《Geomatics》：An Eye-Tracking and Forecasting Experiment on Consumer Purchasing Decisions Through Product Reviews
编辑推荐：
摘要：本研究旨在通过将眼追踪（Eye-Tracking, ET）数据与预测（Forecasting）技术相整合，深入剖析消费者购买决策机制。首先，研究人员考察了消费动机（享乐型 Hedonic vs. 功利型 Utilitarian）与购买目的（为自己 For
摘要：本研究旨在通过将眼追踪（Eye-Tracking, ET）数据与预测（Forecasting）技术相整合，深入剖析消费者购买决策机制。首先，研究人员考察了消费动机（享乐型 Hedonic vs. 功利型 Utilitarian）与购买目的（为自己 For Oneself vs. 为他人 For Others）如何影响视觉注意（Visual Attention）及决策过程。研究采用实验设计，128名参与者在模拟在线购物环境中完成实验，采集各兴趣区（Areas of Interest, AOIs）的注视次数（Fixation Counts）与注视时长（Fixation Durations）。其次，研究人员提取了20个输入特征（10个评论相关AOI的注视次数与注视时长）及实验情境信息，以二元购买决策为输出变量，应用六种机器学习（Machine Learning）方法——人工神经网络（Artificial Neural Network, ANN）、随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）、K近邻（K-Nearest Neighbors, KNN）、朴素贝叶斯（Naive Bayes, NB）及逻辑回归（Logistic Regression, LR）进行预测。结果表明，消费者的视觉注意与其消费动机及购买目的相符，不同情境下存在显著的凝视模式差异。在预测阶段，SVM取得了最高整体准确率（约59%–60%），优于验证集多数类基线（53.85%），提升约5.15–6.15个百分点。综上，客观记录的评论相关眼动数据可作为行为输入特征应用于基于机器学习的购买决策分类框架，凸显了将眼追踪洞察与消费者行为预测相结合的方法论价值。
本研究发表于《Geomatics》。
论文解读
本研究属于神经营销学（Neuromarketing）领域，旨在通过客观的生理测量手段弥补传统自陈量表（问卷、访谈）易受记忆偏差和社会期许影响、无法捕捉真实认知加工过程的缺陷。现有文献多关注评论文本特征对感知有用性的影响，较少从视觉注意（Visual Attention）角度结合消费动机（Hedonic/Utilitarian）与购买目的（For Oneself/For Others）探讨购买决策，且鲜见利用眼追踪（Eye-Tracking, ET）量化指标直接预测购买行为。为此，研究人员设计控制实验，采集受试者浏览虚构品牌巧克力商品评论时的眼动数据，并利用机器学习模型检验评论区视觉注意指标对二元购买决策的预测力，同时揭示不同动机与购买目的下的注意分配规律。
为开展研究，研究人员采用以下关键技术方法：以土耳其某公立大学128名有效受试者（剔除校准失败及有效采样率<80%者）为样本队列，利用Tobii Pro Fusion眼追踪仪（60 Hz）记录受试者在模拟电商页面浏览10条产品评论（5条功利型属性评价、5条享乐型体验评价）时的注视数据；定义评论文本区域为兴趣区（Areas of Interest, AOIs），提取各AOI的注视次数（Fixation Count）与注视时长（Fixation Duration）；构建三个数据集（仅注视次数+情境、仅注视时长+情境、二者结合+情境），采用十折交叉验证及蒙特卡洛验证（200次重复，ANN仅用后者），应用六种默认参数机器学习算法——人工神经网络（ANN）、随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、朴素贝叶斯（NB）、逻辑回归（LR）——对二元购买决策（买=1，不买=0）进行分类预测，并以验证集多数类基线（53.85%）评估模型增益。
研究结果
4.1. Observations in Eye-Tracking Experiment（眼追踪实验观察）
研究人员通过热图（Heat Map）与定性目视检查得出：①消费者倾向重点关注与自身消费动机匹配的评论（功利型动机关注营养成分等属性型评价，享乐型动机关注口感外观等体验型评价）；②为他人购买时（无论原动机类型），除功利信息外额外关注体现享乐动机的关键词（如"手工""独特造型""让他人感到特别"）；③"蛋白质含量"为全情境高关注词，享乐情境受试者还对产品包装外观给予注意；④18–22岁及23–27岁年龄组总注视时长长于其他年龄组。
4.2. Forecasting Phase（预测阶段）
基于三个特征集分别建模：Dataset 1（10个AOI注视次数+情境变量）中SVM整体准确率最高（60%），LR次之（58%），RF最低（51%）；Dataset 2（10个AOI注视时长+情境）整体准确率略降，SVM仍最高（59%）；Dataset 3（20个眼动特征+情境）与Dataset 1相当，部分模型微幅改善但无显著突破。SVM在全数据集中整体准确率59%–60%，超越验证集多数类基线5.15–6.15个百分点；LR亦稳定优于基线（提升2.15–5.15个百分点）；RF持续表现最弱。峰值最佳准确率（Best Accuracy）可达92%（见于部分模型特定折），但均值（Overall Accuracy）更具稳定性。研究表明注视次数比注视时长单独使用含有更有效的购买决策分类信息，二者结合未明显提升性能；SVM对该小规模高维生物计量数据泛化性相对最优。
讨论与结论翻译
理论层面，研究发现验证了评论有用性理论（Review Helpfulness Theory）——视觉注意匹配消费动机与购买目的，且为他人购买时增加对享乐线索的关注，为在线评论加工提供了眼动行为证据。管理层面，建议功利型产品明确数值化功能利益（如"含8.1 g蛋白质"），为他人购买时兼顾享乐诉求展示，年轻群体营销宜设置持久吸引注意力的视觉元素，享乐型产品强化包装视觉设计。方法层面，证明评论相关注视指标可转化为机器学习行为特征用于购买决策分类，但应视为多源信息之一而非独立预测因子。
结论部分翻译：本研究通过区分消费动机（Hedonic/Utilitarian）与购买目的（For Oneself/For Others）的实验情境，结合眼追踪与六种机器学习方法，发现消费者视觉注意与动机及目的相匹配——为他人购买时额外关注享乐属性关键词，年轻受试者注视时长更长。预测阶段SVM整体准确率约59%–60%，较验证集多数类基线提升5.15–6.15个百分点，表明产品评论相关的注视指标对购买决策二分类具适度预测价值，且可将客观记录的评论相关眼动数据操作化为机器学习框架中的行为输入特征。研究受限于单一快消品品类、同质样本及仅纳入评论AOI，未来宜拓展至高涉入度产品、异质人群及包含产品图与包装等全页面AOI的分析。
