《Electronic Commerce Research and Applications》:From signals to trust: Multimodal detection and consumer perception of sustainability claims in e-commerce
编辑推荐:
本研究追求两个相互关联的目标。首先,对消费者产品评论进行基于文本的分析,以检验评论和产品描述中的可持续性相关语言是否与产品评分和顾客满意度相关。其次,开发并实证检验一个基于人工智能(AI)的多模态框架,用于检测电子商务环境中的漂绿(greenwashing)行
本研究追求两个相互关联的目标。首先,对消费者产品评论进行基于文本的分析,以检验评论和产品描述中的可持续性相关语言是否与产品评分和顾客满意度相关。其次,开发并实证检验一个基于人工智能(AI)的多模态框架,用于检测电子商务环境中的漂绿(greenwashing)行为,识别卖方生成的可持续性声明与消费者验证体验之间的错位。研究以信号理论(Signaling Theory)和计划行为理论(Theory of Planned Behavior, TPB)作为解释透镜,分析了来自两个大规模电子商务平台的数据:Amazon销售数据集(1465条产品列表)和BaSalam波斯语市场(182275对产品-评论)。采用了自然语言处理(NLP)、基于图像的颜色分析、统计检验和监督式机器学习。结果表明,消费者评论中的可持续性相关语言与更高的产品评分或顾客满意度无关;消费者主要依据功能标准(如性能、可用性和价值)来评价产品。分析进一步表明,可持续性提及频率在不同折扣类别间存在显著差异,其中高折扣(High Discount)类别的频率最高。所提出的多模态检测流程在Amazon留出集上达到81.6 %的总体准确率,在BaSalam数据集上达到97 %,表明其在面向消费者的实时和监管筛查场景中具有潜在用途。研究还讨论了对绿色营销策略、平台治理和可持续性传播政策的启示。
研究背景与问题
电子商务平台已成为可持续产品发现的主要环境,但消费者在购买时无法独立验证环境声明,只能依赖卖家生成的文本、产品图像和先前买家评论。随着可持续营销成为平台上的竞争差异因素,卖方声明与消费者实际体验之间的差距扩大,漂绿(greenwashing)得以大规模持续。监管清查发现,大多数数字零售企业的环境声明具有误导性或不可验证,而可持续属性多为信用属性(credence attributes),消费者在购买前后均难以验证,造成持续的信息不对称。已有漂绿检测多集中于企业披露、ESG报告和广告等企业传播层面,通常用自然语言处理(NLP)识别卖方文件中的欺骗性语言,将漂绿视为卖方话语属性,而非卖方声明与消费者独立报告体验之间的错位。缺乏大规模、多模态、以消费者为锚点的电子商务漂绿研究,是本研究要填补的空白。同时,欧盟《绿色声明指令》(Green Claims Directive, 2023)等监管框架要求平台证实环境声明,也产生了对可扩展检测方法的实际需求。
研究内容与结论
研究人员提出三个研究问题:可持续性相关语言如何反映在消费者评论、情绪和产品评分中;折扣强度如何与评论中可持续性提及频率相关;多模态框架能否在Amazon和BaSalam平台上识别卖方声明与消费者评论证据之间的潜在错位。研究首先对消费者评论进行大规模文本分析,发现可持续性语言与评分和满意度无有意义关联;随后开发并验证了一个融合文本、图像和元数据信号的多模态AI流程,将漂绿操作化为声明-评论不一致。该流程在Amazon留出集上达到81.6 %准确率,在BaSalam数据集上达到97 %,表明其可扩展性。研究将消费者评论分析作为验证机制,弥补了现有研究将评论仅用作潜在特征或预设情绪来源的不足,为绿色营销策略、平台治理和可持续传播政策提供了实证基础。该研究发表于《Electronic Commerce Research and Applications》。
关键技术与方法
研究采用汇聚混合方法设计。数据来源为Amazon销售数据集(1465条产品列表)和BaSalam波斯语市场(182275条产品-评论-图像三元组)。关键方法包括:可持续关键词词典布尔匹配提取文本特征;VADER情感分析器(Amazon)与波斯语BERT模型(HooshvareLab/bert-fa-base-uncased-sentiment-snappfood,BaSalam)进行情感评分;K-Means(k=3)聚类分析图像RGB颜色生成绿色标志与绿色像素比例;以价格、折扣率、评分、图像绿色标志和绿色像素比例为特征训练随机森林(Random Forest)分类器;人工主题编码构建地面真值标签(两位编码者,PABAK=0.966);统计检验包括Pearson相关、Welch’s t检验、Brown-Forsythe检验、Fligner-Killeen检验、ANOVA及Tukey HSD;BaSalam应用SMOTE处理类别不平衡。
