劉豐軍 林正奎 曲 毅

(大連海事大學(xué)航運經(jīng)濟(jì)與管理學(xué)院)

1 研究背景

Web 2.0時代，協(xié)同創(chuàng)作、協(xié)同計算、協(xié)同設(shè)計、協(xié)同研發(fā)等協(xié)同模式深刻改變了群體協(xié)作模式，創(chuàng)造了巨大的社會價值、商業(yè)價值和學(xué)術(shù)價值[1]。其中，以網(wǎng)絡(luò)百科(維基百科、百度百科等)為代表的知識協(xié)同創(chuàng)作倡導(dǎo)“人人皆可編輯”的UGC知識生產(chǎn)模式，顛覆了傳統(tǒng)的PGC知識生產(chǎn)模式，成為協(xié)同創(chuàng)作的成功典范[2]。

基于內(nèi)容開放共享的網(wǎng)絡(luò)百科協(xié)同創(chuàng)作(OECC)，學(xué)者們從用戶、內(nèi)容和社區(qū)3個層面，對用戶動機(jī)、內(nèi)容質(zhì)量和社區(qū)運作等方面進(jìn)行了廣泛深入地研究，以揭示知識協(xié)作的內(nèi)在機(jī)理。例如，張薇薇等[3]基于活動理論模型，構(gòu)建了互聯(lián)網(wǎng)用戶協(xié)同創(chuàng)作與內(nèi)容共享的活動系統(tǒng)模型。CRESS等[4]及KIMMERLE等[5]基于社會系統(tǒng)理論和認(rèn)知平衡理論，構(gòu)建維基社會系統(tǒng)和個體認(rèn)知系統(tǒng)協(xié)同演化模型。LI等[6]基于SECI模型提出了虛擬社區(qū)環(huán)境下的知識構(gòu)建過程模型，描述知識建構(gòu)的漸進(jìn)過程。在研究方法上，OECC模式研究主要以理論分析為主，采用案例研究、社會網(wǎng)絡(luò)分析、系統(tǒng)仿真等方法，對群體協(xié)作過程和模式進(jìn)行闡述。例如，OEBERST等[7]以維基百科詞條——福島核電站事故為例，從系統(tǒng)建構(gòu)主義觀剖析群體協(xié)同知識建構(gòu)的過程。JANKOWSKI-LOREK等[8]構(gòu)建了多維行為社會網(wǎng)絡(luò)模型，用于揭示維基百科知識協(xié)作的行為模式。WANG等[9]以中文維基百科為例，采用系統(tǒng)動力學(xué)方法構(gòu)建了知識協(xié)作動機(jī)因素的系統(tǒng)動力學(xué)模型，以揭示群體知識協(xié)作的動力學(xué)機(jī)制。不可否認(rèn)，現(xiàn)有研究成果增進(jìn)了對OECC的認(rèn)知和理解。但還存在一定的局限性：①在研究視角上，很多研究忽視了OECC動態(tài)演化的特點，采用靜態(tài)視角，無法客觀真實地反映系統(tǒng)因素間的動態(tài)關(guān)系；②在研究方法上，大多數(shù)研究仍停留在概念化或模型化的純理論層面，缺乏嚴(yán)格意義上的實證研究。此外，現(xiàn)有研究普遍采用傳統(tǒng)的橫向研究法，無法對因素間的互動關(guān)系進(jìn)行分析。

本研究擬從互動認(rèn)知視角，基于皮亞杰建構(gòu)主義理論，構(gòu)建網(wǎng)絡(luò)百科協(xié)同創(chuàng)作演化模型。在此基礎(chǔ)上，以百度百科詞條——NBA為例，綜合運用向量自回歸模型、Granger因果檢驗、脈沖響應(yīng)函數(shù)、方差分解等方法進(jìn)行系統(tǒng)地實證分析。本研究不僅在理論上豐富了對OECC內(nèi)在機(jī)理的認(rèn)知和理解，而且在研究方法上為該研究領(lǐng)域提供了新的思路和視角。

