如今，消费者越来越多地通过社交媒体直接与企业沟通。80%的消费者期望企业在社交媒体上与他们互动，78%的消费者更愿意从与自己有过积极社交媒体互动的品牌处购买产品。然而，企业表示，社交媒体运营的一个关键挑战是缺乏与消费者互动的指导方针，包括内容相关决策以及如何提高参与度，而且许多企业难以制定面向社交媒体用户的信息内容。
社交媒体用户通过“对话线程”（threads）进行交流，这些线程由帖子和对帖子的回复构成。本文将社交媒体对话定义为：在提及特定品牌或企业的对话线程背景下，企业客服人员（社交媒体平台上的代表）与一名或多名社交媒体用户之间的在线互动。企业面临的一个关键挑战是，如何创作企业生成内容（FGC），以引导对话朝着更有利的方向发展，具体表现为后续帖子中用户情绪更积极。用户情绪被定义为用户帖子的情感倾向（从积极到消极不等）。
本文涵盖了社交媒体对话的全范畴（而非仅聚焦投诉），研究了这些对话中的企业生成内容如何影响后续用户生成内容的情绪。本文从对话式倾听的视角审视社交媒体对话，该视角认为，沟通伙伴应展现出：（1）共情理解；（2）无条件的积极关注；相互理解精神（本文通过（3）话题匹配和（4）语言风格匹配来衡量）；（5）在场性；以及（6）真诚性。本文还结合对营销实际场景的观察补充了两个要素:(7）企业采取行动，通过私信（DM）继续对话；（8）企业客服人员是否透露个人信息（即签署自己的名字）。
本文的核心研究问题为：（1）企业如何在社交媒体对话中改善客户情绪？（2）企业生成内容的有效性是否受之前用户情绪的影响？为解答这些问题，本文构建了一个社交媒体对话模型。该模型中的对话可能包含多次交流，且在主题、语气和长度上存在差异。
本文对社交媒体对话的概念界定基于实证研究。从数据来看，研究人员收集了十年间美国四大银行与用户之间的96.9万条推文，涵盖20.6万多个对话。这些推文涉及各类主题，包括投诉、表扬和咨询等。社交媒体对话围绕一个线程（主题）展开，需要两名或多名参与者，且每位参与者至少发布一条帖子。研究人员观察了单个帖子以及由一系列用户生成内容和企业生成内容帖子构成的对话。数据显示，平均每个对话包含近五条推文，但对话长度存在差异。
以相互理解的态度倾听意味着“确保每个人都有自由、公开沟通的权利”，这种态度可以通过“对称镜像沟通”来维持。“对称镜像沟通” 将沟通视为旨在促进人与人、企业与人间相互理解的对话过程。基于这一研究，研究人员将具有相互理解态度的企业生成内容定义为：在话题和语言风格上与对话另一方的帖子保持对称的内容。这种对称沟通将向用户传递 “企业正以相互平等的态度参与对话” 的信号，有助于建立信任和更牢固的关系。
心理学研究表明，与对方内容相关的回应有助于实现互动目标，且当回应反映对方信息内容时，对方的好感度会提升，研究人员将这种现象定义为话题匹配。内容镜像具有四个作用：（1）维持互动；（2）增强可预测性；（3）助力对话双方实现互动目标；（4）传递人际情感。相反，偏离话题的回应可能会传递出“缺乏兴趣”的信号，研究人员的访谈也印证了这一点。一位受访者强调，“无论是负面还是正面反馈，都是宝贵的礼物”，其所在企业的做法是不“转移对话焦点”；另一位受访者补充道，紧扣话题“有助于建立品牌信任和忠诚度”。因此，研究人员认为，紧扣话题将提升用户情绪。
其次，语言风格匹配（LSM）指对话一方使用的词汇与另一方呈正相关，可通过功能词使用的风格相似性来衡量。在示例中，企业的回应与用户的语言风格保持了一致，具体表现为冠词、介词、否定词和常用副词的数量相同，助动词、连词和数量词的数量也非常接近。语言风格匹配有助于提升他人对自己的认可和信任，并有助于在谈判中达成协议。在本文研究的计算机介导沟通场景中，语言风格匹配等共通的沟通规范也有助于传递 “认同对方” 的信号。因此，研究人员认为，企业生成内容中更高程度的语言风格匹配将对用户情绪产生积极影响。
Presentness 在场性
在场性被定义为积极关注对方，并认为若缺乏在场性，说话者将无法有效回应。研究人员借鉴以往研究，将在场性定义为沟通一方明确向另一方表示自己正关注对方并愿意提供帮助。研究人员认为，企业可通过回应速度来体现在场性。在示例中，企业的回应时间分别为17分钟、17分钟和610分钟。在本文研究的目标导向场景中，快速回应有助于减少不确定性，为接收者带来更大价值。在负面情境中，快速回应有助于缓解用户的不满，且与回应内容的感知价值相关。在计算机介导沟通中，信任的建立取决于对方的回应能力，若信任受损，沟通将难以顺利进行。因此，研究人员认为，更快的回应速度将提升用户情绪。
