想象一下你想要选购一款笔记本电脑，于是打开购物网站看看其他消费者留下的评论。你的初衷是借鉴一下大家的意见，毕竟群体的智慧（wisdom of crowd）应该可以帮助你更好地了解产品的特性。但是你是否经历过这样的情形：在看了大家的评论之后，你对即将选购的产品的评判标准发生了变化，比如你本来是想要一款性价比高的电脑，但是看了一些评论之后你对电脑属性的偏好“动摇”了——你觉得外观好看似乎更为重要？

今天为大家介绍的MISQ文章——由Ben Liu和Elena Karahanna合著的“The Dark Side of Reviews: The Swaying Effects of Online ProductReviews on Attribute Preference Construction”就研究了网络口碑对产品特性偏好的“摇摆效应”。

研究背景和研究问题

偏好（preference）被定义为人们选择一个对象或行动而不是另一个的倾向（Simonson 2008）。偏好是不稳定的，不一致的，并受一系列环境因素的影响（Payne et al，1992），因为人们使用策略和启发式方法来构建偏好（Bettman et al，1998）。属性层面的偏好（attribute-level preference），被定义为消费者在产品评价中对各种属性所赋予的相对重要性。在线环境中的属性偏好更容易受到信息呈现的影响，因为：1）在线环境中信息呈现的有更大的便捷性和灵活性；2）各种决策工具（如推荐系统、产品比较矩阵）可以帮助消费者处理产品信息。不同于以往研究考察基于卖方提供的信息对于消费者属性偏好构建的影响，本文探讨了消费者生成的在线评论对属性偏好构建的影响。

本文主要关注三种在线评论的特征对于消费者属性偏好的动摇效应，分别是1）在线评论中有关属性性能的信息量（比如关于笔记本电脑电池续航能力这一项属性是否在评论中被大量地提及？）；2）在线评论中有关属性性能的信息冲突程度（比如不同的消费者是否对笔记本电脑的电池续航能力褒贬不一？），和3）产品总体数字评分和属性性能信息之间的关系（比如某款笔记本电脑整体获得五星好评，但是评论中却表示其电池续航能力不尽如人意）。

理论与假设

本文提出四条假设：

H1：消费者在评论中读到的属性信息量越大，对属性的重视程度就越高。

作者提出两条信息处理路径来支持这一假设。第一是自动路径，也即单纯的可及性效应（mere accessibility effect）。简单来说就是关于一条属性的信息在被大脑处理的越多，越容易存储在长期记忆当中，也就越容易在相关的情境下被想起。第二是有意识的推理路径，也即社会学习（social learning）或信息级联（information cascade）。简单来说就是消费者越多地读到关于某条属性的信息，就越会推测这条属性对于评论者很重要，因此也会认为这条属性对自己也很重要。

H2：一个属性的信息冲突程度越大，对该属性的重要性权重就越大。

作者提出该假设的理由是：一般来说，人们都会自发地去解决矛盾的信息，形成一个综合的结论(Hastie 1980)。因此，冲突的信息会诱发详尽排练（elaborative rehearsal）来解决冲突。这样的详尽排练增加了属性信息在记忆中的可及性，也就使该属性所获权重更大。简单来说就是消费者会更仔细地权衡关于一个属性的冲突信息，想的越多越仔细，就越相信该属性是重要的。

H3: 关于一个产品属性的评价和对产品整体的判断之间的一致性程度越高，对属性的重要性权重就越大。

作者提出该假设的理由是：产品整体的数字评价会有强烈的锚定效应（anchoring effect），而当一个产品属性的评价和这个“锚”一致的时候，根据认知一致论（cognitive consistency），消费者会认为这样的属性更为重要。举个例子：如果一部电脑整体获得了五星好评，评论中说到系统运作流畅（也即和整体判断一致）但电池续航能力差（也即和整体判断不一致），消费者会倾向于认为系统运作是否流畅比电池续航能力更重要。

H4：在线产品评论具有摇摆效应，也就是说，对产品属性重要性的评估将更多地受到评论特征的影响，而不是产品属性与决策背景的相关性。

这是因为处理决策背景比检索决策背景更省力。简单来说，当消费者阅读评论的时候，处理眼前的评论信息更为直观和省力，但是要在这时回想自己为什么想要买这件产品，或自己将用这件产品做什么用途，则需要从记忆当中提取信息，这会更加费力。

研究方法

作者进行了三项研究来检验我们的假设。第一个研究是一个随机实验，作者操纵了三个假设的因素，并研究它们对构建的属性偏好的影响。参与者被支付参与第一项研究的统一费用。作者招募了52名大学生，并付给他们5美元的报酬。参与者需要完成的任务是为他/她的朋友鲍勃的祖父选择一台相机，这需要评估涵盖8个属性（4个相关和4个不相关）的10条评论。研究一采用了2（属性信息量：高或低）×2（属性信息冲突：高或低）×2（总体数字评分：高或低）混合因子设计，总体数字评分作为主体间因素。

作者承认，由于在研究一当中，无论参与者选择相机的过程和结果如何，他们所得到的报酬是一样的，因此这对内部效度有一个潜在威胁：结果可能会受到参与者没有足够的动机来处理评论信息的影响。为了排除缺乏动机这一潜在威胁，作者进行了第二项研究。这项研究中使用了金钱奖励，以诱导参与者在处理评论信息时有较高的积极性。具体来说，每位参与者将获得出场费5美元，但根据其根据任务表现会额外获得最高15美元的金钱奖励。

前两项研究都是随机对照实验（randomized control experiment），使作者能够评估研究变量间的因果关系。在此基础上，作者又做了一个自由模拟实验（free simulation experiment），以提供更高的真实性和可推广性。在第三项研究中，作者对实验设计做出如下调整：1）允许参与者决定阅读哪些评论以及阅读的顺序；2）使用真实网站的评论而不是被操纵的评论。此外，在实验数据方面，第三项研究还分析了参与者的口语报告（verbal protocol）和点击流数据（clickstream data）。

结论与启示

以上三项研究的结果一致地支持了作者提出的四条假设。总结来说，作者发现这三个评论特征影响了属性偏好，而且它们的影响足够强大，以至于属性偏好受这些在线评论特征的影响比受属性与消费者决策环境的相关性的影响更大。

参考文献: Liu, Q.B., & Karahanna, E. (2017). The dark side of reviews: The swaying effectsof online product reviews on attribute preference construction. MIS Q., 41(2),427-448.

DOI: 10.25300/MISQ/2017/41.2.05

作者信息

Ben Liu

Position: associate professor in theDepartment of Information Systems at City University of Hong KongSite:

Site:https://www.cb.cityu.edu.hk/staff/qianqliu/

Email:ben.liu@cityu.edu.hk

Elena Karahanna

Position: DistinguishedResearch Professor & C. Herman and Mary Virginia Terry Distinguished Chairin Business Administration in the Management Information Systems Department atTerry College of Business, University of Georgia

Site: http://elenakarahanna.net/?page_id=2

Email: ekarah@uga.edu