评分不一致性对在线评论有用性的影响——归因理论的视角

苗 蕊, 徐 健

(1.复旦大学管理学院，上海 200433；2.东北财经大学管理科学与工程学院，辽宁 大连 116025)

1 引言

口碑是消费者之间有关产品或服务的非正式的信息沟通[1]。网络技术与Web2.0的快速发展为消费者提供了一个在网络上传播口碑的平台，网络口碑打破了传统口碑在时间和空间上传播的限制，已经成为消费者在选择、购买产品或服务时的重要信息源[2-3]。

在线评论(Online review)是网络口碑的一种重要形式，一般指潜在或实际消费者在电子商务或第三方评论等网站上发表商品或服务的正面或负面观点[4]。近年来，绝大多数的电子商务网站都开始建立在线评论系统来鼓励消费者发表评论，此外，诸如Epinions，Yelp和豆瓣等形式的第三方在线评论网站也大量涌现出来。随着在线评论的普及，消费者可以很容易地在网上找到各种产品或服务的评论信息来帮助他们做出购买决策，但这也带来了另一个严重的问题，即信息过载，评论数量过多、垃圾评论和虚假评论等使消费者很难从在线评论中找到对他们的决策有帮助的信息。为了解决这一问题，很多提供在线评论的网站都会在每条评论的旁边设置评论是否有用的消费者投票，消费者能够根据有用性筛选或排序评论，这有助于解决信息过载的问题[5-6]，帮助消费者减少购买的不确定性，做出更好的购买决策[7]，提升消费者对网站的使用体验以及服务满意度[8]。

鉴于有用评论对消费者和网站的重要性，近年来许多研究都开始关注在线评论有用性的问题，这些研究多基于信息诊断性理论或信息处理理论等探讨了什么样的在线评论被消费者认为更有用，希望能够准确理解并预测在线评论的有用性。目前相关研究几乎都将评论的星级评分作为影响在线评论有用性的一个重要因素，但对于在线评论的星级评分是如何影响其有用性的至今仍缺乏一个统一的结论。此外，鉴于在线评论系统在显示单条评论评分的同时还提供了产品的平均星级来综合表示所有消费者对产品的评价，一些研究基于从众效应，探讨了评论的星级评分与产品平均星级间的不一致性对在线评论有用性的影响，但目前这方面的研究较少，对评分不一致性的影响机理也缺乏深入地探讨。基于此，本文将在已有研究的基础上，基于归因理论，采用真实数据从评论的星级评分与产品的平均星级间的不一致性的角度对在线评论的星级评分对其有用性的作用机制进行深入地探讨，旨在从一个新的视角去解释在线评论的星级评分是如何影响其有用性的。

2 理论模型与研究假设

目前对在线评论有用性的研究中所识别出的影响在线评论有用性的因素可以划分为评论特征、评论者特征和阅读者特征三类，如表1所示。

表1 在线评论有用性的重要研究文献

其中，星级评分几乎是所有文献都会探讨的一个影响在线评论有用性的重要特征。评论的星级评分是评论者在提交评论时，以星级形式给予商品或服务的一个总体评价，它是评论极性的一种表现。一星反映对商品或服务极端负面的评价，五星反映极端正面的评价，三星则反映了中立的态度。但目前的研究对于评论的星级评分对评论有用性的作用方向的观点不一，总体有三种不同的观点。第一，从信息诊断性来看，相比于态度模糊不清的中性评论，极端评论会提供更多的信息供消费者做出判断，因而被认为更有用[5,11-12,25]。此外，确认倾向会使得消费者去寻找证据来确认其对商品或服务的初始态度，即买或者不买，因为很多消费者是想要购买商品才去阅读评论的，对商品抱有一种正向的倾向，所以星级高的评论比星级低的评论更有用，特别是对体验商品而言[13-14,20]。第二，消费者存在一种负向倾向，特别是在面对大量的正面信息的情况下。而在线评论中正向评论的数量要大于中性和负向评论的数量，所以在这种情况下，星级低的评论更有用[15]。第三，中立评价和双边信息会提高信息来源的可信性。对于体验商品，由于个人经验和品味在评价中起到了很大的作用，极端评价的可信性会受到质疑，所以中性评论相对于极端评论更有用[9,22]。还有一些研究从单条评论的星级评分和产品平均星级间的不一致性的角度考虑了星级评分对评论有用性的影响，认为由于消费者从众心理的存在，星级评分和产品平均星级间的差异越大，评论有用性越低[17,23,26]。但目前这方面的研究只得到了初步的结论，没有对评分不一致对评论有用性的影响机制作深入地探讨。而鉴于目前的在线评论系统几乎都同时提供了评论评分和产品的平均星级这两类信息，当消费者同时面对这两类信息，特别是两类信息不一致时，会对评论的有用性做出什么样的推断是需要研究的一个问题。

