通过对技术接受模型和精细加工可能性模型两个模型的融合与借鉴，并将其用于研究在线信息中，从而架构出信息采纳模型 [ 12 ] 。在信息采纳模型中，以用户对信息内容有用性的感知来决定是否影响采纳意愿，而对于有用性的感知则从信息质量和来源可信度这两个方面进行展开 [ 13 ] 。

本研究在信息采纳模型的基础上，将信息采纳意愿往前延伸一步，信息因素可能会影响购买意愿，乃至产品销量的变动：信息一经采纳，消费者则会对产品的口碑有一定感知，进而影响消费者对产品的购买态度，最终会影响产品的销量。

认知心理学中，心象理论作为重要的组成部分，影响人们对信息的认知和情感的反应，因此常被用来解释顾客的行为特征 [ 14 ] 。心象理论中对心象唤醒是这样解释的，通过图片描述、文字描述或者心象提示语等三种外部刺激物促使消费者对产品有更多的感知，从而唤醒人们对产品的想象和记忆的心理过程 [ 15 ] 。

心象唤醒的多种外在刺激物均有不同的作用效果，如通过唤醒触觉心象，使得app图标特征会让消费者产生不同的感知，继而对app产生不同的偏好效应 [ 16 ] 。比较两种不同呈现形式的图像的心理意象，来感知不同的品牌体验，以此影响旅游消费者在消费前的期望值，最终引发消费者的购买意愿 [ 17 ] 。基于研究对象的特殊性，本文聚焦于产品功能描述这一具体形式的文本型心象唤醒，来探讨产品功能描述对在线评论信息质量与产品销量之间的影响是否具有调节效应。

不完全信息条件下消费者线上购买的行为决策被视为在线产品销量的决定因素。多数研究表明，互联网时代下，各类产品或服务的在线评论显著影响消费者的购买行为 [ 18 ] [ 19 ] 。因此，在线评论的不同特征对产品销量有一定的影响作用。

但相较于来源可信度，信息质量对信息接受者状态的影响却更加持久而深远。以信息质量展开，选择相对稳健的三个评论特征来探究在线初次评论和追加评论对产品销量的影响 [ 20 ] 。基于信息采纳理论，搭建生鲜电商农产品的在线评论作用于销量的理论模型，着重探究在线评论内容的影响效果 [ 21 ] 。针对不同类型的异质产品，探讨在线评论的属性特征对产品销量的不同影响程度 [ 22 ] 。

鉴于此，本文选取在线评论的信息质量作为主要自变量。但信息质量属于评论的基本属性特征，不能更为深入地探讨评论内容的特殊性。为突出评论的着重点和发布者的体验感，融合信息采纳模型和心象理论，在已有的研究基础上，确定评论的长度、数量和情感倾向这三个变量，探究三者分别对产品销量的影响，并考虑文本型心象唤醒的调节效应。

评论数量是指已购产品消费者描述并发布有关产品或者服务的评论总数，在一定程度上它代表着该产品或服务的受欢迎程度 [ 23 ] 。在信息不对称的环境下，评论的数量为消费者提供了其他用户选择该商品的信息，使他们可以在其中推测产品的内在信息 [ 24 ] ，继而提升了潜在消费者对产品的好感度，引起了其对产品购买意愿。因此，提出如下假设：

H1：评论数量正向影响产品销量。

评论长度则表示某条评论的总字数。评论内容的信息越多，所披露的用户所需要了解的信息越多 [ 25 ] ，更有助于消费者对产品的质量感知和选择意愿，继而促进用户的消费行为。基于精细加工可能性模型，证实评论长度与在线评论有用性显著正相关 [ 26 ] 。但也有学者通过构建评论特征矩阵分析得出评论长度对销售量不具有显著影响 [ 27 ] 。因此，提出如下假设：

H2：评论长度正向影响产品的销量。

评论情感倾向是顾客利用对产品质量、满意程度和服务态度进行分析所表现出来的态度，从而得到对整个评论的情感分值。情感分值越高，给人的整体感觉越积极。无论是初始评论，还是追加评论，其情感倾向得分对商品的销量均有显著的正向影响 [ 20 ] 。因此，提出如下假设：

H3：评论情感倾向对产品销量有显著正向影响

论文聚焦于评论内容本身的文本描述作用，具体将文本型心象唤醒定义为评论内容中含有对产品功能的描述，为顾客带来更多的心理体验和对产品的满意度 [ 28 ] ，最终对消费者的购买决策具有积极的影响作用。在研究心象唤醒作为中介变量时，发现文本描述对其有显著的影响作用，而其对于消费者的购买意愿有积极的作用 [ 29 ] 。

因此，提出预期，当在线评论含有产品功能描述时，消费者对产品特征的想象和印象会更具体，提升消费者对产品的体验感和满足感，继而作用于潜在顾客的购买意愿。评论数量和评论长度归属于评论的基本属性，所以，对于含有产品功能描述的评论，其数量和长度越多，对消费者的购买意愿影响越大。而带有产品功能描述的评论情感倾向能够使消费者原本感知到的情绪更为深刻，即对极端评论的感知更加极端，进而更能影响产品的销量。综上预期，提出如下假设：