Genuineness真诚性
在不同情境下，真诚性的核心内涵均为真实性。在公共关系领域，真诚性通常与真实性相关联，并通过透明度来体现，这有助于获得消费者信任，提升消费者对企业的积极态度和行为意向。研究人员将具有真诚性的企业生成内容定义为对话另一方认为真实的内容。企业的回应给人以自然、“即兴”的感觉，而示例1中的回应则更像是套用模板的标准化回复。在营销领域，有研究表明，真实性有助于提升信息来源的可信度，并能促进消费者做出积极的品牌相关行为。因此，研究人员认为，企业生成内容中更高的真实性将提升用户情绪。
Direct messaging私信沟通
私信沟通指企业建议将对话转移到私人渠道，以一对一的方式继续互动。文献和研究人员的访谈均表明，由于部分平台对内容字数有限制，私信沟通可能是了解用户情况的必要方式。因此，主动提出通过私信继续对话，表明企业希望让用户能够充分表达自己的想法。此外，解决用户问题可能需要涉及一些受隐私限制保护的信息。将对话从公开平台转移到私人渠道，有助于企业与用户建立一对一的关系，让用户感受到自己的声音被倾听。同样，通过私信沟通减少投诉的公开化对企业有利。
研究人员的访谈进一步印证了私信沟通的作用。一位受访者表示，私信沟通能让企业“充分倾听用户的想法”，并了解引发用户生成内容的完整经历。因此，研究人员认为，私信沟通将提升用户情绪。需要注意的是，研究人员无法观察私信沟通的具体内容。因此，当讨论私信沟通对用户情绪的影响时，指的是企业提出转移到私人渠道后，用户发布的公开用户生成内容。
Agent signing客服签名
社交媒体研究和实践表明，另一个企业生成内容要素是客服签名，即企业客服人员在企业生成内容中签署自己的名字。社会心理学研究表明，一方表明自己身份的行为有助于提升对方的好感度。客服人员签署自己的名字，能够传递出对用户的关注，并表明自己愿意公开身份。这种做法有助于让企业的声音更具“人性化”特质，传递出情感投入和乐于助人的态度。由于关系的建立始于个人信息的分享，因此研究人员认为，客服人员签署名字将提升用户情绪。
本文不仅研究了对话式倾听理论提出的六个企业生成内容要素，还研究了两个源于社交媒体实践的企业生成内容要素，是迄今为止对“企业生成内容如何引导用户情绪”这一问题最全面的研究。这种全面性不仅有助于在评估每个要素影响时控制其他要素的干扰（减少遗漏变量偏差），还能比较各企业生成内容要素的影响大小，从而找出对用户情绪影响最大的要素。
Measures
Measurement of UGC and FGC sentiment
为测量推文情绪，本文采用了Valence Aware Dictionary and sEntiment Reasoner（VADER）工具，该工具专为推特等短文本场景的情绪分析设计。在测量推文情绪强度方面，VADER 的表现与人类水平相当；而在推文情绪分类（如消极、中性、积极）上，其表现甚至优于人类，目前已被广泛应用于营销领域的研究。
本文研究数据显示，样本中约 30% 的用户推文为负面内容（情绪得分＜-0.01），22%的推文大致呈中性（情绪得分介于 - 0.01 至 + 0.01 之间），剩余48% 的推文为正面内容。其中，中性与正面帖子涉及咨询、情况反馈、感谢等主题，而负面帖子则主要以投诉内容为主。
Measurement of empathetic understanding
本文采用 Herhausen 等人（2023）提出的共情词汇词典来测量共情理解，该词典包含112个能够体现“尝试与他人建立共情联结”的词汇或词干。由于共情理解属于计数变量，其数值可能大于1，因此本文采用 “对数（n+1）”的转换方式对其进行处理。
Empathetic understanding：admir, affection, appreciat, assur, better, care, careful, caring, challenging
Sentiment：amazing, assist, awesome, benefit, bonus, celebrate, chance, cheer, compliment, congrat
Topic matching：In responding, make a conscious effort to use words and expressions that are frequently used in the topic the customer is discussing, or use synonyms.
