2024年9月13日13：00，中国营销工程与创新研究中心(以下简称“MEI”)2024-2025年第一学期第2次研讨会(以下简称“Seminar”)在MEI如期举行，参与本次研讨会的有黄敏学老师、朱华伟老师及MEI各位成员。

　　本次Seminar由陈雷研读文章《Do Spoilers Really Spoil? Using Topic Modeling to Measure the Effect of Spoiler Reviews on Box Office Revenue》。

　　一、研究导入

　　根据互联网电影数据库(IMDb)的数据，2013年1月至2017年12月在美国上映的电影中，约93%的电影在放映过程中至少获得了一条剧透评论。在所有电影评论中，约31%的电影评论包含剧透，这表明剧透评论在电影行业普遍存在。

　　随着社交媒体的发展，剧透评论可以在互联网中迅速传播，以触达广泛的受众。观众们经常访问在线评论平台，从他人那里寻求相关的电影信息，从而降低对电影质量的不确定性。传统观点认为剧透会降低故事的趣味和悬念，负面影响消费者的观看需求(Johnson and Rosenbaum, 2015)。也有学者发现，剧透可以增加故事理解的便利性，释放读者的认知资源，带来深层的阅读体验(Leavitt and Christenfeld, 2011)。

　　基于此提出研究问题：

　　剧透(Spoilers)：过去在文学领域的研究发现，故事的消费涉及到消费者头脑中的前瞻性取向，与形成预测未来情节中会发生的事情有关。因此，刺激紧张的情节不确定性是故事消费的重要效用来源(Ely、Frankel and Kamenica, 2015)。本文将剧透定义为使没有看过电影的人降低了电影情节不确定性的一种信息。

　　剧透的影响：心理学和传播学的现有研究表明，剧透对故事享乐影响的研究结论并不一致。一方面，剧透评论可能会阻止观众去电影院。通过过早地透露情节信息，剧透评论会破坏电影体验中的惊喜元素，从而降低消费效用。

　　另一方面，剧透评论可能会帮助消费者减少对产品适用性的不确定性。由于电影等体验性产品的主观性，消费者在消费前很难对其质量进行评估(Alba and Williams 2013)。通过揭示重要的情节，增加口碑的信息价值，剧透评论可以对电影需求产生积极的影响。

　　本文通过收集电影平台的评论数据进行实证研究，发现电影评论的剧透强度与随后的票房收入正相关。此外还通过调节检验、事件分析、实验室实验进一步发现了降低不确定性是驱动剧透强度积极影响的行为机制。

　　二、概念框架

　　2.1 数据和方法

　　#FormatImgID_1#

　　主题建模方法：CTM(correlated topic model)

　　CTM允许主题之间存在相关性。CTM 通过引入一个多变量的 Logistic 正态分布来描述主题分布。CTM 模型能够捕捉到文档中某些主题之间的相关性(例如，如果一个文档中出现了“体育”主题，它可能更有可能出现“健康”主题，而非完全独立的“艺术”主题)。

　　当主题之间存在某种相关性时，CTM 能更好地描述这种复杂的文档结构，但模型训练时间和资源消耗相较于 LDA (独立主题)更大。

　　2.2关键变量

　　剧透文本：有关情节的信息，为其他潜在观影者提供有关电影内容的信息参考，即降低对电影品质不确定性。

　　IV：剧透信息强度「spoiler intensity metric」;

　　DV：电影票房Box office revenue。

　　本文的propositions：【uncertainty-reduction机制】：剧透文本的剧透信息强度——>降低潜在观影者对电影品质的不确定性【可诊断性价值】——>进而激励其观影欲望。——考虑调节因素【对DV有影响】：发布类型;观影者年龄;宣传费用;平均评分。

　　剧透强度属性

　　剧透度量：

　　二、研究过程

　　3.1实证研究

　　1.主效应

　　结论：表明剧透强度正向影响票房收入。

　　调节检验

　　本文采用相关的调节来间接验证中介的方法：如果「uncertainty reduction」机制是关键，那么对于低不确定性的电影，剧透评论则不能对观影需求产生显著影响(电影的不确定性空间本身十分有限);反之，高不确定性电影的观影需求则会明显受到剧透评论的影响。

