中圖分類號：G434 文獻標識碼：A DOI： 10.11968/tsyqb.1003-6938.2025025

How Can I Express Myself？ The Influence of Language Style on the Quality of Knowledge Interaction and Satisfaction in Online Knowledge Communities

Abstract In knowledge communities，language style has asignificant impact on the perceived satisfaction of knowledge recipients and the depth of knowledge interactions.Although existing studies have focused on the qualityand efficiency ofknowledge interaction，they have notfullyexplored theroleof languagestyleinonline Knowledge communities orits impact on knowledge interaction.This study provides new insights into understanding the influencing factors of knowledge interactions in knowledge communities and has important implications forhow tooptimize language style in knowledge communities and improve thequalityof knowledge interactions betweenknowledge producers and recipients.The theoretical hypotheses were proposed based on language expectation theoryand informationquality theory.Then，19，416 knowledge interactionrecords of 346 knowledge contributors in the knowledge community were obtained，andempirical analysis wasconducted usingafixed-effectmodel.Theresultsshow thataprofessonal language stylecould enhance the depth of knowledgeinteraction，butmghtreducetheperceivedsatisfactionofknowledgerecipients.Converselyasocial language stylemay reduce the depth of knowledge interaction but increase the perceived satisfaction of the knowledge receiver.Inaddition，the knowledgeanxiety level of the knowledge receiver also affects the impact of language style on knowledge interaction and perceived satisfaction.

Key words online knowledge communities;knowledge interaction; language style; knowledgeanxiety;information quality

在線知識社區(qū)（Online Knowledge Communities，OKC）是基于互聯(lián)網(wǎng)平臺，通過用戶間的互動、分享和討論來傳播知識和信息的虛擬社區(qū)[1-2]。這類社區(qū)通常具有廣泛的參與者群體，能夠根據(jù)不同的興趣和愛好形成固定的圈層[3]。OKC（如知乎、Quora、StackOverflow等）的成功源于其具備提供高質(zhì)量知識以滿足用戶認知需求的能力。與傳統(tǒng)社交社區(qū)相比，OKC更注重知識的創(chuàng)造和傳播，而非個人情感、新聞或評論4，因此，知識的生成、傳播和交互是OKC持續(xù)發(fā)展的重要條件之一。

現(xiàn)有關(guān)于在線知識社區(qū)（OKC）中知識交互的研究主要集中在三個領(lǐng)域：第一，影響因素研究。學者們探討了知識交互方式（如社群交流）平臺功能（如激勵機制）以及用戶反饋（如獎勵機制）對知識交互行為的影響[5-6]為激勵用戶參與、提升交互效果和優(yōu)化用戶體驗提供了理論支持。第二，交互效果評估研究。此類研究多聚焦于不同平臺和作者關(guān)系網(wǎng)絡(luò)下知識交互的實際效果[7-8]，為評估OKC的運營效率和可持續(xù)發(fā)展能力提供了方法依據(jù)。第三，用戶行為特征研究。研究者關(guān)注用戶在知識交互中的行為表現(xiàn)，如知識隱藏、持續(xù)更新意愿與知識付費行為[9-]，這些發(fā)現(xiàn)揭示了OKC在用戶層面可能存在的隱憂及其發(fā)展方向。雖然上述研究為理解OKC知識交互行為提供了多維視角，但從語言風格角度探討交互特征與效果的研究仍較為稀缺。語言風格不僅體現(xiàn)了知識輸出者在信息表達中的策略（如如何吸引用戶關(guān)注、贏得其認同），也直接影響交互的實際成效。已有研究指出，社交語言與專業(yè)語言是OKC中兩種主要的語言風格[12-13]。對知識接收者而言，專業(yè)語言風格可提供更準確的信息與深度分析，幫助其理解復雜概念或解決實際問題[14];然而，過度使用術(shù)語也可能引發(fā)信息過載，降低理解效率。相比之下，社交語言風格能增強互動性，營造輕松氛圍，提升用戶的參與感，但若內(nèi)容缺乏專業(yè)性，則可能損害用戶對知識的信任與滿意度[15]。此外，語言風格也反映了知識接收者的語言期望，不同用戶對知識的表達方式與邏輯組織有著差異化的偏好。因此，深入探討語言風格對知識交互的影響，不僅有助于優(yōu)化交互質(zhì)量，也有助于提升OKC平臺的知識傳播效能，從而推動其可持續(xù)發(fā)展。

為了全面評估語言風格對OKC知識交互互動的影響，本文借鑒了信息質(zhì)量理論和語言預期理論，構(gòu)建了研究模型并提出相關(guān)假設(shè)?；贠KC平臺中約20，000條用戶互動數(shù)據(jù)，本文發(fā)現(xiàn)專業(yè)性語言風格顯著提升了知識交互的深度，但降低了知識接收者的感知滿意度；社交性語言則在提升滿意度的同時抑制了知識交互深度。此外，知識輸出內(nèi)容的邏輯性和復雜性有助于促進交互深度，但對用戶的感知滿意度影響有限。進一步分析表明，知識焦慮顯著調(diào)節(jié)語言風格與知識交互深度之間的關(guān)系，高知識焦慮用戶更青睞專業(yè)語言獲取認知支持；而代際差異分析揭示，老年用戶對社交語言的反應更為正向，年輕用戶則對社交語言的響應相對較弱。這些發(fā)現(xiàn)不僅拓展了語言風格在知識交互中的研究邊界，也進一步推動了語言預期理論與信息質(zhì)量理論在知識管理領(lǐng)域的應用。在實踐上，研究結(jié)果還為優(yōu)化OKC的用戶體驗、增強知識互動質(zhì)量以及提升社區(qū)效率提供了理論依據(jù)。