Linguistic Style Matching（LSM）副词、冠词、助动词、连词、非人称代词、否定词、人称代词、介词、数量词
Authenticity写作时应更自然随性，减少对表达内容的自我约束或过滤。多使用自我指代类词汇（e.g.,I,me,my）、洞察类词汇（e.g.,aware）、转折区分类词汇（e.g.,but）以及相对比较类词汇（e.g.,above）；少使用暗示与现实不符的词汇（e.g.,must）和第三人称单数代词（she/he words）
Agent signing客服人员在回应中署名有助于提升用户情绪，且这种提升效果不受前期用户情绪的影响。
Measurement of topic and topic matching
潜在狄利克雷分配（Latent Dirichlet Allocation, LDA）模型在营销领域的文本话题分类中应用广泛，其分析结果已在信息处理、公共政策等多个领域得到有效性验证。由于LDA模型属于无监督学习模型，需要研究者自行确定话题数量。本文结合连贯性得分与专家意见，最终确定研究数据的最优话题数量为11个。
在话题匹配的测量上，本文采用企业生成内容与前期用户生成内容的LDA得分之间的余弦相似度来衡量。余弦相似度的取值范围为0至1：取值为1时，代表企业生成内容与用户生成内容在话题上完全一致；取值为0时，则代表两者在话题上无任何重叠。若企业生成内容发布前存在多条用户推文，本文会先计算每条用户推文与企业生成内容的余弦相似度，再取平均值作为最终的话题匹配得分。
Measurement of linguistic style matching (LSM)
语言风格匹配指企业生成内容（FGC）的写作风格与用户生成内容（UGC）写作风格的契合程度。本文采用语言查询与词计数（Linguistic Inquiry and Word Count, LIWC）工具中的九类功能词来衡量企业与用户的语言风格。若企业在推文中使用的功能词类别（例如“我”“我们”等人称代词）与用户一致，则认为两者的语言风格相匹配。这种语言风格匹配的测量方法已在营销领域、心理学领域以及心理治疗领域得到有效性验证。
其中，fw(i)代表九类功能词，具体包括副词、冠词、助动词、连词、非人称代词、否定词、人称代词、介词与数量词。若企业生成内容发布前存在多条用户生成内容，本文会计算企业生成内容与每条前期用户生成内容的语言风格匹配度，再取平均值作为最终结果。
Measurement of response time
本文首先记录用户初始推文与企业首次回应之间的时间差（以秒为单位），随后将其除以3600，转换为以小时为单位的小数形式，最后采用 “对数 + 1”的方式对其进行处理
Measurement of authenticity
经 LIWC 工具计算得出的真实性指标，并通过 “对数 + 1” 的转换方式对企业生成内容的真实性进行测量。在真实性评估中，LIWC工具会综合考虑多种与“更诚实、更个人化、更无防备的互动”相关的语言线索，包括使用更多人称代词、积极情绪表达词与认知过程词等。
Measurement of direct messaging
本文通过识别企业生成内容中是否包含“direct message”“DM”“dm”及其衍生形式（如大写形式、过去式等）关键词，来判断企业是否采用私信沟通策略。
Measurement of FGC agent signing
客服人员在推文结尾通常会使用脱字符（^），后跟自己的名字（例如^John）或首字母（例如^JS）。基于这一实践特征，本文将“客服签名”定义为二分变量：若企业推文中包含客服人员的完整名字，则赋值为1；若仅包含客服人员首字母或无任何签名信息，则赋值为0。
Econometric Analysis
本文通过纳入银行固定效应，控制了银行间所有不随时间变化的系统性差异。但仍存在两大识别挑战，可能影响估计结果的因果解释效力：第一，企业生成内容中随时间变化的特定内容可能存在内生性——这些内容可能受未观测因素影响，而这些未观测因素同时也会驱动用户情绪，导致企业生成内容变量与回归方程的误差项产生潜在相关性；第二，用户与企业在决定是否发布下一条推文时往往具有策略性，这意味着他们的回应行为可能存在样本选择偏差。