2 網(wǎng)絡(luò)百科協(xié)同創(chuàng)作演化模型構(gòu)建

OECC的過程，本質(zhì)上是認(rèn)知主體和知識客體通過認(rèn)知交互實現(xiàn)雙向知識建構(gòu)的過程。根據(jù)皮亞杰建構(gòu)主義理論，個體認(rèn)識發(fā)展實質(zhì)上是通過內(nèi)化和外化雙向建構(gòu)活動，實現(xiàn)認(rèn)知結(jié)構(gòu)“平衡—不平衡—平衡”的動態(tài)建構(gòu)過程[10]。鑒于此，本研究引用“平衡化”概念解析OECC的基本過程。當(dāng)個體認(rèn)知結(jié)構(gòu)與系統(tǒng)知識內(nèi)容存在認(rèn)知差異，認(rèn)知平衡被打破。此時，個體通過內(nèi)部同化(在原有的認(rèn)知結(jié)構(gòu)中添加新的信息，定量知識學(xué)習(xí))或內(nèi)部順化(改變原有的認(rèn)知結(jié)構(gòu)，定性知識學(xué)習(xí))，對原有認(rèn)知結(jié)構(gòu)進(jìn)行調(diào)整或改變，重新恢復(fù)認(rèn)知平衡，實現(xiàn)個體知識學(xué)習(xí)。同時，個體還會通過外部同化(對系統(tǒng)知識內(nèi)容進(jìn)行擴(kuò)充或刪減，定量知識建構(gòu))或外部順化(對系統(tǒng)知識內(nèi)容進(jìn)行重新組織，定性知識建構(gòu))，對系統(tǒng)知識內(nèi)容進(jìn)行編輯，實現(xiàn)系統(tǒng)知識建構(gòu)[4](見圖1)。圖1中，Vi表示百科詞條版本號，T表示時間。

圖1 網(wǎng)絡(luò)百科協(xié)同創(chuàng)作過程

基于以上分析，本研究提出了網(wǎng)絡(luò)百科協(xié)同創(chuàng)作演化模型(見圖2)。OECC系統(tǒng)被劃分為知識系統(tǒng)和認(rèn)知系統(tǒng)，兩個系統(tǒng)間的協(xié)同演化類似于雙齒輪聯(lián)動模型：兩個齒輪沿各自的軸旋轉(zhuǎn)(類似于模型中的知識系統(tǒng)和認(rèn)知系統(tǒng)間的循環(huán)動力學(xué))，通過相互作用(類似于模型中的內(nèi)驅(qū)力——認(rèn)知差異)，實現(xiàn)軌跡漂移(知識演化和認(rèn)知發(fā)展)。信息質(zhì)量是群體知識協(xié)作的結(jié)果和目的，是衡量群體績效的關(guān)鍵指標(biāo)，因此，信息質(zhì)量屬于知識系統(tǒng)的核心要素，知識系統(tǒng)的演化本質(zhì)上體現(xiàn)了信息質(zhì)量的動態(tài)變化過程。此外，OECC完美地詮釋了群體智慧的理念，大量參與者擁有豐富的認(rèn)知資源，成為知識協(xié)作的重要基礎(chǔ)和根本保障。由此可知，群體規(guī)模是認(rèn)知系統(tǒng)的核心要素，認(rèn)知系統(tǒng)的發(fā)展主要依靠群體規(guī)模的不斷擴(kuò)大。簡言之，認(rèn)知差異與群體規(guī)模和信息質(zhì)量之間的相互作用，推動了OECC系統(tǒng)的協(xié)同演化。

圖2 網(wǎng)絡(luò)百科協(xié)同創(chuàng)作演化模型

3 認(rèn)知差異概念界定及分類

本研究將認(rèn)知差異的概念定義為：認(rèn)知差異發(fā)生于個體感知到自己的知識或態(tài)度，與個體在環(huán)境中所遇到的知識或態(tài)度之間存在差異或不匹配；這種差異或不匹配可能涉及數(shù)量上或質(zhì)量上的差異[11]。知識學(xué)習(xí)通常被描述為一個概念改變的過程。概念改變最初是基于皮亞杰建構(gòu)主義理論提出的，通過一個人對物質(zhì)世界的心理模型的逐步補(bǔ)充或修改來實現(xiàn)[12]。概念改變中的補(bǔ)充和修改，是對皮亞杰建構(gòu)主義理論中的同化和順化的深化和擴(kuò)展，兩者間存在密切關(guān)聯(lián)。基于概念改變與認(rèn)知發(fā)展間的“同構(gòu)”關(guān)系，本研究將認(rèn)知差異劃分為認(rèn)知結(jié)構(gòu)差異和認(rèn)知風(fēng)格差異兩大類。其中，認(rèn)知結(jié)構(gòu)差異反映了個體間內(nèi)在認(rèn)知結(jié)構(gòu)上的不同，主要體現(xiàn)于對事物或問題在概念、觀點、態(tài)度等結(jié)構(gòu)屬性方面的差異，包括認(rèn)知相容(包含關(guān)系和交叉關(guān)系)與認(rèn)知不相容(反對關(guān)系、矛盾關(guān)系和全異關(guān)系)。認(rèn)知風(fēng)格差異則反映了個體在認(rèn)知風(fēng)格上的不同，具體體現(xiàn)在對信息加工、處理、表達(dá)等風(fēng)格屬性方面的差異[13]，只包含全同關(guān)系一種概念間關(guān)系。此外，按照差異程度，將認(rèn)知程度分為低等、中等、高等3個級別，分別對應(yīng)認(rèn)知風(fēng)格差異、認(rèn)知相容、認(rèn)知不相容。

