未删节数据的透明模型（TMUD）

近年来计算能力与算法的进步使得未删节数据（如原始图像或音频）可作为某些模型（如深度学习）的输入。然而，此类模型的黑箱特性降低了营销学者采用它们的可能性。我们的分析范式——未删节数据的透明模型（TMUD）——通过引入事前过滤模块与事后实验模块，使研究者能够探究此类黑箱模型的内部机制。我们通过考察面部成分与性二态性在面孔感知中的作用来实证展示TMUD，其涉及四个营销情境：广告（对亲和力、可信度与能力的感知）、品牌（面孔是否代表品牌典型顾客的感知）、品类（面孔是否代表品类典型顾客的感知）以及客户角色（面孔是否代表品牌客户细分角色之感知）。我们的结果揭示了丰富现有基于删节属性（如嘴宽）的面孔感知文献的新颖且有用的发现。TMUD极有潜力成为一种用于生成理论洞见的实用范式，并可能鼓励更多营销研究者与从业者使用未删节数据。