归因理论是关于人们如何解释自己或他人的行为, 以及这种解释如何影响其态度和行为的心理学理论。归因理论可以解释当人们面对传播者以某种方式呈现的某种状态或者行为时怎样进行因果推断，因而已经被用来揭示口碑的可信度以及说服效果等关于消费者感知和推断的领域[27-34]。Sen和Lerman[29]指出归因理论对于理解评论读者对评论传播者发表评论的动机的推断很有帮助。人们通常将传播者的说服性信息归因为刺激因素(如产品因素)或者非刺激性因素(如传播者或者环境等非产品因素)。当消费者越多地将传播者有关产品的评论归因为产品内在的实际功效，消费者就会越相信产品评论，对评论中所提及的产品功效越会产生坚定的信念，从而更容易被该产品评论说服。另一方面，归因理论的折扣原则认为，当消费者将传播者的评论归因为其他与产品无关的外部刺激因素(如环境因素)时，消费者则会对传播者的动机产生怀疑，更少被该评论说服[30-31]。李巍和王志章[32]利用归因理论解释了发布在不同平台上的在线评论是如何影响消费者对产品的判断的。Sun Wenjun等[33]从归因的角度解释了不同类型的产品的正向评论的有用性的差异。Qiu Lingyun等[34]采用实验研究的方法从归因理论的角度解释了评论的星级评分与平均星级间的不一致性对在线评论的可信性和诊断性的影响，他们的研究表明评论的星级评分与平均星级间的不一致性表明了评论的传播者与其他传播者间有关产品评价的意见分歧。这种意见分歧越大，消费者越会将这一分歧归因为与产品无关的刺激因素，并认为评论的传播者是有隐藏动机的，如报复或故意发布虚假信息，因而在线评论的可信性和诊断性会大打折扣。

基于以上的研究，以归因理论为分析框架，本文将研究焦点放在评论的星级评分与平均星级间的不一致性对在线评论有用性的影响上，并特别要考虑星级评分和平均星级间差异的方向和产品的评论总量在这一影响过程中的调节作用，本文的研究模型如图1所示。

图1 研究模型

2.1 评论的星级评分与平均星级间的不一致性对在线评论有用性的影响

在线评论的传播者与消费者间的关系是一种弱关系，消费者通常并不知道传播者的真实身份和真实动机。这种基于弱关系的口碑传播会使得想要判断传播者有关产品评价的可靠性和可信性变得十分困难，因而消费者试图通过其他线索对传播者的动机进行归因判断，进而推断评论的可靠性和可信性，而评论的星级评分与平均星级间的不一致性就是消费者的归因线索之一。根据归因理论，一致性被定义为个体对刺激物的响应与他人响应间的一致性程度。Kelly[35]认为当人们试图解释他人对刺激物的响应时会受到一致性的影响。一致性高意味着大多数人对同一刺激物都有着相似的响应，因而这种响应更可能是由刺激物自身的因素引起的，而一致性低意味着个体对刺激物的响应与大多数人不一致，因而这种响应更可能要被归因于与刺激物无关的外部因素。在在线评论的背景下，刺激物即为产品本身，评论者的评分代表其个人对产品这一刺激物的响应，而产品的平均星级反映了所有评论者对该产品的响应。当单条评论的星级评分与平均星级间存在较大分歧时，这意味着评论者与其他人对产品这一刺激物的响应不一致，这种不一致会使得消费者将该条评论中评论者对产品的评价归因于与产品本身无关的外部因素，而不是归因于产品的真实功效，进而怀疑评论者的真实动机(如评论者有偿发布有关产品的正面评价或恶意贬低产品等)。这种怀疑会降低消费者对该条评论的可信性和可诊断性的感知，而评论的可信性和可诊断性是消费者采纳评论的前置变量，因此，消费者对该条评论有用性的感知会降低。故本文提出如下研究假设：