4 研究假設(shè)

4.1 認(rèn)知差異與群體規(guī)模

從認(rèn)知心理學(xué)理論出發(fā)，皮亞杰認(rèn)知發(fā)展理論認(rèn)為，個體認(rèn)知的發(fā)展就是“平衡—不平衡—平衡”的動態(tài)演進(jìn)過程。當(dāng)客體與自身的認(rèn)知結(jié)構(gòu)存在差異(即認(rèn)知差異)時，認(rèn)知平衡被打破，從而激發(fā)個體通過同化或順化與客體進(jìn)行相互作用，以恢復(fù)平衡狀態(tài)[10]。CRESS等[4]基于皮亞杰平衡理論，認(rèn)為個體參與維基百科的主要動機(jī)源于認(rèn)知沖突。此外，根據(jù)費斯汀格的認(rèn)知失調(diào)理論，當(dāng)一個人持有兩種或兩種以上不一致的認(rèn)知(思想、態(tài)度、信念、意見)時，會感到不愉快和不和諧，進(jìn)而產(chǎn)生緊張感[14]?；谛袨榈恼J(rèn)知失調(diào)模型可知，認(rèn)知失調(diào)會促使個體通過改變行為或態(tài)度，或者引進(jìn)新的認(rèn)知元素等一系列行動導(dǎo)向，引導(dǎo)有機(jī)體有效地參與意圖(承諾)，消除不協(xié)調(diào)感，以恢復(fù)“心理平衡”[15,16]。WU等[17]研究發(fā)現(xiàn)，群體協(xié)作過程產(chǎn)生的認(rèn)知差異能夠驅(qū)動個體參與意愿，緩解認(rèn)知失調(diào)帶來的不適感。

不同程度認(rèn)知差異對個體參與意愿產(chǎn)生不同的影響。在教育學(xué)研究領(lǐng)域，大量實驗表明，中等難度任務(wù)更能激發(fā)個體學(xué)習(xí)的動機(jī)。根據(jù)成就動機(jī)理論，問題情境的難度在50%左右最有利于激發(fā)學(xué)習(xí)動機(jī)[18]。根據(jù)喚醒理論，個體一般偏好中等強(qiáng)度的刺激水平，不喜歡過高或過低的刺激，因為中等強(qiáng)度的刺激能引起最佳的喚醒水平[19]。此外，基于耶基斯-多德森定律，MOSKALIUK等[20]認(rèn)為中等水平的認(rèn)知差異導(dǎo)致認(rèn)知沖突，進(jìn)而激活“平衡”過程，促進(jìn)個體參與學(xué)習(xí)和協(xié)作知識構(gòu)建，并通過實驗驗證了這一觀點。由此提出如下假設(shè)：

假設(shè)1a認(rèn)知差異對群體規(guī)模存在正向影響。

假設(shè)1b認(rèn)知差異與群體規(guī)模間存在倒U形關(guān)系，中等程度認(rèn)知差異對群體規(guī)模的影響最顯著。

4.2 認(rèn)知差異與信息質(zhì)量

認(rèn)知差異在一定程度上反映了群體認(rèn)知多樣性。從信息/決策的觀點出發(fā)，異質(zhì)性群體優(yōu)于同質(zhì)性群體。異質(zhì)性群體擁有更廣泛的與任務(wù)相關(guān)的認(rèn)識資源，包括知識、觀點、經(jīng)驗和技能，不同認(rèn)知和觀點碰撞產(chǎn)生“創(chuàng)造性摩擦”，從而產(chǎn)出高質(zhì)量的信息或做出科學(xué)的決策[21,22]。此外，中等程度的認(rèn)知差異會導(dǎo)致認(rèn)知沖突，大多數(shù)研究認(rèn)為認(rèn)知沖突會對團(tuán)隊績效產(chǎn)生積極的影響。因為認(rèn)知沖突可以避免集體的一致性思維，促進(jìn)團(tuán)隊之間的信息交流，加深對任務(wù)和問題的理解，有利于團(tuán)隊創(chuàng)造出更好的績效[23]。