　　电影的不确定性程度通过下述四个调节变量来操控。

　　调节验证中介——(关注交互项效应-->强/弱剧透with高不确定性---电影不确定降低)：电影的发型方式、上映时长、宣传费用、用户平均评分。

　　①Limited vs. Wide release：限量发行的通常是独立(艺术)电影，其电影内容和品质的不确定性本来就高。

　　②Earlier vs. Later period of moive's life cycle：电影上映的时常越久其神秘性和情节会被更多人知晓，不确定性越低。

　　③Less vs. More spending on advertising：宣传越少传递的有关电影品质和情节的信息越少，不确定性则越高。

　　④Extreme vs. Moderate ratings：越极端的评分传递的电影品质信息越明确，中间档的评分含有较大的不确定性。

　　结论：

　　电影平均评分与剧透效应(主效应)之间呈现倒"U"机制。

　　—>U-Test：分别检测自变量(剧透强度)与端点值(超低评分&超高评分)的交互效应，若交互项系数是负值且显著则表明存在倒"U"关系。

　　3.稳健性检验

　　1)第一列，用SPOILER，表示十天内是否存在至少一条剧透评论，作为剧透强度;

　　2)第二列，用Nwords，表示十天内剧透评论的单词量，作为剧透强度;

　　3)第三列，INTENSITYA表示将所有主题附相同权重;

　　4)第四列，INTENSITYA表示用平均函数进行聚合;

　　5)第五列，INTENSITYA表示用累计函数进行聚合;

　　6)第六列，INTENSITYA表示用三周作为时间窗;

　　7)第七列，加入CUMRATING 和AGE的交互项，排除时间趋势。

　　2.2事件研究

　　1.评论仅以"有用性" (从最有用到最不有用)的顺序展示。

　　2.默认情况下剧透评论的内容是隐藏的，IMDb要求用户手动点击剧透评论才能看到内容。

　　使用 IMDb 更新前后正在播放的 47 部电影的评论数据

　　结论：IMDb更新与放映的电影的票房收入没有直接联系;剧透强度对票房收入有积极影响，但在网站更新后积极影响被减弱。

　　2.3实验室研究

　　1.预实验:不确定性的操纵检验

　　对象：100名被试

　　结论：观看访谈片断的被试比观看幕后镜头的被试对电影质量的确定性更高;未看到冲突评分的被试对电影确定性)的感受要高于看到冲突评分的被试。

　　2.预实验：检验阅读剧透评论是否会降低不确定性

　　对象：200名被试

　　结论：阅读更激烈的剧透评论的人对电影质量的确定性更高

　　3. 2 (高剧透强度 vs.低剧透强度 )× 2 (高不确定性 vs. 低不确定性 )

　　对象：545名被试

　　内容：R级恐怖电影

　　结论：当消费者对电影质量的不确定性较高时，阅读剧透评论增加了观看电影( .464 , p < .05)的意愿。

　　4. 2 (高剧透强度 vs.低剧透强度 )× 2 (高不确定性 vs. 低不确定性 )

　　对象：272名被试

　　内容：动画电影

　　结论：高强度剧透的效应在高不确定性条件下是积极且显著的( .821 , p < . 01)，在低不确定性条件下是不显著的( 081 , p > . 10)

　　二、研究结论

　　4.1理论意义

　　在这项研究中，我们展示了电影评论解决情节不确定性的程度(即剧透强度)与票房收入之间存在正向且显著的关联，弹性为0.06。此外，我们通过多种方法(即调节分析、事件研究、在线实验)提供了证据，表明不确定性减少是驱动剧透强度正面效应的行为机制。

　　我们在电影行业中发现的正面关联是新颖的，因为传统知识认为剧透会损害票房收入。此外，我们对剧透的概念框架可以推广到其他产品类别(例如，电视节目、角色扮演游戏、小说等)。尽管我们发现在电影背景下剧透评论有正面的净效应，但剧透的正面不确定性减少效应与负面惊喜破坏效应的相对重要性可能会因产品类别而异，因此值得进一步研究。

