本研究由来自苏州大学商学院的张政（Zheng Zhang）、田纳西大学诺克斯维尔分校哈斯拉姆商学院的周文军（Wenjun Zhou）以及独立研究员 Michelle Andrews 共同完成，其研究成果以《Displaying the Amount of Consumption Time in Online Reviews Can Affect Helpful Votes》为题，于《Journal of Marketing》2026年第90卷第1期正式发表。

从学术背景来看，本研究属于市场营销学，特别是电子口碑（electronic Word of Mouth, eWOM）与在线消费者行为研究的交叉领域。在现实商业环境中，越来越多的在线评论平台（如 Steam、Booking.com、Glassdoor 等）开始展示评论者使用产品或服务的时长。这种做法的初衷是为了增加评论的可信度、展示完整的用户体验，并区分初次使用与深度使用后的评价。然而，关于这种“消费时长”展示究竟如何影响其他消费者对评论有用性（Review Helpfulness）的感知，学术界和业界都缺乏清晰的认知。先前少数研究暗示消费时长与感知有用性存在正相关，但这些研究往往使用“产品拥有时长”等较为粗略的代理变量来推断消费时间，且其研究环境中消费时长并未被明确展示给消费者。因此，展示的消费时长与评论有用性之间的具体关系，特别是其作用机制和潜在的非线性影响，仍然是一个悬而未决的实证问题。本研究的目标正是要填补这一空白，系统探究消费时长的展示如何影响评论获得的“有帮助”投票（Helpful Votes），并基于“情境化期望”理论（Context-based Expectations Account）深入剖析其背后的心理机制，从而为平台设计、企业营销策略和消费者决策提供科学依据。

详细的工作流程如下：本研究选取了全球最大的在线视频游戏分销平台 Steam 作为实证背景，这主要是因为 Steam 具备独特且精确的“游戏时间追踪”功能，能直接记录并显示每位玩家在撰写评论时已游玩的分钟数。研究团队从 2017 年至 2022 年间每年发布的前 100 款被评论最多的游戏中采集数据，共计 600 款游戏。为了控制游戏版本更迭和玩家疲劳等因素的干扰，他们仅纳入了每款游戏发布后 12 个月内的评论。经过这一系列筛选，最终构成了一个包含 6,867,670 条评论、由 2,533,753 名独立评论者 撰写的庞大样本集。在数据处理方面，研究对关键变量进行了适当的变换以优化模型表现。例如，由于消费时长（constime）和“有帮助”票数（helpful）均呈现严重的右偏分布，研究首先对消费时长进行了在 99.5% 分位数处的缩尾处理以削弱极端值影响，然后对消费时长、票数以及其他多个连续变量（如评论长度、游戏拥有数量等）进行了对数（ln+1）转换。在建模阶段，研究采用了包含固定效应的线性回归模型。核心模型设定因变量为对数转换后的“有帮助”票数，自变量则为核心自变量——对数转换后的消费时长（ln(constime+1)）及其二次项，以此来捕捉潜在的非线性（U型）关系。为了控制混杂因素，模型纳入了三个层面的固定效应与控制变量：1) 产品层面：游戏本身的固定效应，以控制游戏特性；2) 时间层面：评论发布月份-年份的固定效应，以控制季节性促销、网站流量等时间趋势；3) 控制变量：具体包括：*评论特征*（评论发布的周数、与近期20条评论的文本相似度、情感极性、主观性、文本特异性、是否周末发布、收到的回复数）；*评论者特征*（拥有的游戏数量、撰写的评论总数、获得的徽章数、好友数）；*产品特征*（游戏是否为免费、设计为单人还是多人游戏、第三方网站提供的平均通关时间）。此外，研究还采用了按游戏聚类的稳健标准误来处理同一游戏内评论之间的相关性。为了检验理论的边界条件和中介机制，后续模型还逐步引入了调节变量（评论长度、消费时长显示方式是否分离、游戏是否免费）及其与自变量（消费时长及二次项）的交互项，以及一个潜在的中介机制变量（“特别有帮助”奖章的数量）。

