离散时间生存模型，也就是Logit模型来进行验证。由于Logit模型严重低估了少于200个事件的样本中的事件概率，为了避免这种偏见，作者采用了稀有事件Logit模型（即ReLogit Model），同时采用Logit模型进行结果对比。对于假设2，作者采用了带有用户固定效应的面板OLS回归。 4.结果 4.1 好友评论对用户评论贡献数量的影响 如Table2所示， 对用户评论贡献数量具有积极影响（odds ratio(OR)=2.95, p<0.001）， 也具有积极效应（OR=1.87, p<0.001），但是影响小于 。对 和 的优势比（OR）进行F检验，检验结果显著（F=7.81, p=0.005），说明好友贡献效应大于同质性效应。因此，假设1得到验证。与当前好友贡献相比，陌生人评论（ ）的影响要小得多（OR=1.10, p<0.001）。作者进一步计算了焦点用户在没有好友评论（即 =0）和有好友评论（即 =1）时撰写评论的概率，结果表明，有好友评论时，用户撰写评论的概率时没有好友评论时的3倍。用 （酒店累计评论量的对数值）作为餐厅人气的度量，用 （顾客累计撰写评论量的对数值）作为顾客评论撰写经验的度量，在模型中加入交互项，结果如Table2最后两列所示，表明好友贡献线索的积极效果随着餐厅人气和顾客评论撰写经验的增加而减弱。 4.2好友评论对用户评论贡献质量的影响
针对用户评论质量，Yelp有三种投票方式：useful, funny和cool。因此作者构建了两种基于投票的评论质量度量方法：组合投票（ ）和仅有用投票（ ），估计了一个带有用户固定效应的面板OLS模型，结果如Table3所示。由Table3中M2和M4列可知，好友评论对用户评论贡献质量具有积极影响，因此，假设2得到验证。 如果评论的内容和现有评论高度重复，该评论则不能为消费者提供更多额外信息，因此被认为是质量较低的评论。针对该维度的评论质量，作者根据潜在语义分析对同一餐厅的焦点评论和之前评论之间的余弦距离计算了一个新颖性得分（ ）作为因变量进行分析，结果如Table3中的M5和M6所示，进一步支持了假设2。 由于评论投票可能会受到与评论质量无关的外部因素的影响，如评论的显示顺序或投票者和评论者之间的社会关系，因此作者从原数据集中重新选择出了一个具有52个用户和104条评论的新数据集，通过Amazon Turkers采用五点量表（1=低质量，5=高质量）对评论质量进行评估。在该数据集中，每个用户均写过两条评论，存在两种不同类型的用户：1）用户在撰写第2条评论前t-1期有好友写过一条评论，没有陌生人评论且没有其他前期好友评论（ =1）；2）用户在撰写第2条评论前t-1期有陌生人写过一条评论，没有好友评论且没有其他前期好友评论（ =0）。采用带有用户固定效应的OLS模型进行验证，结果如Table4所示， 的系数显著为正，说明好友评论比陌生人评论更能激励用户贡献高质量的评论，进一步支持了假设2。 5.稳健性检验 使用未来朋友的评论作为同质性效应的代理，这依赖于一个假设，即未来的朋友和当前的朋友与焦点用户拥有相似的兴趣爱好。作者采用三种方式来验证这一假设： 作者从用户最新的5个评论中使用餐馆类别来获取用户偏好（也验证了3个和7个评论，得到了相同的结果），对于每个焦点用户，在每个时间段，作者计算了用户和随机选择的1个现有好友和1个未来好友之间的相似度，并对现有好友和未来好友之间的相似度进行t检验，结果没有显著差异，说明未来好友和现有好友与焦点用户之间的相似度没有显著差异，未来好友评论可以作为同质性效应的代理。 2）将当前好友和未来好友都限制为最近好友，以尽量减少焦点用户喜好变化导致的同质性影响 用户的偏好可能随着时间的推移而改变，为了减轻这种担忧，作者构建了一个子样本，其中现有好友和未来好友是在当前时期开始的90天内形成的（也验证了60天和120天的情况，得到了类似的结果），这增加了现有好友和未来好友的相似性，使未来好友评论能够更好地反映同质性效应。 作者构建了一个子数据集，识别出了84对符合条件的用户对A-B：B在成为A的朋友前90天内对餐厅1写过评论，在成为A的朋友后90天内对餐厅2写过评论。通过对比B和A成为朋友之前和之后的评论对A评论行为的影响，保持了同质性的影响不变。由于该数据集数量有限，作者采用了单因素方差分析，结果表明，“成为朋友之后”的用户平均评论数量为0.29（SD=0.46），“成为朋友之前”的用户平均评论数量为0.09（SD=0.29）。两组间差异有统计学差异（F(1.82)=4.97，p=0.028）。这一发现说明除了同质性效应外，还存在积极的好友评论效应。 5.2验证观察到的好友贡献效应不能仅用意识效应或和朋友一起去餐厅来解释 观察到的好友评论效应可能是因为好友评论比陌生人评论更容易看到，从而导致意识效应，而不是因为用户对好友和陌生人的评论反应不同。为了排除这种可能性，作者利用了书签（bookmarks）中的数据（类似于美团上收藏某家餐厅）。用户是在已经知道某家餐厅的情况下，才会为该餐厅添加书签。如果好友评论的目的只是为了让用户知道某家餐厅，那么对于用户已经添加书签之后的餐厅，好友评论将不会影响用户的评论概率。为了验证这一想法，作者选取了符合条件的数据集并采取了与主分析类似的分析过程，结果与主分析结果一致。 另一个可能存在的解释是用户和朋友一起去餐厅，从而出现好友评论导致用户评论的结果。为了缓解这一担忧，作者添加了一个新的变量 ，定义为与焦点用户生活在同一城市的当前好友在t-1期撰写的评论数量，结果与主分析结果一致。 5.3当包括老朋友评论和不活跃用户时，结果是一致的 在主要分析中，只考虑了前一阶段好友评论的影响，以前的好友评论可能也存在影响，忽略它们可能会导致偏见。作者在主模型中添加了t-2和t-3期的好友评论（ 、 、 和 ），结果与主分析结果一致。 作者对评论数量的主要分析只包括活跃用户（即在研究期间至少写过一篇评论的用户），为了进一步评估结果稳健性，作者将研究期间为写过评论的用户纳入数据集进行分析，结果与主分析结果一致。 作者使用评论文本长度作为评论质量的另一个代理，结果与基于投票的质量衡量方法一致。 6.结论 通过调查平台是否可以使用好友贡献提示来激励用户撰写更多高质量的评论，本文发现当在线好友撰写了餐厅评论之后，用户对同一家餐厅提供评论的可能性要高出三倍，这种效果不能仅仅用同质性效应或意识效应来解释；好友评论对评论较少的餐厅和评论撰写经验较少的用户有更强的影响；同时，在好友评论之后撰写的评论质量更高，篇幅更长，内容更新颖。 参考文献：Ke Z, Liu D, Brass D J. Do online friends bring out the best in us? The effect of friend contributions on online review provision[J].Information Systems Research, 2020, 31(4): 1322-1336. 
是否为餐厅
撰写评论。
相关素材