[论文解读] Do Facial Expressions Predict Ad Sharing? A Large-Scale Observational Study

Daniel McDuff, Jonah Berger|arXiv (Cornell University)|Dec 21, 2019

Consumer Behavior in Brand Consumption and Identification参考文献 43被引用 4

一句话总结

这项大规模观察性研究调查了广告观看期间的面部表情是否能够预测在线分享行为。通过在数千名观众中使用自动化面部编码技术，研究发现：虽然微笑会增加分享行为，但某些负面表情——如鼻皱（厌恶）——也会提升分享率，这挑战了‘只有积极情绪驱动病毒式传播’的传统观点。

ABSTRACT

People often share news and information with their social connections, but why do some advertisements get shared more than others? A large-scale test examines whether facial responses predict sharing. Facial expressions play a key role in emotional expression. Using scalable automated facial coding algorithms, we quantify the facial expressions of thousands of individuals in response to hundreds of advertisements. Results suggest that not all emotions expressed during viewing increase sharing, and that the relationship between emotion and transmission is more complex than mere valence alone. Facial actions linked to positive emotions (i.e., smiles) were associated with increased sharing. But while some actions associated with negative emotion (e.g., lip depressor, associated with sadness) were linked to decreased sharing, others (i.e., nose wrinkles, associated with disgust) were linked to increased sharing. The ability to quickly collect facial responses at scale in peoples' natural environment has important implications for marketers and opens up a range of avenues for further research.

研究动机与目标

• 调查广告观看期间的面部表情是否能预测后续的在线分享行为。
• 检验情绪效价是否单独决定分享行为，还是特定面部动作独立发挥作用。
• 探讨不同面部动作单元（如微笑、嘴角下拉、鼻皱）在预测病毒传播中的作用。
• 评估自动化面部编码在自然观看环境中的可扩展性与实际应用价值。
• 挑战‘只有积极情绪驱动社交媒体中信息分享’这一假设。

提出的方法

• 采用可扩展的自动化面部编码算法，实时分析数千名参与者的面部表情。
• 在自然观看环境中收集数百则广告播放期间的面部反应数据。
• 将特定面部动作单元（如AU6代表微笑，AU15代表嘴角下拉，AU9代表鼻皱）映射至情绪状态。
• 使用多层次回归模型，基于面部表情模式预测广告分享行为。
• 控制人口统计与情境变量，以隔离面部反应对分享行为的影响。
• 通过在多个观看会话和广告类型中收集的大规模多样化数据集验证研究发现。

实验结果

研究问题

• RQ1 广告观看期间的面部表情是否能预测用户是否会在线分享该广告？
• RQ2 情绪与分享之间的关系是否完全由情绪效价（积极 vs. 负面）决定？
• RQ3 哪些特定的面部动作单元最能预测广告分享量的增加？
• RQ4 某些负面面部表情（如厌恶）是否反而会增加分享行为？
• RQ5 在自然环境中，自动化面部编码能否可靠预测数字内容的社会传播？

主要发现

• 面部表情显著预测广告分享行为，即使在控制人口统计与情境因素后依然成立。
• 微笑（面部动作单元AU6）与分享量的增加一致相关，支持积极情绪的作用。
• 嘴角下拉（AU15，与悲伤相关）与分享量减少有关，符合效价模型的预期。
• 鼻皱（AU9，与厌恶相关）出人意料地与分享量增加相关，挑战了仅基于效价的假设。
• 情绪与分享之间的关系比简单的正负效价模型更为复杂，特定动作单元具有截然不同的影响。
• 在自然观看环境中，自动化面部编码为预测社交分享行为提供了一种可扩展且可靠的方法。