陸澤宇 查先進 嚴亞蘭
(1.武漢大學信息管理學院,湖北 武漢 430072;2.武漢大學圖書情報國家級實驗教學示范中心,湖北 武漢 430072;3.武漢科技大學恒大管理學院,湖北 武漢 430065)
面對紛繁復雜的海量媒體數(shù)據(jù),用戶時刻面臨著信息超載[3]和認知負荷[4]的挑戰(zhàn)。在此背景下,智能推薦系統(tǒng)應運而生。這種系統(tǒng)技術能挖掘數(shù)據(jù)隱含價值,協(xié)調用戶數(shù)據(jù)和項目屬性以捕捉客戶需求,從而提供個性化信息服務,讓用戶獲取所需信息的同時提升數(shù)據(jù)利用率[5]。在社交媒體中,基于智能推薦系統(tǒng)的“推薦”頻道或相關功能已對用戶產(chǎn)生了廣泛而深遠的影響,其根據(jù)用戶特征及用戶在社交媒體中的瀏覽、搜尋、閱讀、收藏等信息活動進行個性化信息推薦,如微博、知乎、B站、豆瓣、小紅書的首頁信息流及微信朋友圈、QQ空間的廣告推薦等。智能推薦一方面協(xié)助解決了用戶的信息超載等問題[6];另一方面又帶來了許多新的問題[7],用戶也從主動獲取信息逐漸轉變?yōu)楸粍咏邮苄畔?。社交媒體平臺不僅可以通過算法、挖掘、分析用戶數(shù)據(jù)向用戶推薦個性化信息[8],亦可以通過技術手段運用用戶數(shù)據(jù)不斷反哺優(yōu)化推薦算法[9]。
“點贊”作為一個重要的社交平臺交互功能,其操作成本相對于其他多數(shù)用戶行為較高,頻率相對于評論等交互行為也較高[10],較能體現(xiàn)用戶對智能推薦內容的反應程度。隨著中國互聯(lián)網(wǎng)的發(fā)展與相關亞文化群體的壯大,“點贊”的本土化色彩愈發(fā)濃厚,其產(chǎn)生背后的行為邏輯也十分豐富,具有參考意義。因此,對社交媒體環(huán)境下智能推薦內容點贊行為的影響因素進行深入探討,研究其影響機理,將有助于智能推薦算法的優(yōu)化,進一步滿足用戶需求,對智能推薦系統(tǒng)建設乃至社交媒體平臺治理具有重大價值。
綜上,本文將具體探討社交媒體環(huán)境下智能推薦內容點贊行為的影響因素,分析其影響機制及影響路徑,進而構建社交媒體環(huán)境下智能推薦內容點贊行為影響機理理論模型,為未來的研究及實踐提供參考。
Web2.0時代以來,特別是近年來,隨著社交媒體的發(fā)展壯大,用戶投入時長不斷增長,其對政治、經(jīng)濟、社會的影響日益凸顯。在全球范圍內,圖書情報學、傳播學、心理學、管理學、計算機科學等眾多領域的專家學者對其進行了大量相關研究。在圖書情報領域,學者們從社交媒體對市場營銷[11-12]、醫(yī)療健康[13-14]、學術科研及知識共享[15-16]、緊急事件[17-18]等方面的影響開展了關聯(lián)研究。
推薦系統(tǒng)于20世紀90年代開始發(fā)展[19-21],并在發(fā)展中迅速投入互聯(lián)網(wǎng)商業(yè)化運營[7](如1996年Yahoo推出的個性化的入口“My Yahoo!”、2003年Google投入使用的廣告推薦系統(tǒng))。隨著社交媒體日益發(fā)展壯大,推薦系統(tǒng)也被引入,引發(fā)了學者的關注。如Nilashi M等[22]運用多標準評分,開發(fā)了一種用于電子旅游平臺中的酒店推薦的新推薦方法;胡昌龍[23]基于社交媒體基因圖譜對信息服務推薦開展了研究,構建基于社交媒體基因圖譜的信息推薦模型;張繼東等[24]基于社交媒體基因圖譜提出了一種在線教育服務推薦方法;唐曉波等[25]利用可視化的方法生成用戶的復雜信任網(wǎng)絡圖譜,提出了一種基于復雜信任網(wǎng)絡的社會化媒體好友推薦模型。學者們亦對社交媒體中推薦系統(tǒng)的用戶使用進行了探討。