進階探討及分析

不同來源可信度分析

從上述研究中看出，假說中周邊路徑的「情緒效價強度」線索對於評論幫 助性並未顯著，根據Peng et al. (2014) 研究指出，雖然評論情感會提升評論幫 助性，但是評論的情感不盡然與評論長度一樣越多越好，其中來源的可信度會 影響到閱讀者進行推敲之可能性，來源可信度較高的評論會被認為較可靠與準 確，較容易讓消費者去仔細閱讀評論的內容，因此消費者在閱讀評論時，可能 根據不同來源可信度之下，會在意不同的評論線索。

對此我們以來源可信度作為樣本切割的依據，本研究中來源可信度是以「評 論者排名」作為衡量變數，為評論者在Amazon.com 上面根據過去評論紀錄所得 到的綜合排名，排名越高的使用者所撰寫的評論內容可信度較高。因此將 Wang et al. (2013) 資料集中的評論資料透過評論者排名進行分類。由於評論者排名前 20% 的變異較大，如圖 5-1 所示，故本研究將資料由原本 40,485 筆評論樣本切 割為三群，分別為前段 20% (8,097 筆)、中段 40% (16,194 筆) 以及後段 40%

(16,194 筆) 三個子資料集，並進行負二項迴歸分析。表 5-3 為子資料集的敘述性 統計，表5-4 為迴歸分析結果。

圖5-1 評論者排名之分布圖

39

Standard errors are given in parentheses.

∗∗∗ 𝑖𝑓 𝑝 < 0.001; ∗∗ 𝑖𝑓 𝑝 < 0.01; ∗ 𝑖𝑓 𝑝 < 0.05

40

根據表5-4 的分析結果，我們可以先簡單將評論區分為「前段」 (排名 Top 20% 的評論者) 以及「中後段」 (剩下排名 80% 的評論者)。中央路徑的線索中，

前段評論者的評論長度 (𝛽_{1_𝑡𝑜𝑝}= 0.668; p-value < 0.001)、評論廣度 (𝛽_{2_𝑡𝑜𝑝}= 0.075;

p-value < 0.01) 以及評論可讀性 (𝛽_{3_𝑡𝑜𝑝}= 0.005; p-value < 0.001) 皆高於中後段評論 者，這表示隨著來源可信度的增加，消費者會更看重評論所要傳遞的內容，此時 論點品質會是消費者主要在意的要素。

以評論者排名進行分類後，可以明顯看到周邊路徑的線索與原本模型 (Full Model) 之差異，前段評論者除了評論者排名 (𝛾_{4_𝑡𝑜𝑝}= −0.09 ; p-value < 0.001) 的 效果仍是顯著外，情緒效價傾向 (𝛾_{2_𝑡𝑜𝑝}= −0.232 ; p-value > 0.05) 與情緒喚起度 (𝛾_{3_𝑡𝑜𝑝}= 0.691 ; p-value > 0.05) 皆未達到統計顯著，甚至情緒效價強度 (𝛾_{1_𝑡𝑜𝑝}=

−0.91; p-value < 0.001) 由原本的不顯著轉為負顯著。由此可見，當評論為前段評

論者所撰寫時，消費者較不會在意評論者在文章中所帶有的情感成分，情感含量 較高的評論反而會降低消費者所認知到的幫助性。

整體而言，中後段評論者與前段評論者的結果相反，無論評論長度 (𝛽_{1_𝑚𝑖𝑑}= 0.496; p-value < 0.001; 𝛽_{1_𝑏𝑡𝑚}= 0.371; p-value < 0.001)、評論廣度 (𝛽_{2_𝑚𝑖𝑑}= 0.04; p-value < 0.01; 𝛽_{2_𝑏𝑡𝑚} = 0.023; p-value > 0.05) 或是評論可讀性 (𝛽_{3_𝑚𝑖𝑑}= 0.002; p-value