耶基斯-多德森定律描述了壓力(覺醒)和表現(xiàn)之間的倒U形關(guān)系，即中等強(qiáng)度的壓力下個體表現(xiàn)最佳。耶基斯-多德森定律在行為科學(xué)領(lǐng)域中得到了廣泛應(yīng)用，有學(xué)者將其應(yīng)用到認(rèn)知差異與表現(xiàn)關(guān)系的研究中。LEE等[24]提出，認(rèn)知沖突是概念轉(zhuǎn)變的第一步。焦慮是認(rèn)知沖突的重要組成部分，影響認(rèn)知沖突與學(xué)習(xí)反應(yīng)的關(guān)系。適當(dāng)水平的認(rèn)知沖突對個體學(xué)習(xí)產(chǎn)生積極的正面影響，而過低或過高的認(rèn)知沖突將對個體學(xué)習(xí)產(chǎn)生消極的負(fù)面影響，因此，不同程度的認(rèn)知差異對個體刺激和喚醒水平不同，進(jìn)而激發(fā)不同水平的認(rèn)知努力，并對信息質(zhì)量產(chǎn)生影響。由此提出如下假設(shè)：

假設(shè)2a認(rèn)知差異對信息質(zhì)量存在正向影響。

假設(shè)2b認(rèn)知差異與信息質(zhì)量間存在倒U形關(guān)系，中等程度認(rèn)知差異對信息質(zhì)量的影響最顯著。

5 研究方法與數(shù)據(jù)獲取

5.1 VAR模型

傳統(tǒng)的單變量自回歸模型將一個隨機(jī)變量(如國民收入)的動態(tài)變化，描述為其自身過去的線性函數(shù)，然而，現(xiàn)實社會經(jīng)濟(jì)系統(tǒng)中多個變量(如國民收入、就業(yè)、物價、貨幣供應(yīng)量、利率等)間通常存在復(fù)雜的相互影響關(guān)系。向量自回歸(vector autoregression，VAR)模型是一種非結(jié)構(gòu)化的動態(tài)聯(lián)立方程模型，用來分析一組宏觀經(jīng)濟(jì)變量之間的聯(lián)合動力學(xué)和因果關(guān)系，是單變量自回歸模型向多變量情形的推廣，在整個計量經(jīng)濟(jì)學(xué)體系中占據(jù)著重要地位[25]。VAR模型具備不以嚴(yán)格的經(jīng)濟(jì)理論為依據(jù)，無需事先區(qū)分變量的外生性和內(nèi)生性，解釋變量中不包括任何當(dāng)期變量等優(yōu)點，克服了傳統(tǒng)聯(lián)立方程模型(結(jié)構(gòu)化)受制于經(jīng)濟(jì)理論而帶來的諸如內(nèi)生變量和外生變量的劃分、估計和推斷等復(fù)雜問題，在描述經(jīng)濟(jì)和金融時間序列的動態(tài)行為和預(yù)測方面有著廣泛的應(yīng)用[26]。

VAR模型的數(shù)學(xué)表達(dá)式如下：

yt=?1yt-1+?2yt-2+…+?pyt-l+Hxt+εt，

(1)

式中，yt是k維內(nèi)生變量列向量；xt是d維外生變量列向量；t是時間期數(shù)；l是滯后階數(shù)；?1,?2,…,?p和H是待估計的系數(shù)矩陣；εt是隨機(jī)擾動項。在VAR模型的基礎(chǔ)上，綜合運用Granger因果關(guān)系檢驗、脈沖響應(yīng)函數(shù)和方差分解等方法，對變量之間的短期因果關(guān)系與長期均衡關(guān)系進(jìn)行分析。

5.2 樣本選擇與數(shù)據(jù)獲取

百度百科是百度公司于2006年推出的一個內(nèi)容開放、自由的網(wǎng)絡(luò)百科全書平臺，已經(jīng)成長為國內(nèi)最大最具代表性的網(wǎng)絡(luò)百科平臺。本研究選擇百度百科詞條——NBA作為研究對象，主要原因包括：①詞條具有代表性。百度百科詞條一般分為特色詞條、專家詞條和一般詞條。盡管特色詞條和專家詞條屬于高質(zhì)量詞條，但所占比例不到1.5%，所以選取NBA這樣的一般詞條更具一般性和普適性。②用戶參與度高。截止到2019年7月29日，該詞條歷經(jīng)13年的發(fā)展，共吸引了近1 340個用戶，累計1 866次編輯。③話題關(guān)注度高。NBA作為全球四大體育聯(lián)盟，是全世界最受歡迎的籃球聯(lián)賽，同時也是中國最受歡迎的體育賽事，為該詞條贏得了極高的關(guān)注度，瀏覽次數(shù)超1 290萬次，點贊數(shù)近2萬個，轉(zhuǎn)發(fā)量近628次。總之，NBA作為百度百科最具代表性、高參與度、高關(guān)注度的詞條，成為理想的研究樣本。