如Kim M S等[26]針對有使用YouTube經(jīng)驗的受訪者進行了一項在線調查,分析后發(fā)現(xiàn),感知嚴重性對披露所有類型信息的意愿有顯著的負面影響,應對效能對除反饋信息外的信息披露意愿有正向影響,自我效能感對披露反饋信息有正向影響;范梓騰等[27]基于數(shù)字鴻溝的視角考察了社交媒體用戶對算法推薦內容的接受傾向,提出使用層次、心理效能、隱私保護擔憂、信息準確度認知等因素會對用戶算法推薦接受傾向產(chǎn)生影響;張雄濤等[28]在隱私視角下探究了社交媒體推薦對用戶在線交互意向的影響機理,梳理了社交媒體推薦、感知收益、感知隱私風險、平臺信任、感知信息控制與用戶在線交互意向間的關系。
隨著國內社交媒體平臺的發(fā)展,對應國外社交媒體“Like”功能的“點贊”功能也逐漸完善。國內外學者對于點贊行為的研究較為豐富:Gerlitz C等[29]提出Facebook的點贊按鈕支持不同參與者之間的多個數(shù)據(jù)流,有助于同時實現(xiàn)網(wǎng)絡的去中心化和再中心化;Chin C Y等[30]提出,點贊的動機一般包括快樂動機、實用動機、順從動機、從眾動機、隸屬動機等;Sumner E M等[31]通過研究用戶在Facebook的點贊行為,討論了點贊頻率的一般預測因素、點贊表達具體含義等內容;Zhao H等[32]調研了微信用戶點贊情況,建立了一個微信用戶點贊行為的概念模型,提出內容(包括內容有用性與內容趣味性)、關系(包括給面子、人情、感情)分別通過積極情緒、預期關系收益間接影響點贊行為;Xu X等[33]借鑒“刺激—有機體—反應”模型(S-O-R模型),提出人際關系的刺激與道德義務感影響用戶在社交媒體的點贊行為;張瑜等[34]從傳播心理學、人際傳播、媒介經(jīng)濟3個維度分析了社交媒體中的點贊行為;曹冉[35]從媒介依賴角度提出“自我表露的心理動機”“新型傳播媒介的自身優(yōu)勢”“基于社會認同的社交需要”“社會意見環(huán)境的不斷推動”是影響點贊依賴的重要因素。
綜上所述,學界目前對社交媒體環(huán)境下的智能推薦相關研究較少,對社交媒體環(huán)境下智能推薦相關的用戶信息行為研究存在不足。關于社交媒體中用戶點贊行為的研究多針對某個平臺或從某個角度開展,未充分考慮平臺、用戶、情境等多個維度的綜合影響,其主要采用的定量、定性方法缺乏質性研究性質的探索嘗試,與社交媒體中智能推薦相結合的研究亦存在不足。因此,本文將采用扎根理論開展研究,嘗試回答以下問題:針對社交媒體環(huán)境下智能推薦內容,用戶的點贊行為會受何因素影響?其影響機理如何?有何啟示?
據(jù)奧維云網(wǎng)(AVC)監(jiān)測數(shù)據(jù)顯示,2018年第三季度,嵌入式一體機全渠道均價4351元,同比下跌了8.4%,然而全渠道零售額同比漲幅卻達到了99.0%。值得注意的是,當嵌入式一體機產(chǎn)品的均價呈現(xiàn)下跌態(tài)勢,銷售額竟出現(xiàn)了大幅增長。
扎根理論(Grounded Theory)由Glaser B G等提出[36],是一種質性研究方法,作為情境化研究方法論的代表,日益得到學界的認可與接受[37]。扎根理論是一種在經(jīng)驗資料的基礎上,研究者根據(jù)個人知識和經(jīng)驗對原始資料進行編碼構建理論的方法[38]。因NVivo軟件被大量使用于扎根理論的編碼工作中[39-40],其能夠完整記錄操作痕跡,協(xié)助完成文字資料的整理、分析與呈現(xiàn),提升質性研究的嚴謹性與信實度[41],本文研究采用NVivo進行編碼工作。主要研究流程如圖1所示。