研究得出的主要结果详述如下： 1. 消费时长与“有帮助”票数呈现显著的U型关系（H1成立）。 模型结果显示，消费时长的一次项系数显著为负（α0 = -0.120, p < 0.001），二次项系数显著为正（β0 = 0.009, p < 0.001）。这表明，在消费时间较短和较长时，评论获得的有帮助投票都相对较多；而在中等消费时间水平时，获得的投票最少。图3直观地展示了这一U型曲线。这一发现为核心假设提供了强有力的支持。 2. 评论者经验信号的调节作用。 研究考察了两种信号方式的调节效应。首先，评论长度（Review Length） 正向调节了U型关系（H2a成立）。交互项分析表明，对于更长的评论（提供了更多信息），消费时长与投票数的U型关联更强，意味着在短时间和长时间下，长评论获得的高票优势更明显，而在中等时间下其劣势也更突出。其次，消费时长显示方式（Separate Display） 也产生了正向调节作用（H2b成立）。自2019年9月起，Steam将总游戏时间细分为“撰写评论时的游戏时间”和“总游戏时间”分别显示。研究发现，在实施这种分离显示之后，U型曲线的关系变得更加陡峭。更重要的是，研究还发现了二者的交互调节效应（H2c成立）：在消费时长分离显示之后，评论长度对U型关系的正向调节作用进一步增强。这意味着，当平台提供更精确的消费时间信号（分离显示）时，长评论所传递的经验信号效应被放大了。 3. 产品特征的调节作用。 研究测试了游戏成本（是否免费） 的调节效应。结果显示，付费游戏（free2play = 0）的U型曲线整体高于免费游戏（H3成立）。这表明，对于高经济风险（高成本）的产品，消费者对评论的依赖度更高，因此消费时长展示所引发的期望效应在整个U型曲线上的影响幅度都更大。 4. 机制验证：“情境化期望”的初步证据。 为了检验U型关系背后的理论机制——即消费时长通过设定消费者对评论有用性的期望来影响其投票行为——研究利用了Steam平台上的“特别有帮助”（“Extra Helpful”）奖章功能。这种奖章需要消费者花费虚拟货币购买，是一种比免费投票“成本”更高的认可方式。研究假设，那些超出消费者期望的评论更可能获得此类奖章。分析结果显示，“特别有帮助”奖章的数量正向调节了消费时长与“有帮助”票数之间的U型关系。具体而言，对于那些获得了此类奖章的评论（表明其极大地超出了读者期望），消费时长的U型效应更为明显。这为“情境化期望”机制提供了初步的、间接的支持证据：评论的实际价值与基于消费时长产生的期望之间的差距，是驱动投票行为的关键。 5. 稳健性检验。 为确保研究结论的可靠性，团队进行了大量稳健性分析，包括：使用针对连续处理变量的熵平衡匹配法（Entropy Matching）和倾向得分匹配法来控制自选择偏差；剔除免费获得游戏的用户评论、剔除消费时长分离显示前的评论、剔除极端消费时长样本、按游戏分层抽样以避免热门游戏主导结果；采用分组检验而非交互项来验证调节效应；尝试不进行对数转换等不同的变量操作化方式；控制额外的变量如评论是否被修改等。所有这些检验均支持核心的U型关系结论，证明了研究发现的稳健性。

本研究的结论具有重要的理论和实践价值。结论表明，在线评论中展示消费时长，通过为消费者提供评估评论的背景信息（即评论者的评估基础），帮助他们校准对评论有用性的期望，进而影响其投票决策。短消费时间设定了较低的期望，评论容易超越预期而获得高票；中等消费时间设定了较高的期望，评论难以满足预期而导致票数减少；而非常长的消费时间虽然也设定了高期望，但其传递出的深度体验和可信度信号能够克服这一高门槛，再次获得高票。这一U型关系的揭示，调和了以往关于“专家”评论者效应矛盾发现（有时增加有时减少说服力）的可能原因：其说服力取决于评论实际内容在多大程度上满足或超越了由消费时长等信号所设定的具体期望。

从科学价值来看，本研究的贡献主要体现在：首先，它首次深入探究了产品体验的一个时间维度因素——消费时长——对评论感知有用性的影响，并揭示了其非线性关系。这比以往使用徽章、评论数量等间接经验信号的研究更为直接和精确。其次，它引入并验证了 “情境化期望” 作为核心解释机制，深化了对在线评论说服过程的理解。第三，在方法上，研究利用平台自动记录的客观消费时间数据，比自我报告或推断的时间更为准确可靠；并创新性地将针对连续处理变量的熵平衡匹配应用于此领域，增强了因果推断的力度。

在应用价值方面，本研究为各类评论平台、企业和消费者提供了重要启示：对于平台而言，展示消费时长有助于缓解信息不对称问题，帮助消费者理解评论的评估基础。平台可以通过优化展示方式（如明确区分“评论时使用时间”和“总使用时间”）、根据消费者的信息需求（如偏好短时体验报告或深度测评）进行评论匹配，来更好地管理消费者期望，提升用户满意度。对于企业而言，可以策略性地根据消费者处于产品体验的不同阶段（短、中、长）来征集反馈或提供撰写指南。例如，可以鼓励深度用户提供更详细的信息以匹配其高期望，而对于早期用户，其简短的反馈也可能因其低期望而获得高认可，因此可以立即征集。对于消费者而言，了解消费时长与评论价值之间的复杂关系，有助于他们更审慎地解读评论，避免过度依赖单一信号，做出更明智的购买决策。

本研究的亮点在于：第一，重要的研究发现：清晰揭示了消费时长展示与评论有用性之间的U型曲线关系，这是对现有文献的重要补充和修正。第二，新颖的理论视角：提出了“情境化期望”这一解释框架，并利用平台独特的奖章系统提供了初步的机制验证。第三，严谨的研究设计：依托Steam平台天然的、客观的消费时间数据，结合大规模面板数据、多种固定效应控制、以及前沿的因果推断方法（熵平衡匹配），使得研究结论具有很强的内部效度和可信度。第四，丰富的调节效应分析：不仅验证了主效应，还深入探讨了评论长度、显示方式、产品成本等边界条件，使理论模型更加丰满和具实践指导意义。这项研究为我们理解数字时代在线评论的动态形成与评估过程提供了宝贵的见解。