國立陽明交通大學 · 管理科學系碩士論文口試

情感衝擊與理性說服：
品牌在負評影響力中的雙重調節機制

The Dual Moderating Role of Brand in the Influence of Negative Online Reviews

研究生

張世欣

指導教授

張家齊博士

口試日期

2026 / 07 / 23

—

Outline

研究大綱

PART I緒論研究背景、動機與缺口

PART II文獻與假設理論基礎、研究假設與架構

PART III研究方法資料、變數、品牌層級與模型

PART IV研究發現迴歸結果、邊際效果與穩健性

PART V討論與結論理論貢獻、管理意涵與限制

01

PART I緒論 · 研究背景

負評，為何具有不成比例的影響力？

01

負面偏誤Negativity Bias

人類大腦對負面資訊給予不成比例的關注與權重，是心理學中最穩固的發現之一。

02

非對稱效應Asymmetric Effect

統合分析證實，負評對銷售的衝擊在統計上顯著大於正評的正面影響。

03

有幫助票數Helpfulness Votes

平台以社群集體智慧，標記出最具參考價值、也最具影響力的評論。

一篇尖銳的負評，本質是一個強烈的「風險信號」；獲得大量有幫助票的負評，更會形成主導輿論的超級負評。

02

PART I緒論 · 研究缺口

從「負評有害」，到「哪種負評最有害」

過去研究止步於「負評有害」的籠統認知，仍存在兩個關鍵缺口：

1

內容的「黑盒子」

現有研究較少在整合框架下，同時檢驗情感、認知複雜度、客觀性等多個文本維度，如何共同形塑負評的說服力。

2

被忽略的「品牌」情境

旁觀者對負評的解讀並非在同質市場中進行。品牌究竟是緩衝墊還是放大器？現有文獻尚無定論，也少有大數據實證。

03

PART II文獻探討

評論有用性與電子口碑 (eWOM)

負面偏誤與非對稱效應Baumeister et al. (2001) · Rozin & Royzman (2001)

「Bad is stronger than good」——負面資訊的權重系統性地高於正面，是研究負評的理論起點。

評論有用性的診斷價值Mudambi & Schuff (2010)

評論的有用性取決於其降低不確定性的「診斷性」，並受評論深度與產品類型影響。

文本探勘與情感分析Hutto & Gilbert (2014)

VADER 等工具可大規模量化評論的情感與語言特徵，銜接行為大數據與理論檢驗。

04

PART II文獻探討

三大文本特徵的理論依據

01

情感強度情緒感染與風險警示

強烈負面情緒透過情緒感染影響旁觀者，並作為一種風險警示信號。

02

評論長度資訊量與不確定性降低

較長的評論承載更多資訊，有助旁觀者降低決策的不確定性。

03

內容具體性客觀診斷性與可信度

可驗證的數值細節提高評論的客觀診斷性，使其更具說服力與可信度。

三者分別對應評論的「情緒層」「資訊層」與「證據層」，共同構成負評說服力的微觀文本框架。

05

PART II文獻探討

品牌的雙面：緩衝墊，還是放大器？

緩衝墊 · Buffering

品牌資產理論

Aaker (1991)

強大的品牌資產能保護企業免受過度的聲譽損害。忠誠顧客傾向將失誤歸因於外部、單一因素，而非品牌本身。

放大器 · Amplifier

品牌背叛理論

Grégoire et al. (2009)

消費者對強勢品牌有極高期望。一旦「好」品牌犯錯，會引發更強烈的情感背叛與負面反應，反而放大負評的衝擊。

本研究整合觀點：品牌究竟是緩衝墊還是放大器，很可能取決於 產品屬性（功能 vs. 風格）。

06

PART II研究假設

四項研究假設

H1

情感強度 → 影響力（正向）

情緒越強烈的負評，越能引發旁觀者共鳴與警覺

H2

評論長度 → 影響力（正向）

資訊越完整的負評，越能降低決策不確定性

H3

內容具體性 → 影響力（正向）

客觀細節（數值）越多，可信度與診斷價值越高

H4

品牌層級的「調節」效應

品牌層級會改變上述文本特徵的影響力路徑

PART II研究架構

研究概念架構

H1–H3：三項文本特徵對評論影響力的主效果；　H4：品牌資產同時調節三條「文本特徵 → 影響力」路徑（以品牌層級操作化）。

07

PART III研究方法

大數據 × 文本探勘 × 交互作用模型

採量化內容分析法，以真實平台行為數據追求高生態效度。

STEP 1

資料來源

Amazon Reviews 2023（UCSD McAuley Lab），5.7 億則評論。

STEP 2

立意抽樣

Electronics（功能導向）vs. Fashion（風格導向），各抽 30 萬則負評。

STEP 3

特徵工程

VADER 情感分析＋ NLP 文本量化＋品牌層級建構。

STEP 4

統計建模

品牌層級交互作用模型，log 依變數＋ HC1 穩健標準誤。

為何選這兩類？　Electronics 重「規格、功能」（理性）；Fashion 重「風格、品味」（感性），形成理想對照。

08

PART III研究方法

資料來源與抽樣程序

1原始評論（Electronics 337 萬／Fashion 500 萬）

2篩選負評：星級 rating ≤ 2

3篩選有效商品：商品評論數 > 10

4聚焦近期：評論時間 ≥ 2020 年

5合併評論與商品後設資料（SQL 視圖）

6固定種子抽樣：seed = 42，各 30 萬筆

資料集特性

UCSD McAuley Lab 公開釋出
涵蓋至 2023 年，分析聚焦 2020 後
真實平台互動，高生態效度
含評論文本、星級、有幫助票、
驗證購買與商品後設資料
以 PostgreSQL 管理與篩選

