理解并建模在线医疗众筹活动中的图像给观众的第一印象

文献标题

Understanding and Modeling Viewers’ First Impressions with Images in Online Medical Crowdfunding Campaigns

文献信息

• 主题领域: 人工智能、计算机视觉、社会计算
• 关键词: 在线医疗众筹、第一印象、计算模型、图像特征、捐赠行为

研究背景与问题

• 问题与挑战:

  1. 在线医疗众筹平台（OMCPs）是为患者提供经济支持的工具，但观看者的第一印象会显著影响捐赠决策。
  2. 图像是决定第一印象的重要因素，但筹款人通常缺乏经验来选择合适的图像，导致图像无法很好地传递情感、可靠性等关键信息。
  3. 当前缺少有效工具帮助筹款人评估图像的视觉影响力，也没有明确的实践指南。

• 重要性:

  • 成功的第一印象可增强观看者的同理心、信任度、公正感、影响力和吸引力，这些与捐赠意愿密切相关。
  • 理解图像如何影响众筹的成功可为平台设计和筹款实践提供重要参考。

• 相关工作:

  • 第一印象常在众筹、旅游等领域被研究，用以探索行为决策。
  • 文献表明图像内容（如性别、情感表达）和第一印象及表现有相关性，但单独测量仅基于视觉要素的效果和预测能力尚未充分探索。

解决方案

• 方法概述:

  • 提出一个数据驱动的计算方法来评估在线医疗众筹图像是否能传递适当的第一印象。
  • 收集众筹图像数据，设计实验以获取观看者对图像的感知评分，并将图像的视觉特征与第一印象和捐赠意图关联起来。

• 创新之处:

  1. 系统性定义与Donation相关的五个关键第一印象维度：同理心（Empathy）、可信度（Credibility）、公正感（Justice）、影响力（Impact）、吸引力（Attractiveness）。
  2. 系统性分析视觉特征对这些维度的影响。
  3. 提出将第一印象建模为多分类问题，并结合机器学习与深度学习模型评价预测性能。

• 实施步骤:

  • 数据集构建:

    1. 从GoFundMe平台获取7,039个众筹图像，提取封面画像并进行分类主题分析。
    2. 最终选取450张图像供实验之用。

  • 实验设计:

    1. 通过众包平台收集参与者对每张图像的第一印象评分。
    2. 聘用5名不同参与者对每张图像进行评分，并确保数据质量。

  • 特征分析:

    • 提取视觉特征（内容特征、颜色特征、纹理特征、构图特征），分析特征与感知评分的相关性。

  • 分类与预测:

    • 使用KNN、SVM、随机森林等算法训练模型，预测单张图像是否在某种印象维度上达到“平均水平以上”。

研究成果

• 实验结果:

  1. 人类感知一致性:

     • 参与者能基于图像形成高一致性的第一印象评分（信度达到0.6以上）。
     • 五个关键维度的感知得分与捐赠意图有显著正相关性。

  2. 图像特征分析:

     • 图像内容（如人物年龄、人数、情绪等）严重影响第一印象评价。
     • 颜色特征和构图特征（如亮度、对比度）与同理心、吸引力等维度密切相关。

  3. 建模性能:

     • 提出的分类算法能够以F1分值0.727的精确性预测第一印象。
     • 随机森林在所有评估维度中表现最佳，尤其是在同理心、可信度和吸引力的预测上表现尤为出色。

• 优势:

  1. 提供了一种切实可行的方法，帮助筹款人提前评估图像的潜在效果。
  2. 研究揭示了视觉特征对人类感知的显著影响，具有跨领域应用潜力。

• 局限与未来方向:

  1. 文化差异限制: 研究仅基于美国观众的数据，未来需探索跨文化的第一印象感知差异。
  2. 数据集规模: 当前数据集有限，未来可扩展至更大的图像样本。
  3. 因素交互作用: 当前主要分析单一特征的作用，未来应关注特征之间的关系及复杂作用。
  4. 实用工具开发: 提议开发可用于OMCC的用户反馈系统，为筹款人提供图像选择指导。

总结

• 作者对在线医疗众筹图像的第一印象进行了深入研究和建模，首次系统性探索了视觉要素对第一印象及潜在捐赠结果的影响。研究成果为平台功能优化和图像选择指导提供了理论依据与实用工具设计的参考。