产品视觉形态与顾客满意度：情感价值与功能性诊断的多模态证据

《Journal of Retailing and Consumer Services》：Product visual form and customer satisfaction: Multimodal evidence on affective value and functional diagnosis

　　

产品视觉形态与顾客满意度之间存在维度特异性关联。
功能评价通过功能提及覆盖度传递满意度风险信号。
情感评价构成一条积极但有限的满意度路径。
三层框架融合了工程编码与CLIP视觉表示。
大语言模型（LLM）提取方法将评论中表达的情感评价与功能评价区分开来。
引言
产品外观的重要性远超审美范畴。它是购买决策中最早被直接观察到的产品线索之一（Bloch, 1995）。产品外观传达着审美吸引力与象征意义，同时也提供关于功能与品质的线索（Creusen & Schoormans, 2005）。这些线索可以在产品使用前引发快速的情感与可用性判断（Norman, 2007; Tractinsky 等, 2000）。智能升降桌、智能家居设备和清洁电器便是典型案例。在这些产品中，可见部件兼具视觉与功能双重作用，例如腿部结构、控制面板、储物模块、线缆管理单元和材质表面等。因此，消费者所接触到的是一种产品视觉形态，而非孤立的形状。视觉意义与功能意义在这一形态中相互交织。
这种视觉-功能耦合意味着同一产品形态可以从情感和功能两个维度进行评价。消费者可能将颜色、材质、比例和结构的组合转化为对感知高端性、精致度和整体风格的情感评价。更广泛地说，视觉美学研究表明，视觉呈现不仅仅是"看起来好不好看"的问题，还涉及认知理解、情感欣赏和体验质量判断（Lin, 2016）。与此同时，可见的结构和部件还可能影响对稳定性、操作便利性、噪音和耐用性的功能评价。
情感评价与功能评价的区分，与消费者研究中享乐价值与功利价值的区分相呼应。然而，这两组构念并不完全等同。享乐价值涉及愉悦感、审美和象征性体验；功利价值则关注功能性能、效率和目标使用。这些价值形式可能对消费者评价和顾客满意度产生不同的贡献（Chitturi 等, 2008）。在线零售研究同样区分了享乐价值与功利价值，其相对重要性可能因客群而异（Castro-Lopez 等, 2018, 2019）。这一区分为我们比较两条基于评论的评价路径及其与顾客满意度的关联提供了理论支持。
然而，现有研究仍分散于三个方向。第一，产品外观与感性工学研究表明，特定的视觉线索能够影响审美判断、质量感知和功能推断（Fung 等, 2014; Jiao 等, 2006; Yang 等, 2008）。这类研究通常聚焦于孤立属性、受控刺激或直接消费者反应。第二，在线评论研究与基于评论的感性工学能够识别情感表达、功能体验和产品需求，但其视觉度量仍主要依赖于研究者定义的形态变量（Candi 等, 2017; Li 等, 2020）。第三，计算机视觉与多模态分析扩大了图像规模化测量的能力（Radford 等, 2021）。消费者研究也利用图像提取视觉语义并将其与市场结果相关联（Hartmann 等, 2021; Luo 等, 2024; Zhang 等, 2022）。尽管如此，这些研究通常采用直接的"图像-结果"模型设定，很少将评论文本中表达的不同类型评价纳入分析。虽然近期研究表明视觉信息的价值取决于整体信息与细节信息的结合（Wang & Tong, 2026），但此类研究考察的是评论图像的组合，而非产品自身视觉形态与在线评价之间的关系。
核心缺口在于整合。现有研究分别提供了产品外观、在线评论和多模态分析方面的独立证据，但这些方向尚未被整合到一个统一的产品层面框架中。现有理论解释了为何产品视觉形态能传达审美与功能线索，以及享乐价值与功利价值为何存在差异，但未能回答以下两个更具体的问题：
研究问题1：在产品层面，产品视觉形态的哪些维度与顾客满意度相关联？这些关联是否体现在情感与功能评价路径中？
研究问题2：情感评价与功能评价路径在与顾客满意度的关联方向、强度、稳健性和维度特异性来源方面是否存在差异？
为回答这些问题，本研究以智能升降桌为对象，使用200款产品、41951条有效评论和200张产品图片的数据。我们首先从评论中提取产品层面的情感与功能评价，然后结合工程独热编码、CLIP图像嵌入和CLIP文本概念评分，构建产品视觉形态的三层多模态表示。最后，我们运用产品层面路径分析，考察产品视觉形态、两类评价与顾客满意度之间的直接与间接关联。