09

PART III研究方法

變數操作化

依變數 · 評論影響力

有幫助票數 helpful_vote

因高度右偏 → 取 log(x+1) 穩定估計

調節變數 · 品牌層級 (0–4)

全類別總評論數 P75／P95／P99 切分

0 無品牌 → 1 小 → 2 中 → 3 大 → 4 超級品牌

自變數 · 三大文本特徵（標準化後納入）

情感強度

VADER 負向情感分數

評論長度

字數取對數 log(words+1)

內容具體性

可驗證數值細節之出現次數

控制變數：星級、已驗證購買、評論時長、商品平均評分、商品總評論數（連續變數均標準化）。

10

PART III研究方法

品牌層級的建構

不採「有品牌／無品牌」的二分，改以品牌在該類別全部評論中的總評論數為代理，用百分位切成連續五層，捕捉品牌「可見度」的劑量反應。

層級 0

無品牌

層級 1

小型

層級 2

中型

層級 3

大型

層級 4

超級品牌

無品牌　·　< P75　·　P75–P95　·　P95–P99　·　≥ P99

各類別門檻（品牌總評論數）：　Electronics P75=103、P95=918、P99=4496　｜　Fashion P75=53、P95=354、P99=1602

11

PART III研究方法

統計模型設定

OLS 品牌層級交互作用模型

log(helpful_vote+1) ~ 控制變數
　+ sentiment_z + log_length_z + concreteness_z
　+ brand_tier
　+ brand_tier × ( sentiment_z, log_length_z, concreteness_z )

A

交互作用項 = 調節效果

brand_tier × 文本特徵的係數，即 H4 的調節檢驗。

B

HC1 穩健標準誤

校正異質變異，確保大樣本推論穩健。

C

分類別各估一式

Electronics 與 Fashion 獨立估計、直接對照。

12

PART III樣本結構

兩類市場，品牌結構迥異

ElectronicsFashion單位：% of sample

結構性差異

Electronics　大型與超級品牌佔多數，市場由知名品牌主導。

Fashion　逾九成為無品牌標示，長尾獨立賣家為主。

此差異是真實市場樣貌，非抽樣偏誤。

PART IV研究發現 · Electronics

Electronics 迴歸結果

變數	係數	穩健 SE	p 值
截距	0.400	0.005	<.001
星級 rating	−0.134***	0.002	<.001
已驗證購買	0.075***	0.004	<.001
評論時長 (z)	0.036***	0.001	<.001
商品平均評分 (z)	0.024***	0.001	<.001
商品總評論數 (z)	−0.041***	0.001	<.001
情感強度 (z)	0.001	0.002	.581
評論長度 (z)	0.127***	0.004	<.001
內容具體性 (z)	0.056***	0.009	<.001
品牌層級 brand_tier	−0.006***	0.001	<.001
品牌層級 × 情感	0.0018**	0.0006	.001
品牌層級 × 長度	0.009***	0.001	<.001
品牌層級 × 具體性	−0.0001	0.003	.962

N = 300,000　R² = 0.111　brand_tier 主效應為負（基準緩衝）；× 情感、× 長度顯著為正（內容觸發放大）。　*** p<.001　** p<.01

13

PART IV研究發現

Electronics：清晰的「雙重調節」

品牌層級在功能導向市場，同時扮演兩種角色：

① 基準緩衝

−0.006***　brand_tier 主效應

品牌層級越高，一般負評的基準影響力越低。知名品牌的信任背書，緩衝了一般的抱怨。

② 內容觸發放大

×情感 +0.0018**　×長度 +0.009***

負評情緒越強、敘事越完整，品牌層級越高，影響力反被放大。

解讀：消費者對知名品牌有高度功能期待，一旦負評以強烈情感或完整敘事點出問題，便觸發「期望失驗／品牌背叛」，反使其影響力被放大。

PART IV研究發現 · Fashion

Fashion 迴歸結果

變數	係數	穩健 SE	p 值
截距	0.236	0.004	<.001
星級 rating	−0.080***	0.002	<.001
已驗證購買	0.107***	0.004	<.001
評論時長 (z)	0.037***	0.001	<.001
商品平均評分 (z)	−0.003**	0.001	.007
商品總評論數 (z)	−0.026***	0.001	<.001
情感強度 (z)	0.006***	0.001	<.001
評論長度 (z)	0.118***	0.001	<.001
內容具體性 (z)	0.027***	0.001	<.001
品牌層級 brand_tier	0.005***	0.001	<.001
品牌層級 × 情感	0.0002	0.001	.819
品牌層級 × 長度	0.0006	0.002	.694
品牌層級 × 具體性	0.002	0.002	.369