1理論基礎(chǔ)與研究假設(shè)

1.1 語言期望理論

語言預期理論是用于理解個體對特定語言行為的預期如何影響他們對溝通內(nèi)容反應的框架。這些預期受到人際、社會和文化規(guī)范的影響，會顯著影響人們對有說服力語言的態(tài)度和行為。例如直白的語言和委婉的語言在不同的文化背景下可能會產(chǎn)生不同的反應。在OKC中，知識接收者對不同語言風格的接受通常取決于他們的背景、社群規(guī)范以及與知識輸出者的關(guān)系。

目前，語言預期理論的研究多集中在產(chǎn)品評論和眾籌活動等領(lǐng)域。例如Costello等研究了模糊語言和描述性語言對眾籌項目成功率的影響[16]；Jensen等則探討了復雜、兩面性和情感性語言如何影響在線評論的可信度[1]。在在線平臺的相關(guān)研究中，極個別文獻基于在線健康社區(qū)的角度分析了患者對醫(yī)生的語言期望以及醫(yī)生的語言風格如何影響患者的滿意度[18-19]，這為本文的開展提供了重要借鑒。根據(jù)現(xiàn)有研究可以發(fā)現(xiàn)，當在線平臺的交互方式、社群文化或知識輸出者的語言風格符合用戶（知識接收者）的語言預期時，它能夠激發(fā)用戶的參與和信任，進而提高社區(qū)的活躍度和內(nèi)容質(zhì)量；相反，如果交互方式風格與用戶的預期不符，可能會導致負面反應，降低用戶的參與度和滿意度。為了有效區(qū)分OKC中的語言風格，本文根據(jù)以往的研究，將語言風格分為專業(yè)性語言和社交性語言[12-13]。

在OKC中，專業(yè)性語言主要指專家、學者或內(nèi)容創(chuàng)作者使用標準化、統(tǒng)一的專業(yè)術(shù)語來向用戶提供準確的領(lǐng)域知識，這有助于幫助用戶更好地理解特定問題并獲得深入的知識指導。對于用戶而言，他們也通常希望從知識輸出者或其他高質(zhì)量貢獻者那里獲得專業(yè)的知識解答，以便更好地解決他們的疑惑或需求[20]。此外，知識輸出者的專業(yè)性語言可以增強知識接收者對其信息的信任，促進更深層次的互動[21]。然而，一些研究表明，過多的行話或過于復雜的專業(yè)術(shù)語可能會導致信息超載，使知識接收者感到困惑或疲憊，從而降低他們的滿意度[22]?；谏鲜鲅芯?，本文提出以下假設(shè)：

H1：知識輸出者采用專業(yè)性語言風格對OKC的知識交互深度有積極影響。H2：知識輸出者采用專業(yè)性語言風格對OKC的知識接收者的感知滿意度有負面影響。

在OKC中，除了專業(yè)術(shù)語外，內(nèi)容創(chuàng)作者和社區(qū)成員還可能使用社交語言，即談論生活、興趣、日常經(jīng)驗等與主題相關(guān)的非正式語言[23]。這種社交語言有助于減輕知識接收者的知識焦慮，并促進更輕松的互動。在傳統(tǒng)的社交環(huán)境中，社交語言有助于建立融洽關(guān)系并促進人際互動。然而，在OKC中，用戶的需求通常更為明確，過度使用社交語言可能會使內(nèi)容變得偏離主題，導致用戶受到不必要的干擾，甚至導致他們不再參與或?qū)ふ移渌麅?nèi)容來源。因此，本文提出以下假設(shè)：

H3：知識輸出者采用社交性語言對OKC的知識交互深度有消極影響。H4：知識輸出者采用社交性語言風格對OKC的知識接收者的感知滿意度有積極影響。

1.2 信息質(zhì)量理論

信息質(zhì)量理論廣泛應用于信息系統(tǒng)、商業(yè)和信息管理領(lǐng)域[24]。它假定文本信息的質(zhì)量（包括準確性、完整性、相關(guān)性和及時性等屬性）會顯著影響信息接收者處理、理解和評估所接收信息的方式[25]?，F(xiàn)有研究認為可讀性（接收者理解和處理信息的難易程度）是信息質(zhì)量最重要的屬性[26]。此外，文本的邏輯結(jié)構(gòu)和連貫性在促進信息接收者理解信息方面也發(fā)揮著重要的作用[27]。

在在線平臺的相關(guān)研究中，學者們從信息質(zhì)量的角度對知識交互的效果和知識行為進行了多項探討。周力虹等基于信息質(zhì)量理論分析了病患雙方知識交互的效果[28]。劉琦和杜榮基于參與者網(wǎng)絡(luò)發(fā)現(xiàn)目的性動機、聯(lián)系性動機和娛樂性動機對知識交互質(zhì)量有顯著促進作用[29]。He等認為，醫(yī)生回應的相關(guān)性與邏輯性會影響患者的咨詢行為[30]。

在OKC中，知識輸出的邏輯性和完整性對用戶的知識交互質(zhì)量和滿意度有顯著影響。更為全面且條理清楚的文本能夠幫助知識接收者更好地理解問題，做出更明智的決策。然而，這需要知識輸出者在信息的深度和簡潔性之間找到平衡。雖然詳細的解答能夠提供有價值的知識指導，但過于冗長的解釋可能導致理解困難，從而降低知識交互效果。因此，回答的清晰性和一致性對有效滿足知識接收者的知識需求至關(guān)重要?；谶@一前提，本文提出以下假設(shè)：