鑒于百度百科不提供詞條數(shù)據(jù)的開放獲取服務(wù)(API接口)，樣本數(shù)據(jù)獲取綜合爬蟲自動抓取(八爪魚采集器)和人工手動采集兩種方式。數(shù)據(jù)主要包括：①詞條頁面數(shù)據(jù)，主要獲取編輯次數(shù)、圖表數(shù)量、鏈接數(shù)量等數(shù)據(jù)；②歷史頁面數(shù)據(jù)，主要獲取更新時間、貢獻(xiàn)者、修改原因等數(shù)據(jù)；③用戶頁面數(shù)據(jù)，主要獲取用戶等級信息。

5.3 變量測度

(1)認(rèn)知差異(D)對于低等(DL)、中等(DM)和高等(DH)認(rèn)知差異類型的判別，主要采用人工標(biāo)注法：一方面通過對詞條修改原因進(jìn)行文本分析判別，另一方面通過對比詞條歷史版本差異進(jìn)行文本分析判別。為了減少主觀性，提高判斷的準(zhǔn)確性，選取3名研究人員進(jìn)行獨立判斷，對判斷結(jié)果不一致的選項進(jìn)行意見統(tǒng)一；同時，邀請2位該研究領(lǐng)域的專家對標(biāo)注結(jié)果做進(jìn)一步審核和修正。

(2)群體規(guī)模(S)目前，學(xué)者們對群體規(guī)模的測度方法較為一致，主要通過計算參與人數(shù)來反映群體規(guī)模的大小[27]。據(jù)此，本研究通過計算NBA詞條的月度參與者數(shù)量測度群體規(guī)模。

(3)信息質(zhì)量(Q)鑒于信息質(zhì)量評價的復(fù)雜性，詞條信息質(zhì)量的測度通常需要考慮多種因素，這些因素主要涉及用戶維度(群體特征和用戶屬性)、內(nèi)容維度(詞條長度、詞條年齡、圖標(biāo)數(shù)量、鏈接數(shù)量等)和網(wǎng)絡(luò)維度(網(wǎng)絡(luò)中心性、結(jié)構(gòu)洞等)[27]。本研究借鑒STVILIA等[28]提出的信息質(zhì)量的計算公式，并結(jié)合百度百科系統(tǒng)結(jié)構(gòu)要素，提出信息質(zhì)量的計算公式：

Qt=0.4Et+0.2EHt+0.4ELt-0.4DYt+0.6Rt+

0.03Ct+0.01LKt+0.001At+0.001LHt，

(2)

式中，E為編輯次數(shù)；EH為5等級以上用戶編輯次數(shù)；EL為5等級以下用戶編輯次數(shù)；DY為多樣性；R為回退次數(shù)；C為圖表數(shù)量；LK為鏈接數(shù)；A為詞條年齡；LH為詞條長度。

6 實證分析

6.1 描述統(tǒng)計與相關(guān)分析

基于上述方法，本研究獲取了NBA詞條2008年1月～2019年5月月度時間序列數(shù)據(jù)(1)百度百科正式版于2008年上線，為了保證數(shù)據(jù)可靠性，本研究以2008年1月作為時間序列數(shù)據(jù)獲取和實證分析的起點。。對各個變量進(jìn)行統(tǒng)計描述和皮爾森相關(guān)系數(shù)計算。其中，認(rèn)知差異、群體規(guī)模和信息質(zhì)量間的相關(guān)系數(shù)均在0.77以上，說明了三者間存在強(qiáng)相關(guān)性，初步驗證了假設(shè)1a和假設(shè)2a。另外，從總量分布上來看，中等認(rèn)知差異數(shù)量最多，幾乎占據(jù)了認(rèn)知差異一半數(shù)量，高達(dá)46.9%。同時，在3種程度認(rèn)知差異與群體規(guī)模和信息質(zhì)量相關(guān)性分析中，中等認(rèn)知差異與群體規(guī)模(r=0.712)和信息質(zhì)量(r=0.670)的相關(guān)性最高，初步驗證了假設(shè)1b和假設(shè)2b。

