你浏览的购买顺序，正在悄悄替你下单！福州大学团队联合海南大学与麦考瑞大学揭示移动购物决策的脑电证据

你是否曾在手机屏幕上滑动浏览商品时，不经意间被某个产品的排名、评论或推荐所打动，最终按下购买键？那些看似中立的辅助工具，是否在无形中引导着你的选择，而你却浑然不觉？

随着移动电商的普及，超过99%的中国网购消费者使用手机进行购物。面对海量商品与有限的屏幕空间，各大平台纷纷引入产品排名、用户评论和个性化推荐等决策支持工具，试图帮助消费者简化选择。然而，这些工具往往以固定顺序依次呈现——是先看排名还是先看评论？这一微小的顺序差异，是否可能在消费者尚未察觉之前，就已悄然改变其认知加工与最终决策？

既有研究多聚焦于单一工具或三者交互对消费行为的影响，却鲜少关注呈现顺序本身如何作用于消费者的神经加工过程。更重要的是，即便消费者的购买行为在外显层面未发生剧烈变化，其大脑在注意力分配、线索加工、决策态度与情绪唤醒等关键环节，是否已在不同顺序下呈现出系统性差异？这种“行为表面稳定而神经层面活跃”的状态，恰恰可能是理解在线消费决策机制的关键突破口。

近期，福州大学团队联合海南大学与麦考瑞大学在Information Processing and Management (IF = 6.9)期刊发表题为“Unveiling the secrets of online consumer choice: A deep learning algorithmic approach to evaluate and predict purchase decisions through EEG responses”的研究论文，首次通过事件相关电位技术结合深度学习算法，系统考察了决策支持工具呈现顺序对消费者购买决策的影响及其神经机制。

本研究共招募96名来自中国武汉地区的大学生被试，最终获得85份有效数据(男性37人，女性48人)，年龄范围为18至27岁(M = 22.24, SD = 2.43)。实验采用ANT Neuro公司生产的64通道eego mylab脑电设备采集脑电数据，电极按照国际10-20系统排布，以Cz为参考电极，GND为接地电极，采样率为1000 Hz，记录带宽为0.01–100 Hz。

图1 研究框架

实验刺激通过E-prime 3.0软件呈现，同步记录被试的行为数据，包括购买决策与反应时。实验材料为电动牙刷与蓝牙耳机两类产品，每类5款，通过预实验控制产品外观、品牌、价格等无关变量。实验采用混合设计，产品情境为被试间变量，呈现顺序为被试内变量，每种产品情境包含六种决策支持工具呈现顺序。每个试次中，首先呈现产品图片2000 ms，随后依次呈现三种决策支持工具各2000 ms，最后要求被试尽快做出购买决策。整个实验包含180个试次，每30个试次后设置休息时间，实验总时长约为30至45分钟。

图2 实验刺激呈现的例子。红色虚线框中的刺激可以相互替换，从而产生总共六种不同的呈现顺序。

研究结果从行为数据、脑电数据和预测模型三方面展开。行为层面，购买率的方差分析显示产品情境与呈现顺序的主效应均显著，但交互效应不显著。配对t检验表明，四种产品情境中均为“评论—推荐—排名”顺序获得最高购买率。反应时方面，产品情境主效应显著，呈现顺序主效应边缘显著，评论优先呈现时决策时间最短。

图3 认知过程与特征提取

脑电层面，四种ERP成分在不同呈现顺序下均差异显著。P2成分在“推荐—评论—排名”顺序下波幅最大，反映早期注意资源分配；Cue-FRN在“评论—推荐—排名”顺序下最负向，反映中期线索加工显著性；P3与LPP同样在该顺序下波幅最大，分别反映明确的决策态度与更强的情绪唤醒。四种成分的产品情境主效应及交互效应均不显著，表明呈现顺序的影响具有跨情境稳定性。

图4 卷积操作示意图

预测模型层面，以四种ERP成分平均波幅为特征构建七层CNN模型，输入1512维特征，经五折交叉验证后预测准确率达98%，F1分数0.98。与传统机器学习模型相比，CNN表现显著更优(逻辑回归69%、SVM 88%、随机森林75%、ANN 91%等)，表明基于ERP特征的深度学习模型能有效捕捉决策神经模式，实现高精度行为预测。

图5 本文提出的卷积神经网络架构

所以，下次深夜刷手机时，不妨问自己一句：是我在做选择，还是顺序替我选好了答案？当“评论—推荐—排名”的顺序悄然激活你的大脑，你以为的自由意志，可能只是对页面布局的条件反射。而深度学习能以98%的准确率预判你的购买行为，也让我们不得不重新思考：真正决定你下单的，究竟是内心需求，还是屏幕上那个不起眼的排列顺序？

文章信息

引用：Li, Y., Liu, Q., & Wu, J. (2024). Unveiling the secrets of online consumer choice: A deep learning algorithmic approach to evaluate and predict purchase decisions through EEG responses. Information Processing & Management, 61(3), 103671.

DOI: 10.1016/j.ipm.2024.103671