N = 300,000　R² = 0.080　三項文本主效應皆顯著；brand_tier 主效應為正（基準放大），三項交互作用項皆不顯著。

14

PART IV研究發現

Fashion：整體放大，但不調節文本

品牌層級在風格導向市場，呈現與 Electronics 不同的模式：

基準放大　brand_tier = +0.005***

方向恰與 Electronics 相反——品牌層級越高，一般負評的基準影響力反而越高。或反映時尚消費的高情感涉入，使知名品牌的負評更易被放大檢視。

文本特徵效果穩定　三項交互作用項皆 n.s.

情感、長度、具體性的主效應皆顯著，但其作用不隨品牌層級改變。時尚消費高度主觀，旁觀者直接依賴評論內容本身判斷。

對照 Electronics：此處品牌是「整體放大」而非「選擇性調節」，印證品牌角色的產品情境依賴性。

PART IV研究發現 · 交互作用

看「斜率」即是品牌的調節

評論長度的邊際效果

情感強度的邊際效果

ElectronicsFashion橫軸：Brand Tier（0 無品牌 → 4 超級）

Electronics（綠）隨品牌層級明顯上揚＝放大；Fashion（灰）幾近水平＝不調節。情感與長度同時成立，構成「內容觸發放大」的核心證據。

15

PART IV研究發現

穩健性檢驗

依變數對數轉換

log(helpful_vote+1)

校正有幫助票數的高度右偏，避免極端值主導估計。

HC1 穩健標準誤

異質變異一致估計

在大樣本下校正異質變異，確保係數推論穩健。

多元共線性 VIF

Elec. 7.53　｜　Fash. 6.48

交互作用模型的 VIF 皆低於常用門檻 10，無嚴重共線疑慮。

固定隨機種子

seed = 42、各 30 萬筆

抽樣與估計可完全重現，符合開放科學原則。

PART IV研究發現

研究假設驗證結果

假設	內容	Electronics	Fashion	結論
H1	情感強度 → 影響力	主效應 n.s.／交互作用顯著	主效應顯著	部分支持
H2	評論長度 → 影響力	主效應與交互作用皆顯著	主效應顯著	支持
H3	內容具體性 → 影響力	主效應顯著	主效應顯著	支持
H4	品牌層級調節效應	基準緩衝＋內容放大	基準放大／不調節文本	支持（雙重機制）

H2、H3 跨類別穩健；H1 具情境依賴；H4 獲支持，且呈「產品類別差異化」的雙重機制。

PART V討論 · 核心貢獻

品牌的雙重調節，取決於產品屬性

功能導向 · Electronics

緩衝墊＋放大器

基準緩衝一般負評
放大情感與長篇負評

期望失驗、品牌背叛

風格導向 · Fashion

整體放大器

整體放大基準影響力
不調節個別文本特徵

消費判斷高度主觀

品牌不是固定的單一角色，而是隨產品情境切換，為「緩衝 vs 背叛」的理論分歧提供整合性的解答。

16

PART V理論貢獻

三項理論意涵

1

深入 eWOM 的「內容黑盒子」

從星級、數量等宏觀指標，推進到情感、長度、具體性的微觀文本模型。

2

整合品牌緩衝與品牌背叛

證明兩種對立理論並非互斥，而是受產品屬性調節，提供更辯證的視角。

3

計算社會科學的實踐

以百萬級真實互動數據驗證理論，兼顧外部效度與可重現性。

17

PART V管理意涵

給電商與品牌的實務建議

監測

監測高風險負評

優先關注「長篇」且「具體」的負評，它們最容易累積影響力。

科技

科技品牌（功能）

留意情緒強烈、敘事完整的負評；以具體技術解釋與補救，化解期望失驗。

時尚

時尚品牌（風格）

回到評論內容本身：提供清楚尺寸表、材質說明與實穿照，降低落差。

白牌

白牌與長尾賣家

強化規格與資訊揭露，以客觀細節彌補品牌信任的不足。

18

PART V限制與展望

研究限制與未來方向

研究限制

資料單一：僅美國 Amazon，跨文化推論待驗證

依變數限制：有幫助票數 ≠ 購買意願下降

品牌層級：評論規模為代理，非完整品牌資產

具體性：數值細節未涵蓋無數字的具體描述

未納入「賣家回應」的動態交互作用

未來研究方向

跨文化、跨平台比較（如台灣 momo、PChome）

結合實驗法，直接驗證購買意願的因果

結合外部品牌價值榜，精細衡量品牌資產

探討「賣家回應」的服務補救調節效果

19

結論

評論的深度與客觀性是影響力的穩固基礎；而品牌，會隨產品屬性在緩衝與放大之間靈活切換。

懇請各位委員指教　·　敬請指正