H1 单条评论的星级评分与平均星级间的不一致性与该条评论的有用性呈负相关关系，即评分不一致性越高，该条评论的有用性越低。

2.2 产品的评论总量的调节作用

产品的评论总量反映了对该产品进行点评的总人数。产品的评论总量越高，意味着产品的平均星级来自越多人的评价，因此，产品的平均星级的代表性就越高。当产品的评论总量高时，如果一条评论的星级评分与平均星级间的不一致性很高，这就意味着与该评论者对同一刺激物的响应存在差异的人数众多，基于从众心理，理性的消费者越可能将评论中对产品的评价归因为与产品功效无关的因素，而选择依赖产品的平均星级即大众的评价而不是该条评论来进行决策。因而消费者对该条评论可信性和有用性的感知会降低。因此，本文提出如下研究假设：

H2 产品的评论总量会强化评分不一致性与评论有用性间的负相关关系，即产品的评论总量越高，评分不一致性对评论有用性的负面影响越强。

2.3 星级评分与平均星级间差异方向的调节作用

当评论的星级评分高于产品的平均星级时，二者间存在正向差异，反之，二者之间存在负向差异。根据归因理论，人们对于正向信息和负向信息的因果归因是不同的。基于社会规范理论，人们更倾向于发布正面信息而不是负面信息以符合社会规范，因而当评论的星级评分与产品的平均星级间不一致性高是由过高的正向差异导致时，消费者更可能会将由极端正向评论导致的不一致性归因于产品之外的因素如评论者对社会规范的遵从。而当消费者面对负向产品评论与产品的平均星级差异较大时，消费者会表现出风险厌恶的倾向，出于自我保护的动机，他们可能会选择相信单条评论的评分而不是平均星级，以降低购买产品的风险，减少不必要的损失。因此，当评论的星级评分与产品平均星级间存在负向差异时，评分不一致性对评论有用性的负面影响会降低，故本文提出如下研究假设：

H3 当评论的星级评分与产品平均星级间为正向差异时，相比较于负向差异，评分不一致性对评论有用性的负面影响更强。

3 数据与模型设定

3.1 数据收集

本文以携程旅行网上有关酒店的在线评论为研究对象。携程网是一个提供酒店、机票和景点门票等预订服务的网站，网站上也提供了在线评论系统供消费者来发表和查找评论。酒店是一种典型的体验型产品，消费者在购买之前很难评估产品的真实质量，因此消费者会主动搜集详细和可靠的信息来降低决策的不确定性，而其他消费者发表的在线评论是获取信息的一个重要渠道。据Tnooz在2014年的调查表明，80%的消费者在预订酒店之前会阅读大量的在线评论。因此，酒店产品的在线评论为我们研究在线评论的有用性提供了一个非常好的背景。本研究采用自行开发的爬虫工具在2016年6月抓取了携程网上所有位于北京的酒店的在线评论数据，基本覆盖了抓取点之前北京市537家酒店共计1048575条评论。本研究抓取了每一条在线评论的星级评分、评论正文、发表时间、评论者ID和有用投票数等，还抓取了每一家酒店的名称、成立年份、总的评论数量、平均星级及其在位置、设施、服务、卫生四个方面的评分等数据。为了保证研究的有效性，我们首先剔除了评论的星级评分为0的样本以及缺少评论正文内容的样本；其次，由于近期的评论没有足够的时间来累积有用投票数，故我们剔除了在数据抓取日期前两个月内发表的评论，最终共计保留832233条有效的在线评论。