6.2 單位根檢驗

為了避免產(chǎn)生“偽回歸”，需要對變量進(jìn)行單位根檢驗，判斷其平穩(wěn)性。本研究采用Eviews 10.0軟件，通過ADF單位根檢驗對變量平穩(wěn)性進(jìn)行檢測，結(jié)果見表1。表1中，①檢驗形式中的C、T和K分別表示常數(shù)項、趨勢項和滯后階數(shù)；②滯后階數(shù)的選擇標(biāo)準(zhǔn)是以SC值最小為準(zhǔn)則；③為了消除時間序列異方差，對變量進(jìn)行自然對數(shù)變換，分別記為lnD、lnS、lnQ、lnDL、lnDM和lnDH。由表1可知，所有變量在1%的顯著性水平下的ADF統(tǒng)計值均小于其相應(yīng)的臨界值，表明3個變量原序列都是平穩(wěn)序列。

表1 單位根檢驗結(jié)果

6.3 VAR模型構(gòu)建

在建立VAR模型前，需要先確定模型的最優(yōu)滯后階數(shù)。本研究同時參考序貫修正似然比檢驗(LR)、最終預(yù)測誤差(FPE)、赤池信息準(zhǔn)則(AIC)、施瓦茲準(zhǔn)則(SC)、漢南-奎因準(zhǔn)則(HQ)5個準(zhǔn)則，最終選定模型的最優(yōu)滯后階數(shù)(Lag)分別為3、4、1和1，具體結(jié)果見表2。

表2 最優(yōu)滯后階數(shù)檢驗結(jié)果

根據(jù)最優(yōu)滯后階數(shù)建立VAR模型，并對模型進(jìn)行估計。鑒于VAR模型固有的復(fù)雜動力學(xué)特性，參數(shù)估計值所包含的信息量較少，其經(jīng)濟(jì)解釋很困難，因而單純分析模型估計結(jié)果意義不大，通常更多地關(guān)注Granger因果檢驗、脈沖響應(yīng)函數(shù)和方差分解的結(jié)果[29]。鑒于此，僅列出模型估計的主要參考指標(biāo)(見表3)。整體來看，VAR模型估計的AIC和SC值都較低，擬合效果較好。此外，為了檢驗VAR模型的穩(wěn)定性，對VAR模型的AR特征多項式的逆根進(jìn)行計算，所有圓點全部落在單位圓內(nèi)，表明4個VAR模型均是穩(wěn)定的。

表3 VAR模型估計主要參考指標(biāo)

6.4 Granger因果檢驗

Granger因果檢驗作為判斷變量間因果關(guān)系的一種方法，為揭示認(rèn)知差異、群體規(guī)模和信息質(zhì)量間因果提供了理想的方法。

Granger因果檢驗結(jié)果見表4。剔除檢驗結(jié)果不顯著的VAR3模型后，由表4可知，其他模型變量間存在顯著的因果關(guān)系。具體分析如下：①從認(rèn)知差異對群體規(guī)模的因果檢驗來看，VAR1模型中，認(rèn)知差異在1%的顯著性水平下拒絕了不是群體規(guī)模的Granger原因的原假設(shè)，同時聯(lián)合檢驗也拒絕原假設(shè)，說明認(rèn)知差異是群體規(guī)模的Granger原因。此外，在VAR2模型和VAR4模型中，低等和高等認(rèn)知差異分別在1%和10%的顯著性水平下拒絕了不是群體規(guī)模的Granger原因的原假設(shè)，同樣支持了認(rèn)知差異是群體規(guī)模的Granger原因，進(jìn)一步驗證了假設(shè)1a。②從認(rèn)知差異對信息質(zhì)量的因果檢驗來看，VAR1模型中，認(rèn)知差異在1%的顯著性水平下拒絕了不是信息質(zhì)量的Granger原因的原假設(shè)，同時聯(lián)合檢驗也拒絕原假設(shè)，說明認(rèn)知差異是信息質(zhì)量的Granger原因。此外，在VAR2模型和VAR4模型中，低等和高等認(rèn)知差異在1%的顯著性水平下，均拒絕了不是信息質(zhì)量的Granger原因的原假設(shè)，同樣支持了認(rèn)知差異是信息質(zhì)量的Granger原因，進(jìn)一步驗證了假設(shè)2a。

表4 Granger因果檢驗結(jié)果

6.5 脈沖響應(yīng)函數(shù)

脈沖響應(yīng)函數(shù)(impulse response function, IRF)描述了隨機(jī)擾動項的一個標(biāo)準(zhǔn)差大小的沖擊對其他變量當(dāng)期值和未來值的影響，為揭示各變量間動態(tài)交互作用關(guān)系提供了更為直觀的描述。

