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
研究生：張世欣
指導教授：張家齊教授
日期：2026年1月
簡報大綱
- 第一章 緒論
- 研究背景與動機
- 研究問題與目的
- 預期貢獻
- 第二章 文獻探討
- 負評的非對稱效應與內容特徵
- 品牌的緩衝 vs. 放大效應
- 第三章 研究方法
- 研究架構與假設
- 資料來源與處理 (ETL)
- 變數操作化與模型設定
Analysis
1.1 研究背景
隨著數位轉型，使用者生成內容 (UGC) 已成為消費者決策的關鍵。產業調查顯示，高達 96% 的消費者曾參考線上評論 (BrightLocal, 2025)。
心理學研究指出「壞比好強」(Bad is Stronger than Good)。在充滿不確定性的網購環境中，負評被視為更具診斷價值的「風險信號」。
「既然負評如此重要，為什麼有些負評能摧毀轉換率，有些卻石沉大海？」
1.2 研究動機
動機一：解開負評內容的「黑盒子」
過去研究多關注星級或數量，較少從微觀內容層面（情感、長度、具體性）探討是什麼讓一則負評具備「說服力」。
動機二：品牌角色的矛盾與辯證
品牌在面對負評時，究竟是保護傘，還是導火線？
- 傳統觀點：品牌緩衝效應 (Buffering Effect)
- 新興觀點：品牌背叛/放大效應 (Amplifier Effect)
本研究試圖整合這兩個看似矛盾的觀點。
1.3 研究問題與目的
核心研究問題
負面評論的哪些文本特徵會影響其說服力？
且此影響關係是否會受到「品牌屬性」的調節？
- 目的一：利用 NLP 技術量化負評的「情感強度」、「評論長度」與「內容具體性」。
- 目的二：檢驗上述特徵對評論「有用性 (Helpfulness)」的影響。
- 目的三：比較「功能導向 (Electronics)」與「風格導向 (Fashion)」產品中，品牌調節效果的差異。
1.4 預期貢獻
理論貢獻
- 微觀視角： 建立 eWOM 影響力的「微觀內容模型」，超越單純的星級分析。
- 雙重機制： 釐清品牌在不同情境下（功能 vs. 風格）何時是緩衝墊，何時是放大器。
實務貢獻
- 危機管理： 協助企業識別「高風險負評」的特徵（如：長篇大論且具體）。
- 數據決策： 展示計算社會科學方法在行銷研究中的應用價值。
2.1 電子口碑的非對稱效應
學術界一致發現，負面口碑 (NWOM) 對消費者決策的影響力，在量級上顯著大於正面口碑。
心理學根源：負面偏誤
"Bad is Stronger than Good" (Baumeister et al., 2001)
源於演化中的風險規避本能。大腦會自動給予負面資訊更高的處理權重與關注度。
消費場景：診斷價值
在網購環境中，負評被視為「診斷性線索」 (Diagnostic Value)。
它能揭示商品潛在的缺陷，幫助消費者排除不良選項，因此具有極高的資訊價值。
➔ 正因如此，本研究聚焦於最具殺傷力的「負面評論」。
2.2 評論影響力的關鍵特徵
本研究將評論的「有用性」視為影響力的代理變數，並歸納出三大微觀特徵：
| 維度 | 變數名稱 | 理論基礎 | 預期影響 |
|---|---|---|---|
| 情感性 | 情感強度 (Sentiment) | 情感訴求 (Emotional Appeal) | 引發共鳴，正向影響 (+) |
| 認知複雜性 | 評論長度 (Length) | 資訊處理理論 | 降低不確定性，正向影響 (+) |
| 客觀性 | 內容具體性 (Concreteness) | 可信度 (Credibility) | 提供客觀證據，正向影響 (+) |
2.3 品牌的雙重調節角色
Aaker (1991)
強勢品牌擁有深厚的信任資產。當發生負面事件時，消費者傾向歸因為外部因素。
➔ 品牌能夠抵禦負評的殺傷力。
Grégoire et al. (2009)
期望失驗與品牌背叛。當備受信任的品牌出錯，消費者會感到被「背叛」，反應更激烈。
➔ 品牌可能會放大負評的衝擊。
本研究提出「情境依賴」觀點：品牌的角色可能取決於產品屬性與攻擊面向。
3.1 研究架構
- H1：負評的「情感強度」與其「影響力」呈正相關。
- H2：負評的「評論長度」與其「影響力」呈正相關。
- H3：負評的「內容具體性」與其「影響力」呈正相關。
- H4 (調節假設) ：產品的「品牌屬性」，會調節負評文本特徵對其「影響力」的影響。
3.2 資料處理流程
3.3 資料來源
Amazon Reviews 2023 (UCSD)
本研究採用 Hou et al. (2024) 釋出的最新大規模電商數據集。
- 生態效度高：真實世界的消費者自然互動行為，非實驗室模擬。
- 規模龐大：涵蓋數億則評論，具統計穩健性。
- 變數完整：包含 helpful_vote (依變數) 與 Brand Metadata (調節變數)。
抽樣設計
選定兩大對比鮮明的品類進行分析（各抽樣 30 萬筆）：
| 類別 | Electronics (電子產品) | Fashion (時尚服飾) |
|---|---|---|
| 屬性 | 功能導向 (Functional) | 風格/感性導向 (Hedonic) |
| 決策重點 | 規格、效能、參數 | 外觀、品味、自我表達 |
3.4 自變數操作化定義
利用 Python (nltk, pandas) 針對 review_text 進行文本探勘：
工具： VADER (Valence Aware Dictionary and sEntiment Reasoner)
定義： 專為社群文本設計，捕捉負面情緒分數 (neg score)。考慮標點(!)、大寫等語氣。
定義： 評論總字數 (Word Count)。
處理： 取對數轉換 log(count + 1) 以修正右偏分佈，符合常態假設。
定義： 阿拉伯數字 (0-9) 出現的總次數。
依據： 參考 Yin et al. (2014)，數字代表規格、尺寸、價格等客觀細節。
3.4 依變數與調節變數
依變數 (Dependent Variable)
指標： helpful_vote (有幫助票數)
意義： 代表旁觀者社群對該評論價值的集體認可。票數越高，潛在說服力越強。
調節變數 (Moderator)
指標： 二元虛擬變數 (Dummy)
- 品牌 (1)： Metadata 中有明確 Brand 欄位。
- 白牌 (0)： Brand 欄位為空或 generic/unknown。
3.5 資料分析方法
為了解決共線性問題並直觀比較品牌效應，本研究採用分組迴歸比較法 (Subgroup Regression Analysis)。
- 建立整體模型： 驗證 H1, H2, H3 的普遍性。
- 建立分組模型： 依據
is_branded將樣本分為「品牌組」與「白牌組」。 - 係數比較： 對比兩組模型中 Beta 係數的顯著性與大小。
- 若 βbrand < βunbranded ➔ 支持緩衝效應
- 若 βbrand > βunbranded ➔ 支持放大器效應
工具：Python statsmodels (OLS)
報告結束
感謝聆聽，敬請指教
Q & A