3.2 研究变量

在线评论有用性是研究模型中的因变量。现有文献对在线评论有用性的测度方法有两种：一种通过评论的有用投票数占总投票数的比例来测度有用性；另一种是通过评论的累积有用投票数来测度。因为携程网只提供了有用投票一个选项，故本文采用评论的累积有用投票数来测量在线评论有用性。

自变量评分的不一致性以每条评论的星级评分和酒店的平均星级之间差值的绝对值来度量。一个酒店的评论总量和评论的星级评分与平均星级间差异的方向作为本研究的调节变量。此外，本研究还参照以往的研究，将评论的长度，酒店的平均星级和评论发表天数作为控制变量。研究中使用的各变量的定义如表2所示。

表3给出了样本数据中各变量的描述性统计结果。从评论层面来看，因变量评论有用投票数的均值为0.164，这是由于样本数据中有91.63%的在线评论其有用性投票数为0导致的，因变量的方差为0.921，显著高于其均值，说明样本数据中因变量取值高度地离散化；评论的平均长度为22.959个字；评分不一致性的均值为0.603。本研究还分别计算了评论的星级评分与产品的平均星级间的正向和负向差异，从表3中可以看出，负向差异显著高于正向差异，这说明评论者在给出低于平均星级的评分时，会偏离大众意见更多一些。从酒店层面来看，每家酒店平均收到4484.264条评论，酒店平均星级的均值为4.354。

表2 模型变量与测度指标

表3 变量的描述性统计

3.3 模型设定

本研究的因变量在线评论有用性是一个计数变量，从其分布来看，在数据集中91.63%的评论没有获得任何有用性投票，也就是因变量的取值中存在了太多的0值，并且因变量的离差过大，因此，选用零膨胀负二项回归模型对研究假设进行检验更为合适。零膨胀负向二项回归是分两步进行的。在本研究中，第一步先决定因变量取0值是由于该条评论没有被阅读因而没有有用性投票，还是由于该条评论被阅读了但是被消费者认为没有用因而没有有用性投票，这相当于二值选择；第二步再决定在那些被消费者阅读了的评论中有用性投票数的多少。因变量的混合分布如下所示：

(1)

p(y=h)=(1-π)

(2)

其中，π为零膨胀参数(0<π<1)，π越大表示计数数据中零占的比例越大，θ为负二项分布中的散度参数，λ=exp(βx+ε)，x为模型中的自变量和控制变量，π，θ和β均为待估计的参数。

4 结果与讨论

本文为了去除各变量取值量纲的影响，在回归前，对产品的评论总量，评论长度和评论发表天数三个变量取其自然对数。此外，为了检验产品的评论总量这一连续型变量的调节作用，本文遵循已有研究将自变量评分不一致性和调节变量产品的评论总量做了去中心化处理。

本文采用分层回归的方法来检验自变量的主效应和产品的评论总量的调节效应，首先将自变量、控制变量以及产品的评论总量这一调节变量加入模型中进行回归，即为模型1，然后再将自变量和调节变量的交叉项加入模型，得到模型2，并分别用负二项回归(NB)、零膨胀泊松回归(ZIP)和零膨胀负二项回归(ZINB)三种方法对两个模型进行了回归。两个模型的回归结果如表4所示。

零膨胀泊松回归和零膨胀负二项回归的第一步是估计因变量取值中过多的0值是由什么原因造成的，因为篇幅有限，故本文没有报告第一步的回归结果，而只报告了第二步的回归结果。从表4可以看出，三种方法的估计结果差别不大，主要变量的估计系数的符号和显著性水平基本一致。

表4的第3和6列分别给出了两个模型零膨胀负二项回归的Vuong统计量的值，其在1%的显著性水平下均显著，这说明零膨胀负二项回归模型要优于负二项回归模型。表4的第3和6列两个模型零膨胀负二项回归的LR检验显示存在过度离散现象，因此拒绝零膨胀泊松分布，而应选择零膨胀负二项回归方法。