圖3 脈沖響應(yīng)函數(shù)圖

此外，針對不同程度認(rèn)知差異對群體規(guī)模和信息質(zhì)量的脈沖響應(yīng)進(jìn)行對比分析：①群體規(guī)模的脈沖響應(yīng)。從沖擊強(qiáng)度來看，對于低等、中等和高等認(rèn)知差異的沖擊，群體規(guī)模當(dāng)期均達(dá)到最高值，分別為0.222、0.320和0.261。同時，10期內(nèi)群體規(guī)模脈沖響應(yīng)函數(shù)的平均值分別為0.065、0.072和0.039。由此可見，中等認(rèn)知差異對群體規(guī)模的沖擊力度最大。從沖擊時效來看，對于低等、中等和高等認(rèn)知差異的沖擊，群體規(guī)模前期均表現(xiàn)為顯著的正向響應(yīng)，但持續(xù)時間不一，分別為2期、4期和2期。由此可見，中等認(rèn)知差異對群體規(guī)模的沖擊時效最長。整體來看，相比低等和高等認(rèn)知差異，中等認(rèn)知差異對群體規(guī)模的促進(jìn)作用更為顯著，進(jìn)一步支持了假設(shè)1b。②信息質(zhì)量的脈沖響應(yīng)。從沖擊強(qiáng)度來看，對于低等、中等和高等認(rèn)知差異的沖擊，信息質(zhì)量當(dāng)期均達(dá)到最高值，分別為0.077、0.106和0.092。同時，10期內(nèi)信息質(zhì)量脈沖響應(yīng)函數(shù)的平均值，分別為0.012、0.020和0.009。由此可見，中等認(rèn)知差異對信息質(zhì)量的沖擊力度最大。從沖擊時效來看，對于低等、中等和高等認(rèn)知差異的沖擊，信息質(zhì)量前期均表現(xiàn)為顯著的正向響應(yīng)，但持續(xù)時間不一，分別為2期、3期和2期。由此可見，中等認(rèn)知差異對信息質(zhì)量的沖擊時效最長。整體來看，相比低等和高等認(rèn)知差異，中等認(rèn)知差異對信息質(zhì)量的提升作用更為顯著，進(jìn)一步支持了假設(shè)2b。

6.6 方差分解

方差分解是將任意一個內(nèi)生變量的預(yù)測均方誤差，分解成系統(tǒng)中各變量的結(jié)構(gòu)沖擊所做的貢獻(xiàn)，根據(jù)每個變量沖擊的貢獻(xiàn)度，評估一個變量的沖擊對另一個變量的影響程度。

下面通過方差分解來分析認(rèn)知差異對群體規(guī)模和信息質(zhì)量的相對重要性，結(jié)果見圖4。具體來看，由圖4(a)可知，除自身外，其變動的貢獻(xiàn)度主要源自于認(rèn)知差異，從第1期的74.47%逐漸下降到第10期的55.13%，平均貢獻(xiàn)度高達(dá)61.93%。這說明認(rèn)知差異對群體規(guī)模的增長具有很大的促進(jìn)作用，再次支持了假設(shè)1a。由圖4(b)可知，除了自身外，其變動的貢獻(xiàn)度主要源自于認(rèn)知差異，從第1期的83.91%逐漸下降到第10期的52.53%，平均貢獻(xiàn)度高達(dá)64%。這說明認(rèn)知差異對信息質(zhì)量的提升具有極大的推動作用，再次支持了假設(shè)2a。

圖4 方差分解圖

此外，針對不同程度認(rèn)知差異對群體規(guī)模和信息質(zhì)量的貢獻(xiàn)度進(jìn)行對比分析。由圖4(c)可知，中等認(rèn)知差異對群體規(guī)模的貢獻(xiàn)度明顯高于低等和高等認(rèn)知差異；低等、中等和高等認(rèn)知差異對群體規(guī)模的平均貢獻(xiàn)度分別為22.10%、41.84%和22.05%。由此可見，相比低等和高等認(rèn)知差異，中等認(rèn)知差異對群體規(guī)模的促進(jìn)作用更加顯著，再次支持了假設(shè)1b。由圖4(d)可知，中等認(rèn)知差異對信息質(zhì)量的貢獻(xiàn)度明顯高于低等和高等認(rèn)知差異；低等、中等和高等認(rèn)知差異對信息質(zhì)量的平均貢獻(xiàn)度分別為22.02%、38.98%和24.92%。由此可見，相比低等和高等認(rèn)知差異，中等認(rèn)知差異對信息質(zhì)量的提升作用更加顯著，再次支持了假設(shè)2b。