H4a：文本型心象唤醒能正向调节评论数量对产品销量的影响。

H4b：文本型心象唤醒能正向调节评论长度对产品销量的影响。

H4c：文本型心象唤醒能正向调节评论情感倾向对产品销量的影响。

综上，研究模型如图1所示。

图1. 研究模型

本文以京东商城中的运动手环为研究对象，选择京东商城中销量前六十且价格在150元到300元的产品商家，运用Python爬取这些商家的评论信息，收集了评论数据共36,288条。由于京东店铺仅可爬取100页的评论，则选取2021年5月1日至2022年5月1日这一时段的数据，然后通过数据清洗和整理，产生有效样本，共包含10,896条产品信息。

因变量为2021年5月1日至2022年5月1日期间的销售量，用消费者消费后产生的评价数为代理指标。由于京东商城没有显示具体的销量数据，但每位消费者在购买后店铺评论区均会显示他们自行留下的评价，若未留下评论的，后台会自动生成一个评价并显示在产品评价中。因此，使用用户的评价数表示一段时间内的产品销量是合理的。

自变量选择是评论的长度、数量和情感倾向三个信息质量特征。其中，评论情感倾向采用集搜客来计算每个评论文本的情感值得分。对于同一产品的所有在线评论再进行计算其情感分均分，即表示为该产品评论情感倾向的最终得分。

调节变量为文本型心象唤醒。基于是否含有产品功能描述对所收集到的有效数据进行人工标记编码。通过邀请三位对电子类运动手环功能十分熟悉的研究生作为编码者，三人独立对上述收集到的有效评论，并依照给定的要求进行标注。编码者需将含有产品功能的评论内容标为1，未含有产品功能的评论内容标为0。

上述所涉及到的变量和控制变量的相关说明如表1所示。

表1. 变量说明

由于在线评论数量和产品销量的变量数值比较大，若直接进行回归分析可能会产生很大的误差，从而对标准化的系数造成误差。因此参考CHEN等 [ 30 ] 进行回归分析的研究方法，对两个变量取对数后再进行数据分析，减少因变量数据带来的误差和影响。

根据表2结果显示，某些变量的方差较大，可能会影响数据的正态化。因此，上述变量量化中，将产品销量和评论数量这两个变量取自然对数处理是合理的。这样的做法缩小了离散值的影响，使得回归结果更加稳健。

为研究商品在线评论信息质量和销售额之间存在的联系，以商品销售额为因变量，在线评论信息质量为自变量，利用SPSS26.0软件，采用分层回归的方法进行统计分析。由表3的分析结果可以看出，模型1只考察了控制变量对产品销量额的影响效果，而模型2是在模型1的基础上进一步增加了信息质量，具体研究三个评论特征对产品销售额的主要影响。研究结果表示，评论数量(β = 0.447, p < 0.01)和评论情感倾向(β = 0.672, p < 0.01)均对产品销量有显著的正向影响，即假设H1和H3都成立。其中，由于0.447 < 0.672，评论情感倾向对产品销量的正向影响程度大于评论数量对其的影响程度。

表2. 变量的描述性统计

表3. 回归结果

注：^*p < 0.05；^**p < 0.01；^***p < 0.001。

为检验文本型心象唤醒的调节效应，由表3可以看出，模型3是在模型2的基础上进一步考虑文本型心象唤醒的调节作用，模型4是在模型3的层面上加入三个不同的交互项来检验调节效应。研究结果显示，评论情感倾向 × 文本型心象唤醒(β = 0.690, p < 0.001)对产品销量有显著的正向影响；评论数量 × 文本型心象唤醒(β = −0.096, p > 0.05)和评论长度 × 文本型心象唤醒(β = −0.493, p > 0.05)与产品销量之间没有显著关系，即假设H4c成立。也就是说，在高评论情感倾向水平下，文本型心象唤醒发挥出了调节效应，能够增强评论情感倾向对产品销量的正向影响，但针对另外两个自变量对产品销量影响，文本型心象唤醒没有起到调节作用。对应的调节效应如图2所示。

图2. 文本型心象唤醒的调节效应

结合研究发现为线上产品营销提供了一些实践指引。首先，网络店铺商家要完善在线评论功能，能够让已购消费者更有分享产品体验感的意愿，使潜在消费者能更加方便且可靠地获得有助于增强其购买意愿的在线评论，如设置评论有用性投票，完善用户间的互动提问等。

其次，相较于仅表达自己的个人感觉，积极引导消费者发布关于产品功能体验感的评论，更能减缓信息不对称带给潜在消费者的风险感知。所以，评论内容中包含更多的有关功能性和客观性的信息，激发消费者的想象和记忆，增强其体验价值，继而促进消费者做出购买的决策。

最后，对消费者发布的评论要予以及时的回应，尤其在对待不满意的评论时，要及时找出可行的方案来进行调节和解决。面对消费者提出的反馈，需进行实时监测，以此作为商家对市场的把控，继而改善商家市场的满意度、销售量以及市场占有率。