从两个模型零膨胀负二项回归的Likelihood Ratio的显著性和McFadden's R2值来看，两个模型的整体拟合结果都可以接受。从系数的估计结果来看，两个模型呈现较好的一致性。下面仅对表4中第6列显示的模型2的零膨胀负二项回归的结果进行分析。

表4 模型回归结果

注： ***代表1%的显著性水平，**代表5%的显著性水平。

在模型2中，三个控制变量对因变量的影响都是正向且显著的，其中，评论长度越长，在线评论有用性越高；评论发表的天数越长，则其越有足够的时间来累积有用投票，因此在线评论有用性越高，这些结果与已有文献的结论相吻合。自变量评分不一致性的回归系数为-0.135且在1%的水平下显著，说明评分不一致性越高，在线评论有用性越低，假设H1得到了验证，这一结论也与已有研究的结论一致[17, 23, 26]。产品的评论总量的系数为负向且显著，说明某种产品的总评论量越高，则单条评论的有用性越低。模型中评分不一致性与产品的评论总量的交叉项的系数为-0.036且在1%的水平下显著，说明产品的评论总量强化了评分不一致性对因变量的负向影响，即产品的总评论量越高，评分不一致性对在线评论有用性的负向影响越大，假设H2得到了验证。

为了进一步验证评论的星级评分与平均星级间差异的方向的调节作用，本文分别对星级评分与平均星级间存在正向差异和负向差异的评论进行了回归分析，结果如表5所示。

从表5可以看出，当评论的星级评分与平均星级间存在正向差异时，评分不一致性的系数为-0.495且在1%的水平下显著，而当评论的星级评分与平均星级间存在负向差异时，评分不一致性的系数为-0.080且在1%的水平下显著。可见，当评论的星级评分与平均星级间存在正向差异时，评分不一致性对在线评论有用性的负向影响要比存在负向差异时更大，假设H3得到了验证。

表5 星级评分与平均星级间差异方向的调节作用

注： ***代表1%的显著性水平，**代表5%的显著性水平。

5 结语

本文围绕着什么样的在线评论更有用这一核心问题，考察了评论的星级评分与平均星级间的不一致性对评论有用性的影响。以往的研究在评论的星级评分或评分不一致性是如何影响评论有用性这一问题上给出了不同的解释和结论，本文试图从归因的视角来更深入地解释评分不一致性对在线评论有用性的影响，同时也为解释在在线评论的背景下，消费者的行为归因提供了新的证据。本文首先基于归因理论构建了在线评论有用性模型及相关假设，之后，本文从携程网上收集客观数据对研究模型进行了实证检验。本研究得出如下的结论。

(1)在线评论的星级评分与平均星级间的不一致性会对评论有用性产生负向的影响。当评分不一致性高时，消费者基于从众心理会将单条评论归因为与产品无关的外部因素，进而对评论者的动机产生怀疑，从而降低消费者对评论的诊断性和可信性的感知，进而降低其对评论有用性的评价。

(2)产品的评论总量会对评分不一致性与评论有用性间的关系起到调节作用，当产品评论总量高时，评分不一致性对评论有用性的负向影响越强。产品评论总量越高，消费者的从众心理会越强，越会将评论的星级评分与平均星级间的差异归因于与产品功效无关的因素，因而消费者对评论有用性的感知就会越低。

(3)评论的星级评分与产品平均星级间差异的方向对评分不一致性与评论有用性间的关系也会起到调节作用。当评论的星级评分与平均星级间存在正向差异时，评分间过高的不一致性会让消费者将这种差异归因为与产品无关的因素，如消费者对社会规范的遵从，因而评分不一致性对评论有用性的负面影响更大。当星级评分与产品平均星级间存在负向差异时，消费者出于风险厌恶和自我保护的动机，会将评分不一致归因为产品本身的因素，而选择相信和接受该条评论，因而评分不一致性对评论有用性的负面影响会降低。

