《Behaviour & Information Technology》：Decoding customer voices using large language models: assessing customer satisfaction in platform-based food delivery services
编辑推荐：
基于人工智能驱动的文本挖掘的最新进展，本研究采用一种基于大语言模型（LLaMA）的理论引导文本分析方法，考察食品配送平台生态系统中的顾客满意度。利用Uber EATS的顾客评论，本研究采用链式思考（CoT）提示来推导基于欧洲顾客满意度指数（ECSI）的构念，并
基于人工智能驱动的文本挖掘的最新进展，本研究采用一种基于大语言模型（LLaMA）的理论引导文本分析方法，考察食品配送平台生态系统中的顾客满意度。利用Uber EATS的顾客评论，本研究采用链式思考（CoT）提示来推导基于欧洲顾客满意度指数（ECSI）的构念，并通过服务主导逻辑（SDL）视角进行解释。研究分为两个阶段：测量验证和构念间关系的结构建模。研究1表明，感知质量与总体满意度的关联最强，其中服务质量比食品质量的贡献更大。这支持了SDL强调的从整合服务绩效中产生的使用价值（value-in-use）。虽然总体满意度反映了对平台生态系统的整体评估，但期望确认与交易公平性更为相关。研究2表明，平台形象主要作为忠诚塑造资源发挥作用。此外，总体满意度与顾客信任和忠诚度的关联强于与投诉行为减少的关联，这表明在低转换成本的食品配送市场中，不满意可能并不总是转化为可观察的投诉行为，而可能反映未表达的顾客脱离。总体而言，研究结果支持ECSI框架在平台生态系统中的适用性，并表明总体满意度是由平台、餐厅和独立配送提供者之间的协调价值共创（value co-creation）塑造的。本研究将顾客满意度研究扩展到平台型服务，并展示了人工智能驱动的文本分析如何支持对非结构化顾客反馈进行理论一致的实证分析。
**论文解读：基于大语言模型解码顾客声音——平台型食品配送服务中的顾客满意度评估**
**研究背景与问题**
顾客满意度研究在传统服务行业中已形成成熟框架，如欧洲顾客满意度指数（ECSI），该模型涵盖感知质量、感知价值、感知形象等前因，以及顾客投诉、忠诚等结果。然而，在平台型食品配送服务（如Uber EATS）中，价值由平台、餐厅和独立配送提供者等多主体共同创造，顾客满意度呈现多维度和生态系统级特征。现有研究多依赖星评和调查数据，但星评信息量有限，调查数据存在样本量小、方法偏差和外部效度不足等问题。顾客评论虽能提供丰富语义信息，但缺乏理论引导的文本分析方法。因此，研究人员提出基于大语言模型（LLaMA）的理论引导文本分析，以解码非结构化顾客评论，评估平台型食品配送服务中的顾客满意度，并检验ECSI框架在复杂服务生态系统中的适用性。
**研究内容与结论**
研究人员利用Uber EATS在Google Play Store的评论数据（经筛选后获得23,594条有效评论），采用链式思考（CoT）提示引导LLaMA 3.1模型，将每条评论映射至ECSI框架的八个构念（感知质量、感知价值、感知形象、期望确认、总体满意度、顾客信任、顾客投诉、顾客忠诚），并生成数值评分和文本摘要。研究分为两个阶段：研究1通过文本挖掘验证测量模型，研究2采用偏最小二乘结构方程模型（PLS-SEM）检验构念间的结构关系。
结论表明：感知质量与总体满意度关联最强，其中服务质量（如配送、客服、费用）比食品质量贡献更大，支持服务主导逻辑（SDL）强调的使用价值；总体满意度反映平台生态系统的整体评估，而期望确认更聚焦于交易公平性；感知价值主要与平台控制的服务绩效（如便利性、定价透明度）相关，但作用弱于感知质量；感知形象主要作为忠诚塑造资源，与忠诚的关联强于与期望确认的关联；总体满意度与顾客信任和忠诚的关联强于与投诉行为减少的关联，暗示不满意可能导致沉默流失而非显性投诉；期望确认对行为结果的影响弱于总体满意度。研究证实ECSI框架在平台生态系统中的适用性，并表明总体满意度由平台、餐厅和配送提供者间的协调价值共创塑造。该研究扩展了顾客满意度理论至平台型服务，并展示了AI文本分析在非结构化顾客反馈中的理论一致实证应用。论文发表在《Behaviour》。