鑒于受訪對象對研究主題的了解程度參差不一,本文的數(shù)據(jù)收集采用更便于開展的半結構化訪談方法進行。本文通過前期的文獻調研、現(xiàn)象觀察、借鑒相關研究經(jīng)驗,初步設計出訪談大綱,咨詢領域專家加以調整后,分別邀請兩名社交媒體資深用戶(信息管理相關專業(yè)、有互聯(lián)網(wǎng)工作經(jīng)驗、在社交媒體平臺較活躍且有10年以上使用經(jīng)驗)及普通用戶(非信息管理相關專業(yè)、無相關工作背景、社交媒體平臺使用年限較少)開展預訪談,從不同用戶的角度收集反饋意見并進行整理、討論后對訪談提綱進行修正,最終確定正式訪談提綱,包括導語介紹、術語界定、受訪者信息與核心問題4個方面,如表1所示。
表1 訪談提綱
本文遵循目的性抽樣[42]與理論飽和抽樣[43]的原則開展研究樣本選擇。
本文參考目的性抽樣原則,確定研究樣本候選人應滿足以下條件:①熟悉社交媒體且經(jīng)常使用;②接觸或體驗過智能推薦系統(tǒng)相關服務,并接觸或體驗過對智能推薦內容的點贊功能;③可最大限度為訪談所提問題提供相關信息;④可充分理解訪談所提問題,有較豐富的知識儲備與清晰地表達觀點的能力;⑤在時間與精力等客觀條件上符合訪談要求;⑥了解研究目的與相關保密規(guī)定后,同意訪談全程錄音。
理論飽和抽樣原則提出的訪談結束標準為:受訪者不再提供新范疇與關系,在進行不少于3人的驗證工作后,可以認為資料范疇達到飽和狀態(tài),并確定最終研究樣本。經(jīng)綜合考量,本文以研究生群體作為主要研究樣本目標群體,原因如下:①研究生群體經(jīng)過科研訓練,信息素養(yǎng)較高,可一定程度上保證訪談質量;②研究生群體接觸互聯(lián)網(wǎng)時間更長,相應的社交媒體使用經(jīng)歷更豐富,其訪談時輸出的信息量相應也更充足。
在上述原則指導下,結合后續(xù)編碼與理論飽和度檢驗結果,考慮樣本抽取便利性與樣本代表性,本文最終確定14名受訪者為研究樣本,如表2所示。
表2 研究樣本
表2(續(xù))
本文研究數(shù)據(jù)收集工作歷時兩個月,線上受訪者為3人,其余均為線下訪談。所有受訪者均認同保密規(guī)定,并接受全程錄音。正式訪談中,具體訪談內容亦會根據(jù)受訪者回答進行適當調整。訪談結束后,首先通過“有道云筆記”對訪談錄音進行初步識別轉錄,轉錄完成后進行初步人工整理,整理完成后由受訪者本人指出需修改之處,修改確認無誤后的文檔即為后續(xù)研究資料。當訪談至第11名受訪者并進行資料編碼時,發(fā)現(xiàn)其與前10名受訪者資料形成的范疇與關系相比,未提煉出新范疇與關系,直到訪談完第14名受訪者時亦如此,已滿足理論飽和抽樣原則,隨即停止訪談工作。根據(jù)完成修改確認的順序,將14個文檔資料命名為A~N。
本文對原始資料采用逐句分析方式進行編碼,盡量使用“本土化”概念。在初始概念形成過程中,相同的概念僅編碼一次;對于近似的概念,選擇其中的一個作為初始概念。最終得到推薦內容經(jīng)過別人篩選、展現(xiàn)形式比較好理解等216個初始概念。初始概念的形成過程舉例如表3所示。
表3 初始概念的形成過程舉例
本文對初始概念聚類進行范疇化處理,形成點贊行為、點贊意向、用戶滿意度等32個基本范疇。基本范疇與初始概念的對應關系及基本范疇的內涵與命名依據(jù)如表4所示。
表4 范疇化編碼
表4(續(xù))
表4(續(xù))
本文對32個基本范疇進行歸納整合,共提煉出3個維度共12個主范疇,具體如表5所示。
表5 主軸編碼
本文經(jīng)過深入比較分析,將3個維度12個主范疇關系結構梳理出“故事線”如下:平臺維度下的平臺聲譽、智能推薦信息質量、智能推薦服務質量、智能推薦系統(tǒng)質量,以及用戶維度下的用戶需求、用戶感知通過用戶滿意度對點贊意向產(chǎn)生間接影響;同時,用戶維度下的用戶感知以及情境維度下的游戲化運營、社會影響、從眾行為對點贊意向產(chǎn)生直接影響;最終,點贊意向直接影響點贊行為。其詳細描述如表6所示。
