本研究收集了2019年3月-6月来自抖音平台的网红视频广告数据以及2019年5月-11月来自淘宝的对应产品销售数据。视频广告数据包括视频本身、发布日期、产品标识符、参与度指标以及 2019 年 1 月拍摄的网红特征快照。销售数据则记录了每件商品的商品ID、淘宝上的销售收入（30日内销售收入总和）、商品图片、品类、价格和折扣。研究者通过商品ID匹配这两部分数据，并重点关注那些只有一个网红视频广告的商品以简化归因。 初步分析结果表明，视频参与度（点赞、评论和分享）与销售额变化之间缺乏显著的相关性。这一结果表明，使用视频参与度来评估广告效果可能会产生误导，而PE分数算法旨在解决这一问题。对于每个视频广告，该算法都会输出一个3D参与度热力图、一个3D产品热力图和一个PE分数，如下图所示。 在PE得分计算完成后，研究者使用了双重差分法（DID）和回归分析来分别验证广告视频本身和广告视频PE得分与销售提升之间的关系。作者首先通过DID模型检验了网红广告视频对产品销售额的提升，结果发现平均销售额提升为2017元，但该销售额提升与零的差异并不显著（𝑝=0.50）。 接下来，研究者使用OLS回归检验了PE得分以及其他因子对销售提升的预测能力。结果显示PE得分是销售额提升的一个正向且显著的预测因素（𝑝<0.01）。PE值本身就能解释3%的销售提升，这一结果与假设一致，即PE值较高的网红视频广告在提升销售额方面更为有效。此外，视频的像素级参与度值总和与传统参与度指标都不能显著预测销售提升，换言之，仅仅在视频中更多地展示产品可能无法预测更好的销售。在回归模型中同时纳入PE得分、参与度得分、产品得分以及后两者交互作用时的估计结果。PE得分仍然是唯一显著的预测因子（𝑝<0.001），其效果仍然为正。这些发现共同表明，单独提高参与度和产品植入可能无济于事；更重要的是这两者在时空上保持一致，也就是PE得分所代表的那样。 在对模型结果进行深入分析的基础上，研究者们进一步探索了影响参与度评分（PE分数）的关键因素。他们利用先进的对象检测算法识别出视频中高参与度的像素，并发现人类是这些像素中最具代表性的类别。这一发现为理解人类在视频内容中的活跃程度提供了新的视角。 为了更细致地探究人类活动如何影响参与度，研究者们运用情绪检测算法来识别视频中每一帧的人类面部表情。通过这种技术，他们能够将面部表情与相应的像素级参与度进行关联性分析。结果显示，悲伤和快乐的表情与参与度得分呈现显著的正相关关系，即当视频内容传达悲伤或快乐的情绪时，观众的参与度往往会提高；而恐惧和惊讶等负面情绪则与参与度呈负相关，意味着在这些情绪表达的场景中，观众的参与度可能会降低。 最后，研究者们还利用活动检测算法来识别视频中的人类活动类型，并将这些活动与对应的平均像素级参与度进行回归分析。结果表明，有活力、快节奏、新颖的活动（如踢腿、跳舞、潜水等）更能激发观众的参与感，从而提高参与度得分。这一发现强调了创新和多样性对于提升观众参与度的重要性。 综上所述，通过对PE分数的多维度分析，研究者们揭示了人类在视频内容中的活跃程度受到多种因素的影响。这些发现不仅有助于我们更好地理解观众与内容的互动机制，也为未来的内容创作和传播策略提供了有价值的指导。