本研究做出三项贡献。第一，在理论上，本文区分了两种评价路径的关联结构。这将研究推进到超越纯粹审美视角的产品视觉形态与顾客满意度关联研究。研究发现，某一特定视觉维度通过情感评价与满意度呈正相关，而功能评价则主要围绕特定使用属性和潜在问题展开。因此，产品视觉形态与满意度之间的关系无法简单地用"更具吸引力的形态产生更高满意度"这一命题来充分解释。情感价值与功能诊断分别扮演不同的信息角色。
第二，在方法上，本文引入了一种三层多模态视觉编码框架。该框架融合了三种互补的产品视觉形态表示：工程独热编码支持解释性；CLIP图像嵌入提供广泛的语义覆盖；CLIP文本概念评分将图像与情感概念对齐。这些层次共同支持在真实电商数据中进行系统性比较。该框架将基于问卷或人工编码的感性工学设计与透明度较低的计算机视觉表示连接起来。
第三，在实践上，研究结果有助于产品团队、电商平台和在线零售商做出决策。研究帮助识别与积极情感评价相关的视觉特征，同时凸显功能评论中的诊断信号。这些信号可能表明基础质量预期未得到满足或使用情境适配性差。因此，该框架可为产品设计提供指导。
节选片段
产品层面路径模型与构念边界
产品视觉形态传达审美吸引力、象征意义、功能与人体工学线索以及品质推断（Creusen & Schoormans, 2005）。它与消费者注意力、评价和偏好也相关（Bloch, 1995）。这些角色在功能复杂型产品中尤为显著。桌腿结构和桌面形态是可见的产品元素，同时也构成了产品功能架构的一部分。因此，消费者所接触到的是一种复合产品线索。
技术中介零售中的价值形成与消费者评价
数字技术重塑了消费者接触、比较和体验产品的方式，也拓展了消费者评价的表达、记录和分析方式（Hoyer 等, 2020）。消费者研究区分了享乐价值与功利价值，表明情感愉悦与功能满足以不同方式影响消费者评价（Chitturi 等, 2008）。在技术中介的零售环境中，这些价值判断还会进一步受到塑造。
方法论
图2展示了整体研究流程。我们首先从京东商城收集产品图片、结构属性、评论文本和满意度相关指标。然后从评论文本中提取产品层面的情感评价（ME）和功能评价（MF）。最后，我们利用三层多模态视觉编码框架将产品视觉形态转化为适用于回归分析的融合视觉主成分。该设计旨在将静态
大语言模型与人工编码一致性
表2报告了大语言模型与两位人工编码者之间的一致性。在情感评价和功能评价方面，大语言模型与编码者1和编码者2在各评论维度单元上的Cohen's κ值分别为0.89和0.88。编码者之间的一致性为0.98。两次大语言模型与人工比较的F1分数均为0.91。当大语言模型与人工编码者识别到相同维度时，条件极性准确率为0.99。
进一步检查仅发现23个维度误分类和
从形态到情感：一条积极但有限的情感路径
间接关联最明确的证据涉及PC3，即非标准高端形态。PC3与情感评价呈正相关（PC3 → ME: β = 0.302, p < 0.01），而情感评价又与平台好评率呈正相关（ME → Y: β = 0.249, p < 0.01）。Bootstrap分析表明，通过情感评价，PC3与平台好评率之间存在正向间接关联（间接关联 = +0.075, BCa 95% CI [0.021, 0.156]）。
结论
本研究基于200款智能升降桌产品、41951条有效评论和200张产品图片，考察了产品视觉形态、情感评价、功能评价与基于平台的满意度之间的产品层面关联。研究结果对研究问题1和研究问题2的回答如下：
关于研究问题1，产品视觉形态与平台好评率之间的关联表现出明显的维度特异性。PC3，即非标准高端形态，与
CRediT作者贡献声明
付思洁：撰写原稿、软件、方法学、数据整理、概念构思。赵刘：项目管理、调查研究。牛庄庄：可视化、正式分析、数据整理。
利益冲突声明
作者声明无潜在利益冲突。
数据声明
公开汇总数据集和脱敏图像处理脚本可在以下地址获取：https://github.com/fffffusi/form-to-feeling-multimodal-reproduction.git。
生成式AI及AI辅助技术在写作过程中的声明
在本文的撰写过程中，由于作者是英语非母语者，使用ChatGPT 5来改善稿件的语言和可读性。在使用该工具后，作者对内容进行了审阅和必要的编辑，并对已发表文章的内容承担全部责任。
作者竞争利益声明
作者声明不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。
付思洁 | 赵刘 | 牛庄庄