Endogeneity
Control function
由于企业生成内容可能受驱动用户情绪的未观测因素影响，本文采用“工具变量（IV）+ control function（CF）” 的方法解决内生性问题。有效的工具变量需满足两个核心条件：与企业生成内容变量相关（相关性），且与用户情绪回归方程的误差项无关（排他性）。
本文为核心对话 i 在 t 日的企业生成内容变量选取的工具变量，基于该对话中客服人员在 t-30 日至 t-1 日（即对话发生前 30 天）的前期对话中所生成的企业生成内容特征，具体为 “客服人员 30 天滚动平均值”——即计算某客服人员在焦点对话发生日（t日）之前 30 天内，在所有对话中使用各企业生成内容要素的平均值（如平均共情词汇数量、平均回复速度等）。
此外，可能存在“企业大范围故障（如系统瘫痪）” 等冲击性事件，这类事件可能同时影响多日的客服回应风格与用户情绪，从而威胁工具变量的排他性。为缓解这一问题，本文在模型中纳入了 “企业相关传统媒体报道数量及情绪”作为控制变量，将这类系统性事件的影响从用户情绪的误差项中剥离。
本文通过多变量 F 检验验证了工具变量的有效性，结果显示工具变量对8个企业生成内容变量均具有显著解释力。在估计方法上，本文采用控制函数法而非两阶段最小二乘法（2SLS），原因是控制函数法不仅对线性模型的估计结果与 2SLS 等效，还能有效处理内生变量的交互效应。具体而言，本文首先将8个内生企业生成内容变量分别对工具变量与外生变量进行第一阶段回归，提取回归残差作为控制函数项（CF 项）；随后将这些 CF 项纳入主回归模型，以修正内生性偏差。同时，采用 Bootstrap 方法（重复抽样 1000 次）计算标准误，确保统计推断的准确性。
Selection Models
企业是否回应用户推文、用户是否回应企业推文，均可能基于对话的可观测与未观测特征做出选择，进而产生样本选择偏差。例如，企业可能更倾向于回应粉丝数量多的用户（可观测变量，已纳入模型），也可能因用户推文中未被测量的情绪强度而决定回应。为修正这一偏差，本文采用 Heckman 两阶段样本选择模型，分别针对企业与用户构建选择方程：
Φ（·）代表标准正态分布的累积分布函数（CDF）逆函数；
Xit（或Wit）为影响企业（或用户）发布决策的对话特征向量（粉丝数、话题）；
识别变量（用于满足 Heckman 模型的识别条件）分别为 “滞后意外用户推文量” 与 “滞后意外企业推文量”，具体计算方式如下：
“意外推文量”= 当日推文量 - 一周前同日推文量，用于衡量推文量的异常波动（满足相关性）；“滞后” 指将 “意外推文量” 滞后一周，以确保其仅通过影响 “发布决策” 间接作用于用户情绪，而非直接影响情绪（满足排他性）。
基于上述两个选择方程，本文计算得到“企业选择逆米尔斯比率（IMR）” 与 “用户选择逆米尔斯比率”，并将其纳入核心用户情绪模型，以修正样本选择偏差。在估计过程中，采用 Bootstrap 方法（重复抽样 1000 次）计算标准误，确保结果可靠性。此外，企业选择方程的估计样本涵盖所有包含至少一条用户推文的对话线程，用户选择方程的估计样本涵盖所有包含至少一条用户推文与一条企业推文的对话线程。同时，明确将“企业 / 用户未发布推文” 的观测值（即选择方程中的“0 值”）纳入样本，以避免样本截断导致的偏差。
Model Specification
用户情绪模型的具体形式如下：
Econometric Analysis
FGC elements that become more effective for negative preceding user sentiment
共情理解×前期用户情绪：二者存在显著负向交互效应（β=-0.020，p<0.001），表明当前期用户情绪越负面，企业通过共情理解改善用户情绪的效果越强。这是因为当用户处于消极状态时，对“被理解”的需求更强烈，共情回应能有效缓解其负面感受。