本文的研究为管理实践也提供了启示。首先，本文的研究表明了产品的平均星级和产品评论总量对消费者判断一条评论是否有用的重要性，因而电子商务网站或第三方评论网站在设计在线评论系统时应该把产品的平均星级和产品评论总量放在醒目的位置上，让消费者能够时刻注意到。其次，本文的研究表明当评论的评分与平均星级间存在较大的负向不一致性时，风险厌恶的消费者可能会更依赖单条评论进行决策从而降低购买风险。因此，商家必须重视少数的负面评论，尽可能控制负面评论对产品和商家的负面影响。再次，亚马逊的在线评论系统中提供了从五星到一星各星级评论的分布情况，根据本文的研究结论这对于消费者判断在线评论的有用性也是十分重要的。因为各星级评分的分布情况可以提供额外的信息，使消费者意识到负向评论可能仅来自于极少数评论者，进而影响消费者的的归因判断，降低负面评论的不利影响。

本文的研究也有一些不足之处。首先，本文的研究选择了酒店这一体验型产品，因而研究结论能否推广到其他的搜索型产品需要进一步地验证。其次，本文的研究没有考察除评论长度外的评论的内容特征，星级评分相同的两条评论，其主客观性分布不同，正负情感倾向不同都会影响消费者对评分不一致性的归因判断，因而未来的研究将把评论的内容特征加入到研究模型中，进一步考察评分不一致性对评论有用性的影响。

参考文献：

[1] Anderson E W. Customer satisfaction and word of mouth [J]. Journal of Service Research, 1998, 1(1): 5-17.

[2] Duan Wenjin, Gu Bin, Whinston A B. Do online reviews matter?-An empirical investigation of panel data [J]. Decision Support Systems, 2008, 45(4): 1007-1016.

[3] 史伟, 王洪伟, 何绍义. 网络口碑对市场销售分布的影响:基于不同产品评价标准[J]. 系统工程理论与实践, 2016,36(7):1744-1752.

[4] Chen Yubo, Xie Jinhong. Online consumer review: Word-of-mouth as a new element of marketing communication mix [J]. Management Science, 2008, 54(3):477-491.

[5] Cao Qing, Duan Wenjing, Gan Qiwei. Exploring determinants of voting for the “helpfulness” of online user reviews: A text mining approach[J]. Decision Support Systems, 2011, 50(2):511-521.

[6] Ghose A, Ipeirotis P G. The EconoMining project at NYU: Studying the economic value of user-generated content on the internet [J]. Journal of Revenue & Pricing Management, 2009, 8(2-3):241-246.

[7] Chen Peiyu, Dhanasobhon S, Smith M D. All reviews are not created equal: The disaggregate impact of reviews and reviewers at Amazon.Com [J]. Ssrn Electronic Journal, 2008, 10(11):396-401.

[8] Connors L, Mudambi S M, Schuff D. Is it the review or the reviewer? A multi-method approach to determine the antecedents of online review helpfulness[C]// Proceedings of 44th Hawaii International Conference on System Sciences, Kauai, HI, USA,4-7 January, 2011.

[9] Mudambi S M, Schuff D. Research note: What makes a helpful online review? A study of customer reviews on amazon.com[J]. MIS Quarterly, 2010, 34(1): 185-200.

[10] Liu Yang, Huang Xiangji, An Xiaohui, et al. Modeling and predicting the helpfulness of online reviews [C]// Proceedings of Eighth IEEE International Conference on Data Mining, Pisa, Italy, 15-19 December, 2008: 443-452.

[11] Forman C, Ghose A, Wiesenfeld B. Examining the relationship between reviews and sales: The role of reviewer identity disclosure in electronic markets [J]. Information Systems Research, 2008, 19(3): 291-313.

[12] Ghose A, Ipeirtis P G. Estimating the helpfulness and economic impact of product reviews: Mining text and reviewer characteristics [J]. IEEE Transactions on Knowledge & Data Engineering, 2011, 23(10):1498-1512.

[13] Pan Yue, Zhang J Q. Born unequal: A study of the helpfulness of user-generated product reviews [J]. Journal of Retailing, 2011, 87(4):598-612.

[14] Korfiatis N, Garcia-Bariocanal E, Sanchez-Alonso S. Evaluating content quality and helpfulness of online product reviews: The interplay of review helpfulness vs. review content [J]. Electronic Commerce Research & Applications, 2012, 11(3):205-217.