綜上所述,點贊意愿受眾多主范疇直接或間接影響,最終再直接影響點贊行為。因此,本文將“點贊意向”確定為核心范疇,構建社交媒體環(huán)境下智能推薦內容點贊行為影響機理理論模型,如圖2所示。
據(jù)Francis J J等[70]的研究,最小樣本量設置為10+3時很可能捕捉到幾乎所有受訪者提出的主觀因素,當編碼的過程不能再提供新的范疇和關系時(一般是10份訪談資料完成編碼以后),再對不少于3份資料進行編碼驗證,若仍不能發(fā)現(xiàn)新的范疇和關系,可認為編碼所構建的理論已經(jīng)飽和。本文遵循理論飽和原則進行樣本選擇,當樣本量達到10+4時,連續(xù)4位受訪者不能再提供新的范疇和關系便停止訪談,已經(jīng)超過最小樣本量標準,最終14個樣本量的確定標志著理論飽和。
為了保證研究可信度,本文完成了以下工作:在訪談階段,前期在文獻調研、現(xiàn)象觀察與經(jīng)驗借鑒的基礎上開展預訪談,細致設計正式訪談提綱;進行訪談時采用線下為主、線上為輔的半結構化訪談模式,結合受訪者實際經(jīng)歷鼓勵其表達真實想法,并及時補充、追問,全程錄音;后期通過軟件轉錄和人工校對相結合的方式進行規(guī)范整理資料,并與受訪者本人進行確認。在數(shù)據(jù)分析階段,借助NVivo工具,有邏輯、成系統(tǒng)地記錄編碼痕跡;貼近受訪者,盡量使用“本土化”概念對原始資料逐句分析、進行編碼,減少信息噪聲;基本范疇的界定充分參考已有成熟概念,有效提升范疇的解釋度;嚴格遵循扎根理論編碼程序規(guī)范,并充分參考成熟模型進行模型構建,有效提升理論可信度。
本文運用扎根理論,通過對半結構化訪談數(shù)據(jù)資料進行程序化的三級扎根分析,梳理了各概念、范疇間的結構和關系,構建了社交媒體環(huán)境下智能推薦內容點贊行為影響機理模型。本文研究發(fā)現(xiàn),①在平臺維度下的平臺聲譽(包括平臺口碑、創(chuàng)作者口碑)、智能推薦信息質量(包括信息準確性、信息新穎性、信息完整性、信息呈現(xiàn)形式、信息標準化)、智能推薦服務質量(包括推薦時效性、推薦可控性、推薦個性化)、智能推薦系統(tǒng)質量(包括交互設計、隱私安全性)通過用戶滿意度對點贊意向產(chǎn)生間接影響;②用戶維度下的用戶需求(包括娛樂需求、隱私關注需求、信息需求、身份認同需求、社交需求、情感需求、功能需求、粉絲需求、表達需求)、用戶感知(感知有用性、感知易用性、感知趣味性)通過用戶滿意度對點贊意向產(chǎn)生間接影響,同時用戶感知也對點贊意向有直接影響;③情境維度下的游戲化運營、社會影響(壓力沖突、他人評價、群體規(guī)范)、從眾行為對點贊意向產(chǎn)生直接影響;④最終點贊意向將直接影響點贊行為。
本文研究主要貢獻如下:①目前,對于社交媒體環(huán)境下的智能推薦相關的用戶信息行為研究存在一定不足,關于社交媒體中用戶點贊行為的研究未充分考慮平臺、用戶、情境等多個維度的綜合影響。本文從社交媒體環(huán)境下智能推薦內容點贊行為入手,開展相關影響機理的研究,對現(xiàn)有研究不足進行了有益補充,豐富了研究主題;②現(xiàn)有智能推薦滿意度或評價體系研究多為定量、定性研究,缺乏質性研究的探索嘗試。本文采用扎根理論開展質性研究,有助于豐富研究維度、發(fā)現(xiàn)新的影響因素和評價指標,為日后相關研究提供有益借鑒;③在運用扎根理論研究過程中,驗證了技術接受模型和D&M模型,部分延伸了兩個模型的適用場景,為未來研究提供了新的思路與參考。
社交媒體環(huán)境下,點贊行為可以一定程度上體現(xiàn)用戶對于智能推薦內容的感知與滿意度,亦可以反映出用戶所處的情境因素。通過分析訪談材料、總結研究成果,本文從3個角度闡述啟示如下:
從社交媒體治理角度而言,有關部門需聯(lián)合專業(yè)力量,進一步健全對社交媒體平臺監(jiān)督、指導的專業(yè)性,完善相關數(shù)據(jù)分析研究機制。本研究在訪談中發(fā)現(xiàn),大部分受訪者認為平臺的信息推送、信息采集等機制仍存在改進空間,其態(tài)度較為普遍地反映在了點贊等交互行為上。對此,監(jiān)管部門應繼續(xù)完善內容生產(chǎn)的相關規(guī)范,切實督促各社交媒體運營平臺落實隱私保護要求,避免平臺為提升用戶留存與使用時長制造“算法陷阱”,從而保護用戶權益;同時,應進一步聯(lián)合領域專家、相關研究機構等專業(yè)力量,與社交媒體平臺共同建立健全科學分析的研究機制、公開透明的規(guī)劃機制、合作討論的協(xié)商機制,在保護隱私的前提下,構建公共用戶互動數(shù)據(jù)分析平臺,為日后法律法規(guī)及政策制定、行業(yè)發(fā)展、科學研究提供有益參考與指導。
從社交媒體運營角度而言,社交媒體平臺仍需以內容質量為核心開展信息推薦,進一步落實隱私保護承諾,完善優(yōu)化與用戶互動機制。本研究受訪者普遍反映,智能推薦的整體質量對其滿意度有較大影響。社交媒體平臺若要有效提升用戶對推薦內容的感知,需要鼓勵內容創(chuàng)作者產(chǎn)出高質量內容,并在推薦算法上對高質量內容給予支持;要重視點贊等用戶交互行為數(shù)據(jù)對智能推薦的整體提升作用,運用用戶反饋的交互信息進行及時、精確、個性化的內容投放,提升智能推薦系統(tǒng)的關聯(lián)推薦能力,使智能信息推薦具備更強的預見性與豐富性,讓用戶觸及更多優(yōu)質內容;在收集相關用戶信息用于智能推薦時,需守好隱私保護底線,切實履行平臺主體責任,營造良好的用戶環(huán)境及口碑;綜合參考用戶交互數(shù)據(jù)制定運營策略,通過適當合理高質量的游戲化運營方式提升用戶使用積極性。
從社交媒體使用角度而言,內容消費者需進一步提升消費者素養(yǎng)與信息素養(yǎng),而內容創(chuàng)作者則需進一步提升內容質量與互動質量。內容消費者可結合口碑綜合考慮需要選擇的社交媒體,提升隱私意識,在被動接收智能推薦內容時充分行使用戶作為消費者的權利,主動通過互動進行反饋,從而調整智能推薦內容;同時應注意智能推薦內容的“殺時間陷阱”及“信息繭房”效應,健康、合理使用社交媒體,擴大信息獲取面,培養(yǎng)信息分析能力。內容創(chuàng)作者需以內容質量為中心開展創(chuàng)作,充分利用平臺資源支持,提升受眾滿意度與自身影響力;可通過參與或發(fā)起形式豐富、激勵合理的營銷活動提升用戶互動率,重視用戶互動數(shù)據(jù)的分析運用,為內容策劃提供有效參考。
本文研究存在以下不足:①即時通信及社交化的音視頻媒體等功能型應用亦出現(xiàn)了智能推薦功能模塊,本文對不同應用下用戶行為呈現(xiàn)出的差異化趨勢未做進一步梳理研究;②快速發(fā)展中的社交媒體產(chǎn)生了諸如“投幣”等與點贊行為近似的概念,本文研究有進一步明晰界定、拓展內容的空間;③對研究的訪談對象的人口統(tǒng)計學特征分析不足,未充分考慮諸如地域與職業(yè)的差異;④并未對扎根理論建構的理論模型進行量化檢驗。
綜上所述,未來研究將考慮:①針對各類應用下產(chǎn)生的用戶行為數(shù)據(jù)進行對比分析、提煉;②對狹義的點贊行為范疇進行進一步界定、拓展;③增加不同地域、職業(yè)等特征的樣本,并進一步分析人口統(tǒng)計學特征對其點贊行為的影響;④采用結構方程建模、回歸分析等研究方法,對理論模型進行量化實證的檢驗。