H5：知識輸出者回答的復雜程度對知識互動深度有積極影響。H6：知識輸出者回答的復雜程度對知識接收者的感知滿意度有積極影響。H7：知識輸出者回答的邏輯性對知識互動深度有積極影響。H8：知識輸出者回答的邏輯性對知識接收者的感知滿意度有積極影響。

此外，先前的研究表明，情感表達可以縮短知識交互雙方的心理距離，從而加深交互深度。在OKC中，社交語言通常比專業(yè)語言更能傳達情感價值。因此，內(nèi)容創(chuàng)作者頻繁使用社交語言可能會減少與用戶之間的心理距離[31]。此外，通過社交語言傳達的積極情緒有助于緩解知識接收者的知識焦慮，并為他們提供情感支持。因此，本文提出以下假設(shè)：

H9：知識輸出者的情緒表達對知識交互深度的影響呈正相關(guān)。H10：知識輸出者的情緒表達對知識接收者感知滿意度的影響呈正相關(guān)。

1.3知識焦慮的調(diào)節(jié)作用

以往的研究表明，用戶的知識焦慮是影響知識交互深度和知識接收者感知滿意度的重要因素[32]。知識焦慮是指個體在面對信息或知識時產(chǎn)生的不安、困惑或壓力感。這種情緒通常源自于對未知的恐懼、信息的復雜性、過載、或是自我感知的知識不足。具體來說，當用戶面臨專業(yè)術(shù)語或復雜信息時，可能會產(chǎn)生焦慮或不安。這種情緒在OKC或醫(yī)療咨詢平臺等場景中尤為突出，尤其當用戶無法迅速獲得理解或感到知識超載時。

在OKC中，當用戶感到知識焦慮時，他們可能更急于尋找所需知識，這種情緒會促使他們擴大知識搜尋渠道，提高社區(qū)的互動頻率和質(zhì)量。如果知識輸出者此時為其提供所需知識，雙方的知識交互的頻率會有所提升[33]。因此，具備高度知識焦慮的會更積極地尋找所需知識并與知識輸出者展開交互。不過，具備高度知識焦慮的用戶往往缺乏相關(guān)領(lǐng)域的理解，在這種情況下，過多的專業(yè)術(shù)語可能會加劇他們的困擾。基于這些考慮，本文提出以下假設(shè)：

H11：知識焦慮會正向調(diào)節(jié)專業(yè)性語言風格對知識交互深度。

H12：知識焦慮會負向調(diào)節(jié)專業(yè)性語言風格對 知識接收者感知滿意度。

根據(jù)以往研究來看，知識焦慮的用戶通常對問題有初步了解，因此他們希望得到更加直觀、深入的見解，而不是籠統(tǒng)的回答[34]。此外，這些用戶可能會根據(jù)回答中的術(shù)語或?qū)I(yè)知識來評估知識輸出者的專業(yè)水平。因此，知識焦慮程度可能會進一步降低社交性語言對知識交互深度的影響。關(guān)于知識接收者的感知滿意度，OKC的匿名性使其與傳統(tǒng)交流有所不同。匿名性可以減少用戶因透露困惑或情緒而產(chǎn)生的尷尬。如果知識輸出者能夠有效利用在線平臺的特點，并使用社交性語言來引導用戶，可以顯著減少知識接收者的不適感和焦慮感，提高感知滿意度。因此，本文提出以下假設(shè)：

H13：知識焦慮會負向調(diào)節(jié)社交性語言風格對知識交互深度的影響。

H14：知識焦慮會正向調(diào)節(jié)社交性語言風格對知識接收者感知滿意度的影響。

基于上述理論假設(shè)，本文構(gòu)建了研究模型（見圖1），以探討語言風格與信息質(zhì)量如何共同作用于知識交互深度和用戶滿意度。其中，信息情感、信息復雜性與信息邏輯性作為信息質(zhì)量理論的核心變量，反映知識輸出者的內(nèi)容結(jié)構(gòu)與表達方式對知識接受者的影響；而專業(yè)性語言與社交性語言風格則作為語言預期理論的重要體現(xiàn)，刻畫知識輸出者的語言策略差異。兩者通過直接路徑分別影響知識接收者的感知滿意度與知識交互深度。此外，考慮到知識接收者在實際互動中存在顯著的個體差異，尤其在知識理解、處理和表達需求上的心理差異，知識焦慮作為關(guān)鍵調(diào)節(jié)變量。

2研究背景及研究方法

2.1 研究背景

目前，較為流行的OKC包括知乎、StackOver-flow、CSDN、Quora等。本文選擇Quora作為研究對象。Quora是一個全球性的問答社區(qū)，內(nèi)容涵蓋廣泛，包括科技、文學、社會、健康等各類主題，用戶可以在平臺上通過文字、圖片、視頻等多種形式分享與獲得知識。與國內(nèi)OKC不同，Quora普遍鼓勵知識輸出者與知識接收者的多次交互，期望知識接受者對知識輸出者的回答進行追問和反饋，這符合本文的研究需求。此外，Quora還為知識輸出者提供更多形式的激勵機制，便于本文觀察潛在變量和影響因素。當前已有多項研究對Quora的知識交互行為進行探討[35]。這些研究角度和方法也為本文提供了基礎(chǔ)和見解，由此，選擇Quora作為研究平臺，以分析語言風格對OKC知識交互與用戶感知滿意度的影響。

2.2 數(shù)據(jù)收集和預處理

本文從Quora平臺（www.quora.com）收集數(shù)據(jù)。首先創(chuàng)建了一個Python程序，用于自動下載包含知識輸出者（知識回復）和知識接收者（知識提問）信息的網(wǎng)頁。該網(wǎng)站僅顯示用戶的基本信息和個人標簽，如教育背景、年齡、愛好、發(fā)帖記錄、居住地等，并不涉及任何隱私問題。

