[论文解读] Who Will You Share a Ride With: Factors that Influence Trust of Potential Rideshare Partners

Yang Zhou, Yan Huang+2 more|arXiv (Cornell University)|Jul 13, 2017

Sharing Economy and Platforms参考文献 14被引用 5

一句话总结

本研究探讨了社交媒体个人资料——特别是Instagram——对拼车伙伴信任感的影响。通过分析10张近期照片及社交指标，作者识别出三个关键信任因素：社交证明（解释40%的方差）、社交认可（解释33%的方差）和自我披露（解释13%的方差），这些因素共同将信任预测准确率提升至87.4%的F值，优于使用所有收集因素的模型（78.6%）。

ABSTRACT

Ridesharing can save energy, reduce pollution, and alleviate congestion. Ridesharing systems allow peer-to-peer ride matching through mobile-phone applications. In many systems people have little information about the driver and co-riders. Trust heavily influences the usage of a ridesharing system, however, work in this area is limited. In this paper, we investigate the role of social media in shaping trust and delineate factors that influence the decisions of trust placed on a driver or co-rider. We design a ridesharing system where a rider can see the Instagram profile and 10 recent pictures of a co-rider and ask them to make judgments on six trust related questions. We discovered three important factors that shape trust forming: extit{social proof}, extit{social approval}, and extit{self-disclosure}. These three factors account for 40\%, 33\%, and 13\% of the variance, and subsequent factors extracted accounted for substantially less variance. Using these three factors, we successfully build a trust prediction model with F-measure of 87.4\%, an improvement from 78.6\% on using all factors collected.

研究动机与目标

• 在信息有限的情况下，理解影响对潜在拼车伙伴信任感的因素。
• 研究社交媒体个人资料——特别是Instagram——如何在拼车情境中增强信任感知。
• 识别并验证在点对点拼车中塑造信任感的最具影响力的社交媒体属性。
• 开发并评估基于关键社交媒体因素的信任预测模型，以提高预测准确率。
• 评估拼车应用中信任诱导型社交媒体信号的可操控性与鲁棒性。

提出的方法

• 设计了一个集成Instagram个人资料的拼车原型，向用户展示10张近期照片及社交指标。
• 通过Amazon Mechanical Turk开展众包调查，评估用户基于Instagram个人资料的信任感知。
• 收集了八项社交媒体属性：发布数量、关注者数、关注对象数、点赞数、评论数，以及照片中人物数量。
• 应用探索性因子分析（EFA）将八项属性简化为三个潜在的信任因素：社交证明、社交认可和自我披露。
• 使用原始八项属性和提取出的三项因素构建逻辑回归模型，以预测六个二元信任相关问题的回答。
• 通过精确率、召回率和F值评估模型性能，并比较两组因子集的结果。

实验结果

研究问题

• RQ1 Instagram个人资料中的哪些社交媒体属性对潜在拼车伙伴的信任感知影响最大？
• RQ2 社交证明、社交认可和自我披露如何共同影响点对点拼车场景中的信任形成？
• RQ3 基于关键社交媒体因素的信任预测模型在多大程度上优于使用所有收集属性的模型？
• RQ4 所识别的信任因素在多大程度上可被操控？其鲁棒性对拼车系统设计有何影响？
• RQ5 每个信任因素对整体信任感知方差的相对贡献是多少？

主要发现

• 社交证明——通过Instagram照片中可见人数衡量——解释了信任感知40%的方差，是最强预测因子。
• 社交认可——通过帖子的点赞和评论体现——解释了33%的方差，显著提升了可信度感知。
• 自我披露——通过总发布数和关注账户数体现——解释了13%的方差，与开放性和社交性相关。
• 三项关键因素（社交证明、社交认可、自我披露）共同解释了信任形成86%的总方差。
• 仅使用三项关键因素的信任预测模型实现了87.4%的F值，显著优于使用全部八项原始因素的78.6% F值。
• 结果表明，聚焦于核心信任因素可提升模型性能，并为拼车平台提供可操作的见解，以增强用户信任与参与度。