Unpacking Content Contrast in Online Customer Reviews
Notice bibliographique
Résumé
This research explores why some customer reviews in online marketplaces appear highly emotional or extreme, while others remain more balanced or moderate. Grounded in Causal Attribution Theory (CAT), it investigates how customers’ perceptions of what caused their experience, such as whether a problem was product-related or service-related, recurring or isolated, or preventable or not shape the tone and intensity of their reviews. These perceptions are captured through CAT’s three dimensions: locus of causality (internal vs. external), stability (stable vs. unstable), and controllability (controllable vs. uncontrollable). To examine these patterns, this research analyzes a large dataset of verified Amazon Electronics reviews. Attribution labels are assigned using the Llama 4 Maverick language model in a zero-shot setting, which extracts causal cues from review text without fine-tuning. Sentiment analysis is performed using the rule-based VADER tool, enabling parallel assessment of emotional tone. Statistical analyses are then conducted to examine how different attribution categories relate to both sentiment and star ratings. The results show that attribution dimensions significantly influence the extremity of review expression. Negative reviews are more extreme when customers believe the problem is internal, recurring, or preventable. Conversely, when issues are viewed as external, unstable, or beyond the seller’s control, reviews tend to be more tempered in tone and rating. From a theoretical perspective, this research extends Causal Attribution Theory to the domain of large-scale, real-world consumer feedback. It highlights the importance of causal reasoning in shaping how customer sentiment is expressed. From a practical standpoint, the findings offer clear implications for online retailers and platforms: understanding the attributional framing of reviews allows businesses to triage complaints more effectively, distinguish between systemic issues and isolated events, and respond in ways that preserve trust and mitigate reputational damage. The use of large language models makes such attribution-aware analysis scalable and cost-effective, offering a new path for sentiment monitoring that goes beyond surface-level metrics.
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 | 0,002 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».