本文選擇Computer Technology板塊作為數(shù)據(jù)采集欄目，原因如下：（1）計算機作為目前最為流行的個人電子設(shè)備之一，具有廣泛的受眾。（2）培養(yǎng)計算機硬件與軟件知識均需要較長的周期以及相應的知識基礎(chǔ)，滿足知識焦慮的前提條件。（3）ComputerTechnology板塊在Quora平臺中處于高度流行板塊，具有一定的代表性。

對于采集數(shù)據(jù)的字段，主要包括兩個部分。其一是知識輸出者的回復及個人特征。Quora為每個板塊提供了回答次數(shù)排行榜，根據(jù)該功能，本文獲取板塊前400名高回復次數(shù)的知識輸出者的個人信息（學歷、粉絲數(shù)、回復數(shù)，見圖2）。其二是知識接收者的個人信息?；谥R輸出者的解答，本文同時獲得知識接收者的問題并定位其個人信息。知識接收者的信息包括問題本身、年齡以及其過去的問題（用于評估知識焦慮）。圖2展示了知識交互與Quora的用戶信息界面。對于知識接收者的問題，知識輸出者需要進行回復，針對回復，知識接受者可能進行追問，以此往復形成多次知識交互。數(shù)據(jù)收集時間為2024年6月15日至8月15日。在刪除僅包含圖片的數(shù)據(jù)以及缺失的數(shù)據(jù)后，本文總共收集了346名知識輸出者的知識交互數(shù)據(jù)，共計19416條。

2.3 測量變量

知識交互深度：在之前的調(diào)查中，Yang等將交互次數(shù)作為衡量知識交互深度的指標[36]。然而，有學者指出該指標的有效性不夠充分，因為并非所有互動文本均為與知識交互相關(guān)。因此，本文參考了Liu等的研究方法[8]，將知識輸出者和知識接收者的文本相關(guān)性乘以互動次數(shù)作為衡量知識交互深度的指標。

感知滿意度：該變量指的是知識接收者在得到知識回復后的心理狀態(tài)。本文使用知識輸出者獲得的贊成數(shù)量來衡量知識接收者的滿意度，該指標能夠直接反映知識接收者對該回復的認可程度[18]。

情感表達：情感表達指的是知識輸出者在回應知識接收者時所展現(xiàn)的情感傾向。已有研究表明，知識輸出者回應文本中的情感基調(diào)會影響知識交互的效果[3]。為了分析知識輸出者回應的情感，本文利用大語言模型GPT-4o對文本進行情感分析。情感得分分布在0到1之間，0表示極端消極情緒，0.5表示中性，1表示極端積極情緒[38]。

信息復雜度：信息復雜度指知識輸出者回復內(nèi)容的復雜程度，反映了知識接收者獲取及理解知識的難度。本文利用Pengnate和Riggins以及Wang等提出的霧指數(shù)（Fogindex）來衡量知識輸出者回復內(nèi)容的復雜度[39-40]。霧指數(shù)是衡量文檔可讀性的語言指標。此外，為了避免知識交互的深度和文本復雜度之間的潛在關(guān)聯(lián)，本文使用復雜性除以知識交互次數(shù)來表示知識輸出者回復內(nèi)容的整體復雜性。

信息邏輯：信息邏輯指知識輸出者回復內(nèi)容的邏輯復雜性。參考Ashokkumar和Pennebaker的研究[41]，在知識輸出者的回復內(nèi)容中，表示等級、關(guān)系和程度的代詞、助動詞和連詞越多，回復內(nèi)容的邏輯就越復雜。本文使用“系統(tǒng)思維\"功能詞典來衡量回答的邏輯復雜性。在研究中，邏輯指數(shù)越大，知識輸出者回復內(nèi)容的邏輯復雜性就越高。

專業(yè)性語言：專業(yè)性語言指在OKC中知識交互雙方采用的專業(yè)術(shù)語，根據(jù)研究情景，主要包括計算機硬件、軟件的相關(guān)知識。本文構(gòu)建了一個詞典來識別知識交互過程中的專業(yè)術(shù)語，該詞典包括《計算機與信息技術(shù)詞典》《現(xiàn)代計算機詞典》《計算機詞匯手冊》中的所有詞匯，基本覆蓋了與計算機相關(guān)的專業(yè)名詞。在變量測量方面，選擇知識輸出者在回復文本中使用專業(yè)術(shù)語的頻率作為指標。

社交性語言：在知識交互互動中，社交性語言指知識輸出者為減輕知識接收者知識焦慮、知識壓力，改善溝通而使用的交流術(shù)語。這些術(shù)語通常涉及家庭成員、朋友和日常會話內(nèi)容。過去研究通常使用LIWC軟件來分析社交性語言[13]。基于過去研究，本文使用LIWC軟件（2022版）中與社交相關(guān)的詞匯和常用社交詞匯創(chuàng)建了社交性語言詞典，同樣以知識輸出者在回復文本中使用社交語言的頻率作為指標。

知識焦慮：知識焦慮用于衡量用戶知識搜尋與知識獲取的緊迫程度。知識焦慮可能會導致知識接收者改變知識獲取渠道，調(diào)整知識搜尋策略，并影響他們的知識交互行為。多項研究表明，知識焦慮對OKC社區(qū)的知識交互有顯著影響[32-33]。本文用知識接收者過去的求助記錄作為衡量知識焦慮的指標。如果知識接收者同時針對某一個問題多次發(fā)帖，則表明其具有一定程度的知識焦慮。衡量指標為啞變量，存在知識焦慮賦值為1，否則為0。