研究结果
4.1 RQ1:可持续性语言、评分与消费者情绪
基于Amazon数据,116条评论(约9 %)包含可持续性相关术语。相关性分析显示,可持续性提及与情绪得分相关系数r=0.05,与产品评分r=0.054,均极弱。核密度估计图显示,提及可持续性术语的评论与未提及者具有相似的正向情绪分布。进一步比较被标记为“一致”(Aligned)和“潜在漂绿”(potential greenwashing)的产品,Welch’s t检验、Brown-Forsythe检验、Fligner-Killeen检验及平衡自助抽样均未显示情绪均值或离散度存在可靠差异。BaSalam数据中,182275条记录仅有0.7 %评论提及可持续术语;12951条列表被标记为潜在漂绿,其情绪呈极化而非单一负向。结论是消费者主要依据功能标准评价产品,可持续语言未转化为更高评分或满意度。
4.2 RQ2:折扣强度与可持续性提及
将产品按折扣百分比分为五档后,单因素方差分析(ANOVA)显示可持续性提及频率在折扣类别间差异显著(F(4, 1460)=6.85,p<0.001,η
2=0.018)。高折扣(High Discount)类别平均提及频率最高(0.183),中等折扣(Moderate Discount)最低(0.058)。Tukey HSD事后检验确认仅高折扣与中等折扣、显著折扣之间存在显著差异。可持续性提及在高折扣档达到峰值,而非随折扣深度单调上升。
4.3 RQ3:多模态漂绿检测框架性能
随机森林分类器在Amazon留出集上达到81.6 %总体准确率;漂绿类的精确率为0.857,召回率0.472,F1分数0.609。阈值分析显示,默认阈值偏向精确率,而将阈值降至0.110可将召回率提高到0.944,精确率降至0.349。流程在消费级硬件上每秒处理100条产品列表,平均推理时间10毫秒。完整Amazon数据集中18.6 %(272/1465)被标记为潜在漂绿。BaSalam数据经SMOTE处理后,模型总体准确率达97 %,漂绿类精确率0.87,召回率0.72,F1分数0.79;7.1 %样本被标记为潜在漂绿,其中食品与饮料占78.6 %。结果表明多模态框架可跨平台、跨语言扩展。
讨论与结论
讨论部分从信号理论(Signaling Theory)和计划行为理论(Theory of Planned Behavior, TPB)出发进行解释。信号理论下,可持续性声明若未被产品表现证实,则信号可信度失效,声明-评论不一致不会自动表现为可检测的总体消费者反弹。TPB框架下,评论中的亲环境语言可能主要作为态度表达而非行为驱动;折扣深度作为感知行为控制的平台结构性代理,调节消费者对绿色属性的关注。Amazon与BaSalam之间可持续术语频率差异应归因于文化、语言、品类和平台设计交互作用,而非单纯环境关注度差异。管理层面,定价与可持续传播不应独立管理;促销会放大对声明的审视。检测框架的阈值选择属于治理决策:面向消费者的工具应优先精确率,监管筛查应优先召回率。该流程是市场传播筛查工具,不能替代生命周期评估和ISO 14024生态标签等正式确证机制。
研究结论(翻译):本研究做出两项相互关联的实证贡献。第一,对Amazon(1465条列表)和BaSalam(182275对产品-评论)消费者评论的大规模基于文本的分析表明,评论中可持续性相关语言与产品评分或消费者满意度没有有意义的关联;在西方、电子主导平台和语言文化不同的东方市场中,功能标准(即性能、可用性和价值)均主导消费者评价。此外,可持续性提及频率在不同折扣类别间差异显著,高折扣类别频率最高,表明与计划行为理论的感知行为控制构念一致,经济激励结构可能调节绿色属性在消费者话语中的呈现。第二,在该实证基础上,开发并验证了一个多模态AI流程,将漂绿操作化为文本、视觉和元数据信号上的声明-评论不一致。该流程在Amazon留出集上准确率81.6 %,在BaSalam语料上97 %,表明具有跨平台、跨语言和跨产品类别的可扩展性。声明-评论错位未引起总体消费者反弹,进一步表明低