6.7 預(yù)測分析

為了檢驗?zāi)Ｐ偷暮侠硇?，對模型的預(yù)測能力進(jìn)行分析。本研究對數(shù)據(jù)進(jìn)行了分類，將2008年1月～2018年5月的數(shù)據(jù)作為實驗數(shù)據(jù)，2018年6月～2019年5月的數(shù)據(jù)作為預(yù)測數(shù)據(jù)，分別對群體規(guī)模和信息質(zhì)量時間序列進(jìn)行靜態(tài)預(yù)測。群體規(guī)模和信息質(zhì)量的真實值和預(yù)測值對比見圖5。由圖5可知，絕大多數(shù)預(yù)測值在90%的置信區(qū)間內(nèi)包含真實值，初步證明了協(xié)同演化模型的合理性和VAR方法的適用性。

圖5 真實值和預(yù)測值對比

為了進(jìn)一步評估模型的預(yù)測性能，對不同模型的預(yù)測效果進(jìn)行對比分析(見表5)。①利用群體規(guī)模和信息質(zhì)量時間序列的自相關(guān)系數(shù)(AC)，與偏自相關(guān)系數(shù)(PAC)建立時間序列模型；②通過平均絕對誤差(MAE)和均方根誤差(RMSE)兩個預(yù)測評價指標(biāo)，對VAR模型和AR模型進(jìn)行預(yù)測精度對比。由表5可知，相較于AR模型，VAR模型在群體規(guī)模和信息質(zhì)量的預(yù)測精度上均有顯著的提升，充分證明了協(xié)同演化模型和VAR方法的結(jié)合具有明顯的優(yōu)越性。

表5 模型預(yù)測對比

7 結(jié)語

本研究主要結(jié)論如下：①認(rèn)知差異對群體規(guī)模存在顯著的正向影響。目前尚未有學(xué)者考慮認(rèn)知差異對群體規(guī)模的影響，本研究填補(bǔ)了這一研究空白。此外，認(rèn)知差異對群體規(guī)模存在明顯的“區(qū)間效益”，處于“居中”水平對群體規(guī)模的影響最大。盡管有研究表明認(rèn)知差異可能會引發(fā)沖突，導(dǎo)致用戶流失[30]。但整體而言，絕大多數(shù)用戶參與協(xié)作的動機(jī)是友善的。此外，網(wǎng)絡(luò)百科平臺建立了科學(xué)的沖突管理機(jī)制，能夠有效防范和解決各類沖突。②認(rèn)知差異對信息質(zhì)量存在顯著的正向影響。不可否認(rèn)，群體協(xié)同創(chuàng)作的過程中存在惡意沖突，但惡意沖突不屬于認(rèn)知差異的范疇。此外，中等程度的認(rèn)知差異對信息質(zhì)量的影響最顯著，支持了CRESS等[4]提出的“中等程度的不一致最有利于知識建構(gòu)”觀點。綜上，認(rèn)知差異是OECC系統(tǒng)的內(nèi)驅(qū)力。特別是中等程度的認(rèn)知差異，對于群體智慧的形成和網(wǎng)絡(luò)百科平臺的發(fā)展尤為重要。

本研究的理論意義在于：①研究內(nèi)容上。本研究提出的協(xié)同演化模型，不僅體現(xiàn)了因素間的相互作用關(guān)系，彌補(bǔ)了現(xiàn)有研究中只關(guān)注因素間單向作用關(guān)系的不足；還考慮了時間因素，有效捕捉了因素間的動態(tài)關(guān)系，開拓了OECC的研究思路。②研究方法上。VAR模型具備很多優(yōu)良特性，無需嚴(yán)格的理論限制，并具備對多個相互關(guān)聯(lián)時間序列進(jìn)行預(yù)測的能力，為探究OECC系統(tǒng)因素間的互動關(guān)系提供了新的方法。本研究的實踐價值在于：①網(wǎng)絡(luò)百科平臺需創(chuàng)新協(xié)作模式，努力營造開放、自由的協(xié)作環(huán)境，吸引用戶參與協(xié)同創(chuàng)作；②網(wǎng)絡(luò)百科平臺應(yīng)強(qiáng)化交互功能，方便用戶溝通交流，解決沖突矛盾，提高協(xié)作效率。

本研究還存在一些不足：①樣本數(shù)據(jù)局限性。本研究選擇單個詞條作為研究樣本，盡管該詞條極具代表性，但可能會影響結(jié)論的準(zhǔn)確性；后續(xù)研究可通過擴(kuò)大樣本量，以更加準(zhǔn)確地反映因素間的關(guān)系。②研究情境局限性。本研究僅以百度百科作為研究對象，有必要在其他網(wǎng)絡(luò)百科(如維基百科)檢驗?zāi)Ｐ偷钠者m性。