话题匹配×前期用户情绪：二者存在显著负向交互效应（β=-0.020，p<0.01），意味着当前期用户情绪为负面时，企业紧扣话题的回应能更显著地提升用户情绪。这一结果表明，负面情绪下，用户更关注 “企业是否正视问题根源”，话题匹配能传递 “企业重视用户诉求” 的信号。
私信沟通×前期用户情绪：二者存在显著负向交互效应（β=-0.048，p<0.001），说明当前期用户情绪越负面，私信沟通对用户情绪的改善效果越强。这与投诉处理相关研究的结论一致—— 负面情绪下，转移至私人渠道能减少用户在公开场景中的抵触心理，同时便于企业深入解决问题。
FGC elements that become more effective for positive preceding user sentiment
情绪倾向×前期用户情绪：二者存在显著正向交互效应（β=0.077，p<0.001），表明当前期用户情绪越积极，企业以积极情绪倾向回应时，对用户情绪的提升效果越强。这是因为积极情绪下，用户更易接受与自身情绪一致的反馈，企业的积极回应能进一步强化其正面体验。
真实性×前期用户情绪：二者存在显著正向交互效应（β=0.006，p<0.01），意味着当前期用户情绪为积极时，企业真实的回应能更有效地提升用户情绪。这符合 “真诚性能营造良性沟通氛围”的理论逻辑——积极情绪下，用户对企业的信任度更高，真实回应能放大其正向感受。
Comparing the Measured Impact of FGC on User Sentiment
前文讨论的回归系数因变量类型（连续 / 离散）与分布特征不同，无法直接比较大小。为客观评估各要素的相对效力，本文采用 “变量边际效应” 方法：将单个企业生成内容变量从 “低水平10%” 调整至 “高水平90%”，其他变量保持均值不变，通过 “变量变化幅度 × 回归系数” 计算该要素对用户情绪的边际影响。
话题匹配是最有效策略：将话题匹配从低水平提升至高水平，能使用户情绪提升 0.29，这一影响幅度远高于其他要素，是改善用户情绪的关键手段。
语言风格匹配效果次之：语言风格匹配的边际影响为 0.12，与话题匹配同属“相互理解精神” 维度，二者共同构成改善用户情绪的核心组合。
情绪倾向与共情理解效果中等：二者的边际影响均为 0.05——企业通过表达积极情绪（情绪倾向）或传递理解（共情理解），能对用户情绪产生一定正向影响，但效力弱于话题与风格匹配。
回复时间、客服签名、私信沟通与真实性效果较弱：回复时间的边际影响为0.04，客服签名与私信沟通均为0.03，真实性最低（0.02）。这表明这些要素虽能改善用户情绪，但对情绪的整体提升幅度有限。
此外，上述结果在“前期用户情绪为完全中性（取值 = 0）”的场景下依然成立。若将“中性对话”定义为情绪在- 0.01 至 0.01 之间的对话，正确运用任一企业生成内容要素，均能将中性用户情绪转化为积极情绪——所有要素的最小边际影响为+0.02，足以实现情绪从 “中性” 到 “积极” 的转变。
为进一步明确交互效应的实际影响幅度，本文以“前期用户情绪为中性（=0）”为基准，对比了“前期用户情绪为低水平（10 分位数）”与“高水平（90 分位数）”时，各企业生成内容要素对用户情绪的影响差异。
话题匹配：虽在不同前期情绪下均能有效提升用户情绪（边际影响均接近 0.28-0.29），但交互效应显著，表明负面情绪下紧扣话题的“相对重要性”更高——它能让处于负面状态的用户感受到企业对问题的重视，而中性或积极情绪下，话题匹配的“额外增益”相对有限。
共情理解与私信沟通：在前期用户情绪为负面时，二者对用户情绪的提升效果达到峰值（均为 0.06）；而当前期情绪为积极时，共情理解的边际影响降至 0.03，私信沟通则近乎无影响（0.00）。这进一步验证了“负面情绪下，用户更需要共情与私密沟通空间” 的结论。