**关键技术方法**
1. **数据来源与抽样**：从Google Play Store收集Uber EATS评论，按星评（1-5星）分层抽样，每类20,000条，初始100,000条；经“有帮助”投票和实名评论筛选后，保留23,594条有效评论。
2. **大语言模型（LLaMA）与链式思考（CoT）提示**：使用Meta AI的LLaMA 3.1（8B参数）模型，通过CoT提示引导模型对每条评论进行四层推理：提炼构念相关摘要、提取文本证据、提供推理逻辑、分配数值评分（-100至+100）。
3. **测量模型验证**：对LLaMA生成的文本摘要进行词频分析，提取名词并映射至业务模型角色（平台、餐厅、配送骑手、顾客、定价），检验构念的内容效度。
4. **结构模型分析**：将LLaMA生成的数值评分作为单指标构念，采用PLS-SEM（SmartPLS 4.0）进行路径估计，通过5000次自助抽样检验假设，并辅以路径差异检验和鲁棒性分析（平衡样本及GPT-5.5交叉验证）。
**研究结果**
**Validation and robustness assessment**（验证与鲁棒性评估）
- 通过异质-单质比率（HTMT）检验，所有构念间的HTMT值低于0.85，表明判别效度良好。方差膨胀因子（VIF）均低于3.3，排除共同方法偏差（CMB）。
- 人类验证：三名独立编码者与LLaMA评分的组内相关系数（ICC(2,1)）为0.982-1.000，Krippendorff's α为0.938-0.998，表明人类与模型评估高度一致。
- TF-IDF随机森林分类器显示，基于文本特征的构念标签可分离性高（准确率0.88-0.97），支持构念的内部一致性。
**Study 1: measurement model**（研究1：测量模型）
- 通过词频分析发现：感知质量中，服务质量和食品质量共同贡献整体满意度，但服务质量名词（如delivery, service, fee）更突出；感知价值中，服务绩效名词（如delivery, app, time）占比显著高于食品价值名词；总体满意度涵盖食品质量、服务配送、平台体验和定价等四个维度，验证了H5a（整体评估假设）；期望确认中定价相关名词比例高于总体满意度，支持H5b（平台中心与定价聚焦差异）。
**Study 2: structural model**（研究2：结构模型）
- SEM结果显示：感知质量对总体满意度的路径系数（β=0.342）强于感知价值（β=0.253），且感知质量对期望确认（β=0.342）也强于感知价值（β=0.326），支持H4（食品质量比服务价值更关键）和H6（感知质量和感知价值比期望确认更强）。
- 感知形象与忠诚的关联（β=0.154）强于与期望确认的关联（β=0.106），支持H1（形象作为忠诚资源）。
- 总体满意度与顾客信任（β=0.645）的关联强于与顾客投诉（β=-0.315）的关联，支持H7（满意度更关联信任）；总体满意度与忠诚（β=0.441）的关联强于与投诉（β=-0.315）的关联，支持H8（低满意度更关联忠诚下降而非投诉增加）。
- 期望确认对投诉（β=-0.154）和忠诚（β=0.198）的效应弱于总体满意度，支持H9（期望确认影响较弱）。
- 鲁棒性分析：平衡样本（12,500条）和GPT-5.5交叉验证均支持主要结论，路径方向一致，表明框架稳定。
**讨论与结论**
研究讨论部分指出，传统星评和调查方法存在局限，而基于LLaMA的文本分析能捕捉顾客评论中的语义和情感信号，为满意度诊断提供更丰富信息。框架整合了SDL与ECSI，强调感知质量作为操作资源（operant resource）在价值共创中的核心作用，总体满意度反映生态系统级评估，而期望确认仅作为“公平性检查点”。在实践层面，食品配送平台应管理生态系统级满意度，采用AI驱动方法实时监控顾客体验，并主动预防沉默流失。
研究结论部分翻译如下：总体而言，研究结果支持ECSI框架在平台生态系统中的适用性，并表明总体满意度是由平台、餐厅和独立配送提供者之间的协调价值共创塑造的。本研究将顾客满意度研究扩展到平台型服务，并展示了人工智能驱动的文本分析如何支持对非结构化顾客反馈进行理论一致的实证分析。