控制變量：本文將知識交互雙方的個體屬性作為控制變量。具體來說，知識輸出者的個體屬性包括學歷、粉絲數(shù)和回復數(shù)。知識接收者的屬性包括性別（所有變量的詳細測量方式見表1）。

2.4 回歸模型建立

本文使用固定效應模型分析知識交互深度和知識接收者的感知滿意度。在公式1-4中：Satisfyij表示知識接收者j在知識交互中對知識輸出者i的感知滿意度； Depth_ij 表示知識接收者i和知識輸出者j的知識交互深度； β₀ 是一個常數(shù)項;β和β是專業(yè)性語言（PL）和社會性語言（SL）的主要效應系數(shù)，而β3和 β₄ 是知識接收者知識焦慮（KS）對專業(yè)性語言和社會性語言影響的調(diào)節(jié)效應系數(shù)；Agej是知識接收者年齡的固定效應;Controlsi是一個由控制變量組成的向量； ε_ij 是誤差項。

公式（1）和（2）用于評估知識輸出者的語言風格對知識接收者感知滿意度以及知識交互深度的影響。將知識焦慮和兩種語言風格的交叉乘積分別添加到公式（1）和（2）中，得到公式（3）和（4），用于衡量知識焦慮對知識輸出者語言風格的調(diào)節(jié)作用。

3研究結(jié)果

3.1 描述性統(tǒng)計

對研究變量的描述性統(tǒng)計（見表2）后可以看出，PL和SL的平均值分別為5.89和2.71，表明知識輸出者在知識交互中會同時使用專業(yè)性語言和社會性語言。不過相比于社會性語言，知識輸出者在OKC中會更頻繁地使用專業(yè)性語言。統(tǒng)計變量之間的相關(guān)系數(shù)（見表3）發(fā)現(xiàn)，先變量之間的相關(guān)系數(shù)相對較低，只有少數(shù)幾個變量顯示出較高的相關(guān)系數(shù)。為了解決多共線性問題，本文檢查了與解釋變量相關(guān)的方差膨脹因子（VIF）。平均VIF值為2.29，最大值為5.07，表明變量之間的多共線性程度較低。

3.2 假設(shè)檢驗

對假設(shè)的結(jié)果進行回歸檢驗（見表4）。首先，第1列描述了知識輸出者的專業(yè)性語言風格和社會性語言風格對知識交互深度的影響。結(jié)果表明，知識輸出者的專業(yè)性語言風格正向影響知識交互深度L （β=0.649，plt;0.1） ，驗證了H1;社交性語言風格則負向影響知識交互深度 ?∣3=-0.0924，plt;0.01? ，驗證了H3。從信息質(zhì)量的角度來看，知識輸出者回復的邏輯性 、復雜性 （β=0.0553，plt;0.01） 和情感表達（ β=0.2033，plt;0.05） 均會加深知識交互深度，這驗證了H5、H7和H9。之后，第2列顯示在知識焦慮調(diào)節(jié)下，知識輸出者的專業(yè)性語言風格和社會性語言風格對知識交互深度的影響。可以發(fā)現(xiàn)，知識焦慮對專業(yè)性語言風格和社會性語言風格都有顯著的調(diào)節(jié)作用。結(jié)果表明，知識焦慮進一步增強了專業(yè)性語言風格對知識交互的促進作用（ β= 0.0757，plt;0.1） 。同時，它加劇了社交性語言風格對知識交互的負面影響 （β=-0.4145，plt;0.01） ，這證實了H11和H13。其次，第3列顯示了知識輸出者的專業(yè)性語言風格和社交性語言風格對知識接收者感知滿意度的影響。與知識交互的深度研究結(jié)果不同，專業(yè)性語言風格降低了知識接收者的感知滿意度 ββ_{β=-0.0105，plt;0.01}） 。此外，社交性語言風格則對知識接收者的感知滿意度有積極影響（ plt;0.01 ）。這些結(jié)果有效證實了H2和H4的可靠性。對于信息質(zhì)量，與之前的假設(shè)驗證結(jié)果不同，知識輸出者回復的邏輯性（ β=-0.0322 ， plt;0.01 ）和復雜性 （β=-0.0003，plt;0.01） 并未顯著提高知識接收者的感知滿意度，與H6和H8的假設(shè)相矛盾。然而，知識輸出者在回復中的情感表達仍然提高了知識接收者的感知滿意度（ β_β=0.0217，plt;0.01） ，因此，H10被支持。最后，第4列表明了知識接收者的感知滿意度在調(diào)節(jié)效應下的變化。知識焦慮的調(diào)節(jié)效應與理論相符，支持了 H12（β=-0.0057，plt;0.01） 和H14（ β= 0.0086，plt;0.1） 。

3.3穩(wěn)健性檢驗

為了確保研究結(jié)果的可靠性，本文補充了穩(wěn)健性檢驗。首先，使用相關(guān)板塊（ComputerHardwareParts）的知識交互數(shù)據(jù)進行了補充分析。選擇ComputerHardwareParts作為穩(wěn)健性檢驗的數(shù)據(jù)來源主要有以下原因：（1）其話題與Computer Technology相似，都屬于Computer的范疇。（2）ComputerTech-nology板塊的話題熱度較高，具備充足的數(shù)據(jù)來源。因此，本文獲取了Computer Technology板塊近10000條的知識交互數(shù)據(jù)并使用相同的模型進行穩(wěn)健性檢驗，并展示了穩(wěn)健性檢驗的結(jié)果（見表5），與表4基本一致，初步證明了本研究的可靠性。

