有限注意力下的社会学习：最新优先排序下负面评论持续存在

我们研究了一个基于评论的社会学习模型，其中客户的计算能力有限，仅通过阅读平台显示的前几条评论来做出购买决策。在这种有限注意力下，我们确定评论排序策略可能产生重大影响。特别是，流行的“最新优先”排序会导致负面评论作为最新评论的持续时间比正面评论更长。我们将这种现象称为“最新优先成本”，它可能使长期收入无限低于另一种情况，即评论为每个客户外生抽取。我们表明，在动态定价下，“最新优先成本”的影响可以得到缓解，动态定价允许价格依赖于显示的评论集。在最优动态定价策略下，收入损失最多为2倍。在此过程中，我们确定了这种最优动态定价的一个结构性质：价格应确保购买概率始终相同，无论评论状态如何。我们还考虑了产品质量根据马尔可夫链随时间演变的情况；我们发现“最新优先”能更好地跟踪当前质量，但仍会导致较低的收入，凸显了客户信念准确性与收入之间的权衡。最后，我们通过数值模拟和对Tripadvisor评论的实证分析来支持我们的理论发现。