[15] Racherla P, Friske W. Perceived ‘usefulness’ of online consumer reviews: An exploratory investigation across three services categories [J]. Electronic Commerce Research & Applications, 2013, 11(6):548-559.

[16] Schindler R M, Bickart B. Perceived helpfulness of online consumer reviews: The role of message content and style [J]. Journal of Consumer Behaviour, 2012, 11(3):234-342.

[17] Baek H, Ahn J, Choi Y. Helpfulness of online consumer reviews: Readers' objectives and review cues [J]. International Journal of Electronic Commerce, 2012, 17(2):99-126.

[18] Peng C H, Yin Dezhi, Wei C P, et al. How and when review length and emotional intensity influence review helpfulness: Empirical evidence from Epinions.com [C]// Proceedings of the 35th International Conference on Information Systems, Auckland, 2014.

[19] Yin Dezhi, Bond S D, Zhang Han. Anxious or angry? Effects of discrete emotions on the perceived helpfulness of online reviews [J]. Mis Quarterly, 2014, 38(2):539-560.

[20] Huang A H, Chen K, Yen D C, et al. A study of factors that contribute to online review helpfulness [J]. Computers in Human Behavior, 2015, 48(C):17-27.

[21] 郝媛媛, 叶强, 李一军. 基于影评数据的在线评论有用性影响因素研究 [J]. 管理科学学报, 2010, 13(8): 78-88, 96.

[22] 殷国鹏, 刘雯雯, 祝珊. 网络社区在线评论有用性影响模型研究——基于信息采纳与社会网络视角[J]. 图书情报工作, 2012, 56(16): 140-147.

[23] 殷国鹏. 消费者认为怎样的在线评论更有用？——社会性因素的影响效应[J]. 管理世界, 2012, (12): 115-124.

[24] 严建援, 张丽, 张蕾. 电子商务中在线评论内容对评论有用性影响的实证研究[J]. 情报科学, 2012, 30(5): 713-716.

[25] 闫强，孟跃. 在线评论的感知有用性影响因素——基于在线影评的实证研究[J]. 中国管理科学, 2013,21(S1):126-131.

[26] 刘伟, 徐鹏涛. O2O电商平台在线点评有用性影响因素的识别研究——以餐饮行业O2O模式为例 [J]. 中国管理科学, 2016, 24(5): 168-176.

[27] Pornpitakpan C. The persuasiveness of source credibility: A critical review of five decades' evidence [J]. Journal of Applied Social Psychology, 2004, 34(2):243-281.

[28] Laczniak R N, Decarlo T E, Ramaswami S N. Consumers’ responses to negative word-of-mouth communication: An attribution theory perspective [J]. Journal of Consumer Psychology, 2001, 11(1):57-73.

[29] Sen S, Lerman D. Why are you telling me this? An examination into negative consumer reviews on the Web [J]. Journal of Interactive Marketing, 2007, 21(4):76-94.

[30] Goldsmith R E, Horowitz D. Measuring motivations for online opinion seeking [J]. Journal of Interactive Advertising, 2006, 6(2):1-16.

[31] Lee M, Youn S. Electronic word of mouth (eWOM): How eWOM platforms influence consumer product judgement [J]. International Journal of Advertising, 2009, 28(3):473-499.

[32] 李巍, 王志章. 网络口碑发布平台对消费者产品判断的影响研究——归因理论的视角[J]. 管理学报, 2011, 08(9):1345-1352.

[33] Sun Wenjun, Zhang Lei, Ye Qiang. How the interaction of product type and online review valence affects online review usefulness: An empirical study based on amazon.com [C]//Proceedings of the 3rd International Symposium on Information Engineering and Electronic Commerce, 2011.

[34] Qiu Lingyun, Pang Jun, Lim K H. Effects of conflicting aggregated rating on eWOM review credibility and diagnosticity: The moderating role of review valence [J]. Decision Support Systems, 2012, 54(1):631-643.

[35] Kelley H H. The processes of causal attribution [J]. American Psychologist, 1973, 28(2): 107-128.