之后，本文添加了額外的控制變量，以進一步驗證結(jié)果的可靠性。先前的研究表明，知識接收者的情感表達對知識交互與感知滿意度有顯著影響[8]。因此，本文將知識接收者的情感特征（OutS）納入回歸模型。與之前的計算方法相同，使用大語言模型結(jié)合情感詞典對知識接收者的情感特征進行分析。研究結(jié)果（見表6），與前期結(jié)果一致，驗證了本研究的有效性。

4.4 異質(zhì)性檢驗

不同年齡的知識接收者對知識輸出者的語言風格和所提供信息的質(zhì)量的反應可能有所不同。為了進一步探討年齡與在知識交互與感知滿意度中的作用，本文進行了異質(zhì)性分析。根據(jù)世界衛(wèi)生組織的分類，將知識接收者分為四個年齡段：44歲以下、45歲-59歲、60歲-74歲和75歲以上。將不同年齡段知識接收者對語言風格的反應特征梳理羅列（見表7）后發(fā)現(xiàn)，知識輸出者更有可能通過運用專業(yè)性語言風格提高與中年人的知識交互（45歲-59歲） （β=0.116，plt;0.1）， 。相反，對于老年人（75歲以上）來說，使用專業(yè)性語言風格不利于雙方的知識交互（β=-0.3425，plt;0.01） ，這表明專業(yè)性語言風格對知識交互的正面影響會隨著年齡的增長而減少。此外，青年人（18歲-45歲）和老年人（75歲以上）在知識交互中對社交性語言的排斥更明顯 β_{β=-0.2178，plt;} 。值得注意的是，在情感表達方面，中老年人（60歲-74歲）對知識輸出者的情感表達表現(xiàn)出更高的接受度，能夠加深知識交互深度 （β=0.4939，plt;0.05） 。總體而言，不同年齡的知識接收者對語言風格的期望略有不同，但基本符合前期研究。

梳理不同年齡下各變量對知識接收者感知滿意度的影響（見表8）發(fā)現(xiàn)，專業(yè)性語言風格和社會性語言風格的效果與之前研究基本相同。具體而言，知識接收者的年齡越大，越容易受到社會性語言風格的影響。因此，對于年齡較大的知識接收者而言，知識輸出者合理使用社會性語言可以提高知識接收者的感知滿意度。此外，知識輸出者使用一些專業(yè)術(shù)語并不會降低年輕知識接收者的感知滿意度（18歲-45歲）。最后，信息質(zhì)量維度的檢驗結(jié)果與之前的結(jié)論基本相同，除了年輕知識接收者對知識輸出者的情感表達沒有明顯反應（ β= 0.0116， pgt;0.1 ）。

4研究發(fā)現(xiàn)與討論

4.1語言風格在知識交互與知識接收者感知滿意度中的復雜作用

本文探討了語言風格對知識接收者知識交互深度和感知滿意度的影響。研究一方面發(fā)現(xiàn)專業(yè)性語言在增加知識交互深度的同時降低了知識接收者的感知滿意度。另一方面，研究發(fā)現(xiàn)社交性語言降低了知識接收者的知識交互深度，但提高了感知滿意度。該結(jié)論有效揭示了語言風格對知識接收者的知識交互深度與感知滿意度的復雜作用，從而拓展了OKC研究中對語言風格的理解[14-15]。此外，異質(zhì)性分析的結(jié)果證實了不同年齡的知識接收者對語言風格的期望不同。具體來說，專業(yè)性語言風格對老年知識接收者的知識交互深度影響不明顯，而社交性語言風格則有助于提高其感知滿意度。該結(jié)論與既往的相關(guān)研究也有一定的契合，即老年人在在線社區(qū)中更有可能面對困難而中止咨詢[42]。

4.2知識焦慮會顯著調(diào)節(jié)知識交互深度與知識接收者的感知滿意度

關(guān)于知識交互，研究發(fā)現(xiàn)存在知識焦慮的知識接收者更期望知識輸出者使用專業(yè)性語言提供科學指導。如果知識輸出者過多使用社交性語言，知識接收者可能會懷疑知識輸出者的專業(yè)性并對其回復產(chǎn)生無效性感知，從而減少知識交互意愿。關(guān)于知識接收者的感知滿意度，知識焦慮的調(diào)節(jié)效應與其在知識交互中的效果相反。存在知識焦慮的知識接收者更希望知識輸出者使用社交性語言提供情感支持，這與過去有關(guān)健康知識獲取的相關(guān)研究結(jié)果保持了一致[28]?；谶@些發(fā)現(xiàn)，本文將知識焦慮這一OKC普遍存在的現(xiàn)象融入知識管理的相關(guān)研究中，既拓展了知識焦慮的研究邊界，也進一步豐富了語言風格在OKC研究中的應用。

4.3信息質(zhì)量在知識交互及知識接收者感知滿意度中的效應

本文還從信息質(zhì)量的角度分析了知識的結(jié)構(gòu)和邏輯對知識接收者的知識交互深度和感知滿意度的影響。首先，情感表達的影響效果與以往研究一致，即積極情緒更容易促進知識交互，并提高知識接收者的感知滿意度[18]。其次，本文發(fā)現(xiàn)知識的復雜度可以提高知識交互深度，但對知識接收者的感知滿意度影響不明顯。因為對于需求強烈或存在知識焦慮的用戶而言，他們往往具備一定的知識儲備，因此，簡單明了的信息更容易獲得他們的認同[3。最后，本文發(fā)現(xiàn)知識的邏輯性與復雜性的影響效果基本沒有差異。盡管復雜的邏輯關(guān)系與詳細的內(nèi)容能夠促進知識接收者的進一步知識交互，但并不能提高感知滿意度。