情绪倾向与真实性：在前期用户情绪为积极时，二者的效果显著增强—— 情绪倾向的边际影响达 0.09，真实性达 0.03；而当前期情绪为负面时，二者的效果大幅减弱（情绪倾向：0.01，真实性：0.01）。这可能是因为负面情绪下，用户会认为企业的“积极回应”是无视其困境的“ tone-deaf”行为，而“真实回应”若过于直接，也可能被解读为生硬或缺乏关怀。同时，这一结果也印证了“真实性能放大用户积极基线情绪”的理论预期。
Mirror the user
用户通过社交媒体联系企业的目的多样，可能是提供建议、投诉、宣泄不满或表达赞赏。研究结果表明，通过紧扣话题与匹配语言风格来“镜像模仿” 用户，是改善用户情绪最有效的策略。其中，紧扣话题在前期用户情绪为负面时效果尤为显著。
Stay positive
传递“无条件积极关注”（即积极情绪倾向）能向用户传递 “无论其行为或观点如何，企业均认可其无可置疑的价值” 这一信号，同时拉近对话双方距离、体现对用户的关怀，并传递 “企业重视用户” 的态度。但需注意的是，若前期用户情绪为负面，过于无条件的积极回应可能被视为 “无视用户困境”，对后续用户情绪的提升效果有限；相反，若前期用户情绪本身为积极，积极的企业生成内容能进一步放大用户的正面感受。Show empathy
用户在社交媒体上发布与企业相关的内容往往带有特定目的，企业客服人员需站在用户视角理解其发布动机。研究表明，通过语言传递共情理解能有效提升用户情绪，且这一效果在前期用户情绪为负面时更为显著。显然，仅使用共情词汇不足以解决问题—— 用户面临的核心诉求仍需得到处理，但共情表达能让用户感受到 “企业正在倾听”，为后续问题解决奠定良好基础。
Be present
快速回应用户社交媒体帖子是体现“企业参与度与在场性” 的关键。在社交媒体环境中，“一小时” 已属漫长，用户对企业的快速回应存在明确预期。研究结果表明，无论前期用户情绪如何，快速回应均不可或缺。Be genuine
真诚的企业生成内容具有“真实性” 特征，且客服人员会向用户传递真实、个人化的信息。研究发现，使用体现真实性的语言能提升用户情绪，尤其当前期用户情绪为积极时 —— 此时用户更愿意与企业互动，且对真诚的企业生成内容会做出更积极回应。但需注意，若前期用户情绪为负面，真实性的效果会减弱。这可能是因为，处于不满状态的用户对 “未经修饰、过于直接” 的真实回应接受度较低，甚至可能将其解读为生硬或缺乏关怀。
Take conversations private
研究结果表明，私信沟通能提升用户情绪，尤其在前期用户情绪为负面时效果更显著。但企业需注意，私信沟通存在时间限制（如客服人员需花费时间了解客户情况），可能影响对其他社交媒体对话的响应效率；同时，将大量对话转移至私人渠道也与“社交媒体作为公共沟通平台” 的属性存在一定冲突。因此，建议企业战略性使用私信沟通，尤其在前期用户情绪为负面时主动提出私信邀请。
Don’t be anonymous
研究发现，当客服人员在帖子中签署姓名（如“Kate”）而非仅使用首字母（如 “^KS”，代表 Kate Smith）或完全不署名时，用户情绪会显著提升。基于此，建议企业在社交媒体企业生成内容中使用客服人员全名签名（除非存在特定隐私顾虑）。数据显示，样本中各企业的签名方式差异较大：约 20% 的帖子使用全名签名，75% 使用首字母，5% 无任何签名。因此，企业可制定统一的签名标准，在条件允许的情况下优先使用客服人员全名而非首字母。
Don’t ignore neutral or positive user sentiment
企业往往自然地将重点放在“平息负面用户情绪” 上，但研究结果表明，引导中性情绪向积极情绪转化，或进一步强化已有的积极情绪，存在巨大空间。数据显示，中性与积极用户消息占所有社交媒体帖子的 70%，因此企业完全可以通过优化企业生成内容，在公共平台上创造或强化用户的积极情绪。
How Firms Can Steer Social Media Conversations
Authors：Mohammad “Mike” Saljoughian，Kelly Hewett，Harald J. van Heerde and William Rand
