What makes deceptive online reviews? A linguistic analysis perspective
Notice bibliographique
Résumé
Abstract With the rapid development of e-commerce, online reviews have become an important information source for consumers and e-commerce businesses. While the negative impact of deceptive online reviews has been well recognized, more research has to be done to help understand the linguistic manifestations of deceptive online reviews in order to help identify deceptive reviews and help increase the value and sustainability of e-commerce businesses. This study explores the linguistic manifestations of deceptive online reviews based on the reality monitoring theory, and then uses the data from Amazon.com online product reviews to examine perceptual cues, affective cues, detail cues, relevance cues, and cognitive cues of various deceptive online reviews. The results show that reviews for emotional catharsis are more extreme with affective cues, while perfunctory reviews often lack details with fewer prepositions and adjectives. In addition, deceptive reviews often lack relevance cues when these reviews are made to obtain the rewards provided by the vendors while paid posters tend to use more cognitive cues in deceptive reviews. Moreover, deceptive online reviews under all motives often lack perceptual cues. These findings provide a deeper understanding of the linguistic manifestations of deceptive online reviews and provide significant managerial implications for e-commerce businesses to employ high-quality online reviews for sustainable growth.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».