大空头

评分：

6.0 还行

原名：The Big Short又名：大卖空(台) / 沽注一掷(港) / The Big Short: Inside the Doomsday Machine

分类：剧情 / 传记 / 地区：美国年份：2015

简介： 2008年全球金融危机，华尔街几位眼光独到的投资鬼才在2007年美国信贷风暴前就

查看详情

更新时间:2017-01-31

大空头影评：[1/23]说点除电影外的别的

评分：4☆
观影时间：2017.1.30 22:00-24:00
资源：BYRBT
影评时间：2017.1.31 0:00

这是本人所谓“鸡年豆瓣计划”的真正第一篇。

看完的总体感觉很爽，但是作为一个经济和电影双重门外汉，我无法对这不片子做出内容和形式上的清晰独到的剖析。但看到豆瓣的评论的时候，我觉得有东西可以写了。

还是简单说一下电影本身：通过四伙空头家的故事，讲述了美国次贷危机。节奏明快，通俗易懂，没有经济知识的观众也可以很好地跟进剧情，感受大灾难下“胜利者”的心境变化——最后胜利者们也没有欢呼出声。“This isn't I pictured it”，两兄弟在雷曼兄弟大厦里感受到了，最终人们的疯狂已经超乎想象。胜利者的无力，这种落差彻底地展现了这场金融危机的灾难性。更多更好的评论可以看https://movie.douban.com/review/7740254/

下面分享些观影之外的东西，也颇为有趣（也可能你一点都不感兴趣）。

我发现这个片子目前豆瓣评分8.3，从5星到1星分别票型占比是：34%，48%，16%，1.5%，0.3% 也就是说，一半的人评4星，其他人在4星附近±1星范围浮动，而且5星是3星的两倍，而1，2星几乎没有。再看影评区推荐的前5篇，3篇5星2篇4星。假设这个推荐是根据“有用/无用”，“喜欢”，“推荐”的用户标记来推的，多数代表用户的整体认同，从结果上来看，和等级评分是一致的，很好。但是看一下短评区。4条推荐里面，2星3星3星2星。从结果上来看，短评区是根据“有用”标记来推荐的。这就非常有意思了，似乎与评级和影评的结果不一样。

大概是从一个接触了云计算大数据概念的计算机专业学生的角度，或者是从一个这学期修过“信息系统理论与方法”的学生的角度，或者是从对另一个论坛“zhi乎”的浅显接触的感受出发，我对上述现象很感兴趣（并不是写不出影评硬憋）。一个成熟的评价网站的数据分析结果为什么好像自相矛盾呢？会不会是大数据课题里遇到过的长尾效应（不确定是规范的学术名字）——点击量top10%的词条的点击量之和，在总点击量中的占不到50%，甚至40,30,20，所谓热点不够热。IS课读的论文研究的正好是差不多问题，“线上评论如何反应线下服务”。这门课算是误打误撞选的，跨学科选修选到管理学院的小班专业课，又是做论文阅读报告，又是课程论文，又是考试的，所以那个论文印象很深，只不过它得出了相反的结论——线上可以相关地反应线下，低质量服务更不易被消费者评论到线上，高质量服务评论存在尾部夸张效应导致区分度下降。而差评短评有吐槽翻译组的，让我觉得评论者及点赞者的水准可能偏低，可能属于“低质量服务消费者报复性评价”。毕竟，豆瓣的电影信息没有指定统一的字幕组，而字幕本身是影片之外的东西。

上面这些就是一瞬在我脑海中飘过的东西，我希望将这些分享给我的朋友，这更像是一篇日记或随笔，看题目，这不是正经影评。如果你觉得有趣的话，下面是这个问题初步的结果。顺着飘过的这些思路，我看了一下“有用”数。果然，第一热短评，181有用；第一热长评（就是本文上面给链接的），1521有用，另外242推荐。而评价（至少评过星级）过这个影片的总人数，67340。也就是说，所有“热短评”点赞数之和不到总流量的1%；而所有“热长评”点赞数占总流量5%。此处有人可能要说总流量不能代表总点赞数。其实短评总数>>长评总数，且短评在排版上更靠前，有理由相信考虑总流量和点赞数的差别后，结果更利于“短评中的热评代表性差”。最终结论，
1. 存在热点不热问题。
2. 低服务质量消费者有更低的意愿参与网上评价，这一规律在此的体现是相比长评，差评者更喜欢写短评。
看来豆瓣的评论推荐需要再做得更好。

看到这里的朋友，谢谢阅读（一篇附在简短影评后的随笔……）！