5研究貢獻與展望

本文在理論與實踐層面均做出多方面貢獻。理論上，首先拓展了語言風格在知識交互研究中的應用，將“專業(yè)性語言\"與“社交性語言\"引入OKC語境，揭示語言風格對不同用戶的影響；其次融合語言預期理論與信息質(zhì)量理論，從主觀認知和客觀信息質(zhì)量兩個維度探討影響用戶知識交互深度和滿意度的因素，有效推動了語言風格與信息質(zhì)量研究的交叉融合；最后通過引入知識焦慮作為調(diào)節(jié)變量，不僅豐富了知識焦慮的理論邊界，也進一步深化了現(xiàn)有研究對不同語言風格的期望動機的理解。實踐上，本文提出三項建議：（1）平臺可依據(jù)用戶的知識焦慮水平，智能推薦匹配其認知需求的內(nèi)容風格，如對高焦慮用戶推送更具情感支持的社交型語言回答，提高其使用黏性與滿意度；（2）知識輸出者可參考研究結(jié)果調(diào)整語言策略，如在解釋復雜技術(shù)時使用更平衡的“專業(yè) + 社交”表達，以增強交互效果并兼顧用戶情緒體驗；（3）在培訓內(nèi)容創(chuàng)作者或社區(qū)專家時，可根據(jù)用戶畫像制定差異化語言表達規(guī)范，推動構(gòu)建更具包容性和高效性的知識交互環(huán)境。

本文在未來仍有進一步研究空間。首先，研究數(shù)據(jù)主要來自英文語境，文化差異和語用背景可能影響結(jié)果的普適性，未來可在多語種、跨平臺的環(huán)境中檢驗模型的穩(wěn)定性。其次，本文以靜態(tài)文本為主，未全面捕捉語言風格在動態(tài)交互中的演變，未來可通過周期性對話探討用戶對語言風格的動態(tài)期望。此外，更多的外在變量，如用戶的知識背景與認知能力差異未被充分考量，這可能影響用戶對知識交互的滿意度，后續(xù)可通過實驗或問卷調(diào)查以補充主觀變量。最后，本文主要關(guān)注語言風格對用戶知識交互深度與滿意度的影響，尚未涉及語言風格對知識采納與應用的影響，未來可引入采納意圖、追問行為等行為變量，拓展研究深度。

參考文獻：

[1]Zhao L，Detlor B，ConnellyCE.Sharing knowledge in social Qamp;A sites：Theunintended consequences of extrinsic motivation[J].Journal ofManagementInformation Systems，2016，33（1）：70-100.

[2]Wang N，TiberiusV，Chen X，etalIdeaselectionandadoptionbyusers-aprocess model inanonlineinovationcommu

mity LJ」.Technology Analysis amp; Strategic Management，2021，33（9）：1036-1051.

[3]Chen W，WeiX，Zhu KX.Engaging VoluntaryContributions inOnlineCommunities[J].Mis Quarterly，2018，42（1）：83-A8.

[4]XinJ，LiY，ZhongX，etal.Whyuserscontributeknowledge toonlinecommunities：AnmpiricaltudyofanonlinesocialQamp;A community[J].Informationamp; Management，2015，52（7）：840-849.

[5］朱雪春，陳萬明，貢文偉.實踐社群知識流動績效評價指標體系研究——過程、結(jié)果和成員感知視角[J].科技進步與對 策，2016，33（18）：127-133.

[6］姜騫，周海煒，屈維意.關(guān)系范式、知識獲取對外包合作關(guān)系滿意度的影響研究——接包方的視角[J].情報雜志，2011， 30（6）：199-204，198.

[7］嚴煒煒，黃馨，張敏.聯(lián)動共創(chuàng)：情境差異下基于播客的跨平臺知識交流研究[J].情報雜志，2024，43（9）：196-207.

[8］陸穎穎，張恒，陳琦，等.基于三元交互理論的虛擬學術(shù)社區(qū)知識交流效果評價研究[J].現(xiàn)代情報，2024，44（3）：23-33，46.

[9］盧恒，張向先，張莉曼，等.理性與偏差視角下在線問答社區(qū)用戶知識付費意愿影響因素構(gòu)型研究[J].圖書情報工作， 2020，64（19）：89-98.

[10］陳小卉，胡平，周奕岑.知乎問答社區(qū)回答者知識貢獻行為受同伴效應影響研究[J].情報學報，2020，39（4）：450-458.

[11]霍明奎，李靜.開放式創(chuàng)新社區(qū)用戶持續(xù)知識貢獻行為影響因素及提高策略研究[J].情報科學，2024，42（4）：145-154， 166.

[12]KoDG，MaiF，ShanZ，etal.Operationaleficiencyandpatient-enteredhealthcare：Aviewfromonlinephysicianreviews[J]. Journal of Operations Management，2019，65（4）：353-379.

[13]O'DonnellMB，F(xiàn)alkEB，LiebermanMD.Socialin，socialout：Howthebrainresponds tosociallanguage with moresocial language[J].Communication Monographs，2015，82（1）：31-63.

[14］嚴煒煒，王清燁，張敏.知識交流生態(tài)視角下的用戶跨平臺知識交流行為偏好研究[J].情報理論與實踐，2024，47（7）： 97-106.

[15］譚腸，秦渴，袁勤儉.激勵機制對學術(shù)虛擬社區(qū)知識貢獻效果的影響研究[J].現(xiàn)代情報，2020，40（9）：106-116.

