人工智能赋能营销能力的变革：基于ChatGPT的社交媒体情绪与使用研究

作者及机构
本研究由越南胡志明市经济大学（University of Economics Ho Chi Minh City）的Vu Minh Ngo博士主导，发表于期刊《Global Media and China》2024年第9卷第1期（Vol. 9(1), 2024）。研究通过文本挖掘技术分析社交媒体数据，探讨ChatGPT对人工智能营销能力（AI-enabled marketing capability）的潜在影响。

学术背景

研究领域与动机
本研究属于营销技术与人工智能交叉领域，聚焦ChatGPT作为生成式人工智能（Generative AI, GenAI）的代表，如何重塑营销实践。研究背景基于两大现实问题：
1. 技术采纳空白：尽管AI在电信、医疗等领域广泛应用（如Chen et al., 2020；Ye et al., 2019），但其在营销中的技术组件（如AI驱动的客户分析、内容生成）长期被忽视（Morgan, 2019）。
2. 公众认知矛盾：ChatGPT的推出引发了对AI伦理、就业替代和技术风险的广泛争议（如Thorp, 2023），但缺乏对其营销应用场景的实证分析。

理论框架
研究结合技术接受模型（Technology Acceptance Model, TAM）和资源基础观（Resource-Based View, RBV）：
- TAM：分析用户对ChatGPT的感知有用性（Perceived Usefulness）和易用性（Perceived Ease of Use）如何影响采纳意愿（Davis et al., 1989）。
- RBV：将ChatGPT视为企业获取竞争优势的异质性资源（Barney, 1991），探讨其如何通过信息整合与任务自动化提升营销能力（Luo et al., 2021）。

研究方法与流程

数据收集
1. 数据来源：通过Twitter API v2爬取2021年1月至2023年4月间包含“AI marketing”“ChatGPT marketing”等关键词的推文，共60万条，清洗后保留45.5万条有效数据。
2. 地理分布：推文主要来自美国、印度、英国等英语国家（见附录1）。

分析技术
研究采用文本挖掘（Text-Mining）流程，分四阶段：
1. 文本清洗：去除停用词、特殊符号，标准化文本格式。
2. 情感分析：基于BERT算法（Devlin et al., 2019）训练模型，对推文进行情感极性分类（正/负），权重根据互动量（转发、点赞）调整。
3. 主题建模：使用潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）和相关主题模型（Correlated Topic Model, CTM）识别高频主题，提取前5关联词对（如“SEO content marketing”“customer experience”）。
4. 网络分析：通过Gephi构建语义网络，模块化分析（Modularity Method）识别核心话题集群。

创新方法
- 动态情感追踪：按月划分ChatGPT发布前后（2022年11月为节点），对比公众情绪波动。
- 鲁棒性检验：结合CTM与人工编码验证主题一致性。

主要结果

1. 公众情绪演变
   

• 初期乐观：2022年12月情感得分峰值（0.719），用户关注ChatGPT的内容生成效率（如邮件模板自动化）。
  
• 风险意识觉醒：2023年1月得分骤降至0.581，源于对AI偏见、虚假信息的担忧（如《Science》禁止AI生成内容）。
  
• 理性回升：2023年2-4月稳定于0.5以上，用户逐渐认可其在客户服务个性化和销售数据分析中的价值。
  

1. 核心主题分析
   

• 永久性变革（13%推文）：ChatGPT降低中小企业AI使用门槛，推动营销民主化。
  
• 内容创作（27%推文）：AI辅助生成社交媒体文案、邮件模板，但引发人类创造力替代的伦理争议。
  
• SEO变革（10%推文）：ChatGPT可能替代传统搜索引擎，通过对话式交互优化客户体验（Buhalis & Cheng, 2020）。
  
• 就业影响（17%推文）：客服、文案岗位面临自动化风险，但新工种（如AI训练师）涌现。
  

1. 结构断裂检验
   CUSUM测试（t=1.7124, p<0.01）证实ChatGPT发布导致公众对AI营销的认知发生结构性转变，从技术好奇转向实用评估。
   

结论与价值

理论贡献
- 验证TAM与RBV在AI营销领域的适用性，提出“技术-资源”双路径模型，解释企业采纳ChatGPT的决策逻辑。
- 揭示公众情绪与技术采纳的非线性关系，补充了创新扩散理论（Diffusion of Innovations）在GenAI语境下的动态机制。

实践意义
- 企业层面：需平衡AI效率与伦理风险，例如建立人类-AI协作流程（如人工审核AI生成内容）。
- 政策层面：建议监管机构关注AI对劳动力市场的冲击，制定技能再培训计划。

研究亮点

1. 数据规模：首次基于超45万条推文分析ChatGPT的营销应用，覆盖技术发布完整周期。
   
2. 方法创新：结合BERT情感分析与LDA主题建模，量化公众认知演变。
   
3. 跨学科视角：融合营销学、计算机科学与社会心理学，为AI治理提供新证据。
   

局限与未来方向
- 数据限于英语推文，需扩展多语言分析。
- 长期影响需跟踪研究，如AI对营销岗位的实际替代率。

（注：术语首次出现示例：生成式人工智能（Generative AI, GenAI）、潜在狄利克雷分配（Latent Dirichlet Allocation, LDA））