TM-酷炫还是糟糕:评估在线旅游平台上生成式人工智能驱动的评论总结功能的有效性

Cool or poor? Assessing the effectiveness of GenAI-powered review summary feature on the OTA platform

酷炫还是糟糕：评估在线旅游平台上生成式人工智能驱动的评论总结功能的有效性

一、基本信息

• 作者：Lingfei Deng, Chunhong Li, Qiang Ye
• 期刊：Tourism Management
• 年份：2026
• 研究对象：OTA 平台中的 GenAI 评论摘要功能
• 核心关键词：
• GenAI-powered review summaries
• Review intention
• Information overload
• Generalized reciprocity
• Free-riding / Social loafing

二、研究背景与问题动机

1. 现实背景

在线旅游平台 (OTA) 上的评论数量急剧增长，一方面：

• 评论是典型的 e-WOM，对消费者决策至关重要；
• 另一方面，评论过载 (information overload) 使用户难以高效提取关键信息。

为解决这一问题，主流 OTA（如 Expedia、TripAdvisor）开始引入 GenAI 驱动的评论摘要功能，自动整合大量评论并呈现关键信息。

2. 文献缺口

既有研究主要关注：

• GenAI 内容如何影响 预订决策、信任、感知有用性；
• 但很少关注消费后的行为阶段，尤其是：
• 游客是否还愿意自己写评论？

这是一个关键问题，因为评论数量直接关系到平台生态的可持续性。

三、核心研究问题 (Research Questions)

作者提出两个方向相反、但都具有理论合理性的研究问题：

• RQ1（正向路径）

  GenAI 评论摘要是否会提升游客的评论意愿？是否通过降低信息处理成本，引发广义互惠心理？

• RQ2（负向路径）

  GenAI 评论摘要是否会抑制游客评论意愿？是否通过“搭便车 / 社会惰化”机制？

论文的核心贡献在于：不是预设 GenAI 一定“好”或“一定坏”，而是通过竞争性机制检验其真实作用路径。

四、理论框架与假说逻辑

1. 正向机制：信息过载 → 广义互惠

(1) 信息过载理论

• 大量评论超出个体认知处理能力；
• 增加搜索成本和认知负担；
• GenAI 摘要通过结构化、压缩信息：
• 降低感知努力 (perceived effort)。

(2) 广义互惠 (Generalized reciprocity)

• “我被帮助 → 我帮助他人 / 平台”；
• 在 OTA 场景中：
• 游客因 GenAI 摘要“省时省力”，
• 产生回馈平台与他人的动机，
• 体现为 更强的评论意愿。

对应假说：

• H1a：GenAI 评论摘要提升游客评论意愿
• H1b：  游客感知到的信息处理努力及其互惠感依次中介了基于生成式人工智能的评论摘要对游客评论意向的影响。

  感知努力 ↓ → 互惠感 ↑ → 评论意愿 ↑（依次中介）

2. 负向机制：搭便车 / 社会惰化

(1) 社会惰化理论

• 当公共信息“看起来已经足够好”时：
• 个体可能认为自己的贡献是多余的；
• 从而选择不投入时间和精力。

(2) 在 GenAI 评论摘要情境下

• 高质量、结构化摘要：
• 可能让游客认为：

  “关键信息已经被总结得很完整了”

• 从而降低其继续写评论的动机。

对应假说：

• H2a：GenAI 评论摘要降低游客评论意愿
• H2b：社会惰化在 GenAI 摘要与评论意愿之间起中介作用

五、研究设计与数据

1. 整体研究策略：多方法设计 (Multi-method)

论文采用 三阶段研究设计：

2. Study 1：自然实验 + 回归不连续设计 (RDD)

• 平台：Expedia
• 政策冲击：
• 2024 年 5 月中旬上线 GenAI 评论摘要功能
• 数据：
• 纽约市 654 家酒店
• 688,427 条评论
• 构建 hotel-week 面板数据

核心因变量：

• 每周评论数量 (review volume)→ 作为评论意愿的代理变量

方法选择逻辑：

• 无法构造传统 DID 对照组；
• 采用 RDD：
• 利用功能上线时间作为 cutoff；
• 识别局部平均处理效应。

六、主要实证结果

1. Study 1：RDD 结果

• 在功能上线时间点：
• 评论数量出现显著“跳跃”；
• 经济量级：
• 评论量提升约 11%–17%；
• 多种稳健性检验（假 cutoff、不同带宽）均支持结论。

结论：👉 支持 H1a，否定 H2a。

2. Study 2：机制检验（互惠路径）

实验对比：

• 有 GenAI 摘要 vs 无摘要

主要发现：

• GenAI 摘要：
• 显著降低感知努力；
• 显著提升互惠感；
• 显著提升评论意愿；
• PLS-SEM 结果支持：
• 序列中介效应（H1b）。

3. Study 3：排除搭便车机制

• 直接测量社会惰化；
• 甚至加入“个性化邀请写评论”的强化情境；

结果显示：

• GenAI 摘要 没有提升社会惰化；
• 评论意愿仍然更高；
• 即使加邀请，也无显著差异。

结论：👉 明确否定 H2a / H2b。

七、核心结论与贡献

1. 理论贡献

• 将 GenAI 引入：
• 信息过载理论；
• 广义互惠理论；
• 在线评论行为研究；
• 证明：
• GenAI 并不必然引发“搭便车”，
• 在合适情境下反而能激活利他行为。

2. 方法贡献

• OTA 场景下：
• RDD + 实验的经典组合；
• 为平台功能评估提供了可复制范式。

3. 实务启示

• OTA：
• 不必担心 GenAI 摘要“挤出评论供给”；
• 酒店与平台：
• GenAI 可作为激励用户参与的重要工具；
• 关键不在于“是否用 AI”，
• 而在于 如何设计 AI 与用户互动方式。