[16]CostellFJ，Lee K C.Explorg investors'expectanciesandisimpact onprojectfundingsuccesslikelioodinrowdfunding by using text analytics and Bayesian networks[J].Decision Support Systems，2022，154（1）：113695.

[17]Jensen ML，Averbeck JM，Zhang Z，etalCredibilityofanonymous online product reviews：Alanguage expectancyperspective[J].Journalof Management Information Systems，2013，30（1）：293-324.

[18]LiuX，ZhouS，ChiX.HowDo Team-Leveland Individual-LevelLinguisticStyles AfectPatients’Emotional WellBeing EvidencefromOnlineDoctorTamsJ].International JournalofEnvironmentalResearchandPublic Health，2O23，20（3）： 1915.

[19]FilieriR，McLeayF，Tsui B，etal.Consumerperceptionsof information helpfulnessanddeterminantsof purchasentention in online consumer reviews of services[J].Information amp; Management，2O18，55（8）：956-970.

[20]ChenL，BairdAStraubD.A linguisticsignaling modelofsocial support exchange inonline healthcommunities[J]Decision Support Systems，2020，130（1）：113233.

[21]Jiang S，LiuX，ChiX.Efectofwriting styleonsocialsupport inonliehalthcommunities：Atheoreticallinguisticanalysis framework[J].Information amp; Management，2022，59（6）：103683.

[22] Atanasova S，Kamin T，Petri G.The benefits andchallenges ofonline professional-patient interaction：Comparing views betweenusersand healthprofesional moderators inanonline healthcommunityJ].Computers inHumanBehavior，2018，83 （1）：106-118.

[23]Boot P，Zijlstra H，Geenen R.The Dutch translationof thelinguistic inquiryand word count （LIWC）20O7dictionary[J]. Dutch Journal of Applied Linguistics，2017，6（1）：65-76.

[24]Filieri R，McLeayF，TsuiB.，etal.Consumerperceptions of information helpfulness anddeterminants of purchase intentionin online consumer reviews of services[J].Information amp; Management，2018，55（8）：956-970.

[25]AdamopoulosP，GhoseA，Todri V.The impactof userpersonality traitson wordofmouth：Text-mining social mediaplatforms[J].Information SystemsResearch，2018，29（3）：612-640.

[26]SarangiS.Theanatomyofinterpretation：Coming totermswiththeanalystsparadoxinprofessionaldiscourse studies[J]Text amp;Talk，2007，27（5-6）：567-584.

[27]PawlowskiSD，RobeyD.Bridginguserorganizations：Knowledgebrokeringandtheorkof informationtechologyproesion als[J].MIS Quarterly，2004，28（4）：645-672.

[28］周力虹，趙一鳴，方強，等.病患轉(zhuǎn)院診治情景下知識共享的現(xiàn)狀、問題與對策[J].信息資源管理學報，2014，4（4）：34-41.

[29］劉琦，杜榮.基于參與動機的網(wǎng)絡(luò)社區(qū)知識共享質(zhì)量、創(chuàng)新及滿意度關(guān)系研究[J].情報理論與實踐，2013，36（3）：56-61.

[30]HeY，GuoX，WuT，etalTeefectofinteractivefactorsoonlinehealthconsultationrevieeviation：Anempiicalvestigation[J].International Journal of Medical Informatics，2022，163（1）：104781.

[31]Nook EC，SchleiderJL，SomervileLHAlinguisticsignatureof psychological distancing inemotionregulationJ]Joal ofExperimental Psychology：General，2017，146（3）：337.

[32]孫金花，何苗，胡健.感知價值視角下知識焦慮對平臺用戶知識付費意愿的影響[J].現(xiàn)代情報，2021，41（6）：129-138.

[33]沈雨田，陸泉，曹高輝，等.學術(shù)信息搜尋過程中的用戶信息焦慮研究[J].情報科學，2021，39（6）：143-151.

[34]Zhang X，GuoXLaiKH，etalHowdoesolineinteractionalunfaiessmaterforpatientdoctorrelationshipualityonline healthconsultation？Thecontingenciesof professonalseniorityanddiseaseseverityJ]EuropeanJournalofInformation Systems，2019，28（3）：336-354.

[35]Peng Y，Zhou X.Across-cultural analysisof the modesand efectivenessofcolaborative productionof knowledgeon Quora[J].Aslib Journal of Information Management，2021，73（2）：304-321.

[36]Yang Y，Zhang X，LeeP.K.Improving theeffectiveness ofonline healthcare platforms：An empiricalstudy with multiperiod patient-doctor consultation data[J].International Journal of Production Economics，2O19，2O7：70-80.

[37］嚴亞蘭，聶尚寧，查先進.交流可見度視角下在線知識共享網(wǎng)絡(luò)用戶認知和情感研究[J].情報理論與實踐，2021，44 （3）：136-142.

[38]Dai W，HanD，DaiY，etalEmotionrecognitionandafectivecomputingonvocalsocial media[J].Informationamp;Management，2015，52（7）：777-788.

[39]PengnateSF，RiginsFJTheroleofemotioninP2Pmicrofinance funding：Asentimentanalysis approachJ].Iteational Journal of Information Management，2020，54：102138.

[40]WangW，XuY，WuYJ，etalLingusticunderstandabilityignalbervabilityfundingopportunitiesndcowfundigapaigns[J].Information amp; Management，2022，59（2）：103591.

[41]Ashokkumar A，PennebakerJW.Social mediaconversations reveal large psychological shiftscaused byCOVID-19'sonset across US cities[J].Science Advances，2021，7（39）：eabg7843.

[42]SharkiyaS H.Quality communication can improve patient-centred health outcomes among older patients：a rapid review[J]. BMCHealth ServicesResearch，2023，23（1）：886.