　　4.2管理启示

　　我们建议在线评论平台保留剧透评论的可用性，尤其是对于潜在消费者来说，情节密集的剧透评论。我们还建议评论平台保留剧透评论的警告标签，因为这样做的好处是允许消费者自行选择是否接触剧透。这些剧透警告减少了消费者寻找减少电影不确定性的剧透评论的搜索成本，同时保护了那些关心电影享受的消费者免受剧透不利影响。

　　其次，电影制片厂和电影院应该积极监控剧透评论的内容，以更好地预测未来的票房收入。为了展示剧透强度的预测能力，我们随机将数据分成四份，然后使用四分之三的数据作为训练样本，剩余的四分之一作为保留样本。通过单独添加与口碑相关的变量到没有任何与口碑相关变量的基准模型中，我们计算了每个与口碑相关的变量的预测能力，使用模型在保留样本上的R平方提升来衡量。我们发现，剧透强度的R平方提升是0.010，剧透数量是0.007，口碑数量是0.011，口碑情感是0.004，这表明剧透强度解释了1%的数据变化。

　　第三，监控电影评论中剧透强度的好处，作为一种社会倾听行为，对于那些广告支出较少的电影来说更大。为了支持这一主张，我们进行了聚光灯分析，以检查不同广告水平下剧透强度的弹性。我们发现，对于广告水平较低的电影(第25百分位)，剧透强度的弹性是显著且较大的(0.234，p < .001)——几乎是普通电影弹性的四倍(0.060，p < .001)。然而，高广告水平下的电影的弹性在统计上不显著(0.067，p > .05)。

　　第四，剧透强度正面效应随时间的衰减表明，管理者应该在电影生命周期的早期，而不是晚期，加大监控力度。为了确定监控剧透评论最有益的具体窗口，我们对电影上映后不同天数的剧透强度的弹性进行了聚光灯分析。我们发现，剧透强度的弹性在首映日最大(0.149，p < .01)，然后稳步下降(即，第一周：0.129，第二周：0.110，第三周：0.093，均p < .05)，直到第四周末变得在统计上不显著(0.077，p > .05)。

　　最后，我们强调了电影制片厂可能从鼓励更强烈的剧透评论中获益的边界条件，这有助于减少对电影质量的不确定性。特别是，我们的发现表明，对于那些广告预算小且用户评分混合的电影，市场营销经理应该大力刺激在线口碑，包括可能破坏电影情节的口碑。然而，对于那些广告预算大且用户评分极端的电影，我们不建议电影经理鼓励消费者产生剧透评论，因为对销售没有显著影响。此外，电影上映三周后创建的剧透评论似乎也不会对销售产生经济上有意义的影响。虽然不建议采取无剧透政策，我们也提醒电影制片厂，剧透的传播有时是不可控的。例如，IMDb上的剧透评论可以通过社交媒体传播，那里不存在警告标签，这使得消费者更容易受到剧透的不利影响。。

　　4.3研究局限性与未来展望

　　虽然我们主要关注了在线电影评论平台作为网络口碑的主要来源，但这些平台只是网络口碑的一个来源——消费者必须主动寻找的来源。未来的研究可以探索我们的发现是否可以推广到社交媒体平台上的剧透，在那里用户更有可能偶然读到剧透。

　　此外，我们在这项研究中关注的是剧透的净效应。未来的研究可以测试剧透对电影需求的平行中介作用，通过不确定性减少的正面路径和惊喜破坏的负面路径。

　　剧透还可能出现在其他媒体上，比如Pinterest上的图片和YouTube上的视频。随着机器学习和非结构化数据分析的进步，未来的研究可以检验通过文本以外的媒体传递的用户生成的剧透如何影响消费者需求。

　　最后，我们在剧透强度的规范中使用了max函数，以捕捉在不知道个别评论观看行为的情况下，先前剧透评论中已经出现的破坏信息的折扣贡献。如果将来可以获得个人层面的数据，未来的研究可以放宽我们所做的假设，并为学者和实践者扩展剧透强度指标。

　　至此，本次Seminar文章研读完毕。

　　之后，由彭沁缘、雷涵、王诗婧、左翎分享了最近的研究进展。针对研究中的问题，老师与同学们提出了一些建议，并且明确了进一步的研究计划。

　　至此，本学期第2次Seminar圆满结束。

　　文字/卫广宇

　　排版 /卫广宇

　　审核 /左翎