< 0.01; 𝛽_{3_𝑏𝑡𝑚} = 0.002; p-value < 0.01)，皆可以看出中後段評論者的中央路徑線索

雖然扮演一定程度的重要性，但對幫助性的影響強度較前段評論者弱，其中評論 廣度的效果甚至在後段的評論者中是不顯著的。

中後段評論者反而會受到周邊線索的影響，評論者排名 (𝛾_{4_𝑚𝑖𝑑} = −0.163; p-value < 0.001; 𝛾_{4_𝑏𝑡𝑚}= −0.095; p-value < 0.001) 仍是會影響評論幫助性的要素。如 果將中後段評論者再細分為中段與後段來看的話，可以發現，雖然兩者都會受到 周邊情感線索的影響，但是相較於後段評論者 (𝛾_{3_𝑏𝑡𝑚} = −0.136; p-value > 0.05)，

中段評論者在情感方面是受到情緒喚起度的影響 (𝛾_{3_𝑚𝑖𝑑}= 0.583; p-value < 0.001)，

41

42

43

根據進階分析結果顯示，當消費者在閱讀評論時，整體而言仍是中央線索的 比重高於周邊線索，雖然先前的分析結果顯示隨著排名的改變，消費者對中央線 索的重視程度會有所改變，但是仍然可以看到，相較於周邊的線索，評論內容的 品質仍然會是消費者所看重的評論要素 (𝐶𝑒𝑛𝑡𝑟𝑎𝑙_{𝑓𝑢𝑙𝑙}= 0.151 > 𝑃𝑒𝑟𝑖𝑝ℎ𝑒𝑟𝑎𝑙_{𝑓𝑢𝑙𝑙} = 0.147; 𝐶𝑒𝑛𝑡𝑟𝑎𝑙𝑡𝑜𝑝= 0.171 > 𝑃𝑒𝑟𝑖𝑝ℎ𝑒𝑟𝑎𝑙𝑡𝑜𝑝= 0.044; 𝐶𝑒𝑛𝑡𝑟𝑎𝑙𝑚𝑖𝑑 = 0.123 >

𝑃𝑒𝑟𝑖𝑝ℎ𝑒𝑟𝑎𝑙_𝑚𝑖𝑑 = 0.021; 𝐶𝑒𝑛𝑡𝑟𝑎𝑙_𝑏𝑡𝑚= 0.059 > 𝑃𝑒𝑟𝑖𝑝ℎ𝑒𝑟𝑎𝑙_𝑏𝑡𝑚= 0.010 )。如果再仔細 去看中央與周邊線索，也可以發現本研究所提出的架構中，不同線索對評論幫助 性的影響程度也有所不同。

在中央線索中，消費者最在意的是評論內容的深度，這除了顯示出消費者在 閱讀評論時，評論的深度相較於廣度來說更為重要外，也與過去研究結果相符，

反映出為什麼過去研究學者都會將評論長度、深度納入在評論的分析架構中。

在周邊線索的部分，與本研究先前分析結果大致相同，如果計算前、中、後 的中央對周邊比例，可以看出前段的周邊線索解釋力明顯高於中後段 (49%/

12.6% = 3.9; 38.6%/6.6% = 5.8; 26.6%/4.5% = 5.9 )，但是再深入去看周邊線索中

各項變數的解釋力，可以發現其中影響最大的是評論者排名，評論者的排名無論 是在完整模型或是切樣本後的模型中皆對評論幫助性有所影響，尤其在前段與中 段評論者更為重要；情感部分也如同前一節的分析結果，前段評論者會受到情緒 效價強度的影響，中段評論者會受到情緒喚起度的影響，後段評論者則會受到情 緒效價傾向的影響。

較特別的是，情緒喚起度雖然在前一節的分析結果只對中段評論者有影響，

但是將 𝑅² 分解後發現無論是完整模型或是前、中、後模型中，情緒喚起度皆對 模型有所貢獻，只是在前段評論者會被分散到情緒效價強度、後段評論者則會被 分散到情緒效價傾向上，這也證實了在進行情感分析時，除了正負情緒效價外，

情緒喚起度也扮演十分重要的角色。

44