他们发现公司在超级碗之前积累的粉丝数量可以预测他们在超级碗之后积累的粉丝数量，但《今日美国》上对于公司的星级评分对粉丝没有预测作用。
然后，他们增加了每个广告的推文的文本情感性因素作为主要预测因素，并增加了文本的平均效价作为控制变量。其发现《今日美国》的星级评分和推文的效价对新粉丝的数量没有预测作用。然而,关于商业推文的文本情感性语言的正面积极性程度越高, 公司在接下来的两周内积累的Facebook粉丝就越多。
5. 餐厅预订量：评分与情绪都有用
在研究案例4中，研究者们根据截至2017年伊利诺伊州芝加哥市存在的所有餐厅的前30条Yelp.com评论，研究了餐厅的成功和预定量问题。他们用这些评论来索引每家餐厅的平均星级 (1到5星)、文本效价 (valence) 和文本情感性。
而这一次，他们的研究结果与先前的3个研究案例不同，在餐厅预定量的问题上，平均星级评价可以预测更多的餐桌预订量。他们接着将餐厅前30条评论的文本情绪化因素以及其文本效价添加到回归模型中去。平均星级评价变得不显著（见图2左），并且文本的效价却是一个积极的预测因素。除了这些影响之外，存在着更多积极情感性语言评价的餐厅将会得到更多的用餐预定（见图2右）。
图2. (左) 预测餐桌预定量与其电影星级评价的关系; (右) 预测餐桌预定量与其电影评价文本中的情绪化因素的关系
6. “海量”评价积极性问题的解决途径
现如今，大规模在线评价信息中的“海量”评价积极性问题已经越来越普遍化，并且有时会伴随着商家自己为了使得自己的商品或者服务得到更好的销售从而进行刷好评的操作，这就会进一步造成大众消费者从中识别有效信号的困难性。而基于情绪化的语言评价可以成为解决这个问题的正确途径。这就需要呼吁相关第三方平台组织要更加关注个人态度的情感性。平台管理者可以考虑汇总评论者的语言，并提供一个“情感星级”，以向个人提供更有意义的评估参考。而具有有效预测性，并且可以取代星级评价的指标的探索性研究将会留给对此研究问题感兴趣的研究人员。
参考文献：
[1] Hu, N., Zhang, J. & Pavlou, P. A. Overcoming the J-shaped distribution of product reviews. Commun. ACM 52, 144–147 (2009).
[2] Woolf, M. Playing with 80 million Amazon product review ratings using Apache Spark. minimaxir http://minimaxir.com/2017/01/amazon-spark/ (2017).
[3] Yelp Factsheet (Yelp, 2017); https://www.yelp.com/factsheet
[4] Athey, S., Castillo, J. C. & Knoepfle, D. Service quality in the gig economy: empirical evidence about driving quality at Uber. White Paper. https://doi. org/10.2139/ssrn.3499781 (2019).
[5] Tooby, J. & Cosmides, L. The past explains the present. Ethol. Sociobiol. 11, 375–424 (1990).
[6] Ekman, P. E. & Davidson, R. J. The Nature of Emotion: Fundamental Questions (Oxford Univ. Press, 1994).
[7] Rocklage, M. D. & Fazio, R. H. Attitude accessibility as a function of emotionality. Pers. Soc. Psychol. Bull. 44, 508–520 (2018).
社会计算系列读书会启动招募
随着大数据的持续积累和数字技术的迭代，社会计算（social computing）这一交叉领域正快速兴起，社交网络分析、自然语言处理、机器学习、系统动力学、多主体建模等技术在这一领域碰撞融合，逐渐挖掘出信息时代社会行为的深层规律。
集智俱乐部以「社会计算」为主题，组织为期10-12周的读书会，多位专家牵头，研读经典和前沿文献，交流激发科研灵感。读书会由王硕老师发起，专家顾问团包括孟小峰、罗家德、王晓、吕鹏、王静远、李勇等多位老师。
详情以及报名方式见：
原标题：《群体智慧前沿：大众评分落伍了，情感评分更有用》
阅读原文
来源：澎湃新闻客户端
