崔智斌 涂艷

【摘 要】

社會化問答社區(qū)逐漸成為在線學(xué)習(xí)資料查閱途徑和知識拓展的工具之一。但隨著社區(qū)規(guī)模的發(fā)展，高流量學(xué)習(xí)者日益增加的話語權(quán)加劇了節(jié)點中心化程度，導(dǎo)致底層學(xué)習(xí)者知識貢獻意愿和信息擴散效率下降。如何提高在線學(xué)習(xí)者的知識貢獻績效亟待解決。本研究首先通過數(shù)據(jù)包絡(luò)分析法測算知乎社區(qū)內(nèi)4，200名在線學(xué)習(xí)者的“知識貢獻—聲譽收益”過程績效，然后通過廣義線性模型分析在線學(xué)習(xí)者特征、在線學(xué)習(xí)社區(qū)交互特征和在線學(xué)習(xí)心理激勵特征對知識貢獻績效造成的影響。研究結(jié)果表明：信息開放、社區(qū)歸屬、身份地位和社會比較存在正向影響，利他信念存在負向影響，而回饋信念和社區(qū)交互特征的影響并不顯著;通過不同知識貢獻渠道進行自我效能施展存在影響方向差異，其中碎片化渠道并不利于在線學(xué)習(xí)者知識貢獻績效的提升;在線學(xué)習(xí)者間的比較會對基于利他信念的知識貢獻存在調(diào)節(jié)效應(yīng)。因此，本研究建議優(yōu)化知識分發(fā)推薦機制，打造PGC“知識+”多元化學(xué)習(xí)矩陣，完善知識質(zhì)量評價和學(xué)習(xí)反饋體系。

【關(guān)鍵詞】? 社會化問答社區(qū);在線學(xué)習(xí)者;知識貢獻績效;社會交換理論;數(shù)據(jù)包絡(luò)分析;廣義線性回歸

【中圖分類號】? ?G434?   ? ? ?【文獻標(biāo)識碼】? A? ? ? ?【文章編號】? 1009-458x（2022）2-0057-09

一、引言

新冠疫情期間，我國在線教育市場滲透率激增，以往的線下教學(xué)模式和“線上+線下”混合式教學(xué)模式轉(zhuǎn)變?yōu)椤按笠?guī)模、長周期”的網(wǎng)絡(luò)教學(xué)模式（翟興， 等， 2020）。以用戶為中心的社會化問答社區(qū)逐漸成為在線學(xué)習(xí)者獲取、交換教育資源的重要途徑和碎片化資料查閱、課堂知識拓展的高效工具。相較于慕課、維基論壇等在線教育平臺，社會化問答社區(qū)更強調(diào)社交化元素，通過調(diào)動在線學(xué)習(xí)者節(jié)點生產(chǎn)分享高質(zhì)量內(nèi)容，實現(xiàn)教育資源跨時空探尋和課內(nèi)教學(xué)補充（李海峰， 等， 2020）。

目前已有諸多衡量在線學(xué)習(xí)者學(xué)習(xí)績效的研究，通過對在線學(xué)習(xí)平臺的登錄次數(shù)、學(xué)習(xí)資源使用情況等過程性數(shù)據(jù)展開分析（包昊罡， 等， 2019），構(gòu)建平臺用戶在線學(xué)習(xí)個人投入模型與評價維度（李艷燕， 等， 2020; 武法提， 等， 2018）。然而在社會化問答社區(qū)，在線學(xué)習(xí)者不再僅是被動的知識接收者，還是主動學(xué)習(xí)、分享貢獻的微觀知識生產(chǎn)單元，他們從社區(qū)中獲得的收益和付出的成本會共同影響其學(xué)習(xí)效果、學(xué)習(xí)積極性和優(yōu)質(zhì)知識分享貢獻的意愿（Xia， et al.， 2012）。該類開放式知識分享社區(qū)隨時間推移，不同問答板塊間的知識內(nèi)容易出現(xiàn)同質(zhì)化、中心化問題，社區(qū)底層在線學(xué)習(xí)者的知識貢獻得不到重視，無法獲得社區(qū)推薦曝光、流量扶持，導(dǎo)致其知識貢獻意愿及信息擴散效率降低。本研究以在線學(xué)習(xí)者在社區(qū)內(nèi)投入貢獻要素配置的最優(yōu)比例所能收獲的最大報酬為標(biāo)準(zhǔn)，分析在線學(xué)習(xí)者的知識生產(chǎn)貢獻與收益狀況，對其知識貢獻行為和貢獻知識價值進行綜合度量，在此基礎(chǔ)上探究在線學(xué)習(xí)者在“知識貢獻-聲譽收益”這一過程的績效差異和相關(guān)影響因素。

綜上所述，本研究以社會化問答社區(qū)“知乎”中的個體在線學(xué)習(xí)者為研究對象，依據(jù)社會交換、資本、認知和學(xué)習(xí)等理論，運用數(shù)據(jù)包絡(luò)分析（data envelopment analysis，DEA）測算知識貢獻績效，通過構(gòu)建廣義線性回歸模型（generalized linear model，GLM）探究在線學(xué)習(xí)者特征、在線學(xué)習(xí)社區(qū)交互特征和在線學(xué)習(xí)心理激勵特征三方面因素對知識貢獻績效的影響差異。本研究填補了現(xiàn)有文獻對社會化問答社區(qū)這一開放式知識分享社區(qū)內(nèi)個體在線學(xué)習(xí)者知識貢獻績效研究的空白，為在線學(xué)習(xí)投入/績效研究提供新的研究視角。研究結(jié)論能夠為社區(qū)運營者激發(fā)在線學(xué)習(xí)者知識貢獻參與意愿、實現(xiàn)知識精準(zhǔn)化投放運營提供參考，提高在線學(xué)習(xí)者知識貢獻長尾效應(yīng)，推動社區(qū)協(xié)作學(xué)習(xí)功能開發(fā)、學(xué)科工具研制和在線教育模式創(chuàng)新，為設(shè)計、優(yōu)化社區(qū)在線學(xué)習(xí)、知識貢獻激勵機制提供依據(jù)。

二、文獻述評與研究假設(shè)

（一）知識貢獻績效評價研究

社區(qū)用戶知識貢獻績效評價最早來源于學(xué)術(shù)虛擬社區(qū)中的知識交流效率評價。宗乾進等（2014）通過DEA方法探究了科學(xué)網(wǎng)博客內(nèi)的不同學(xué)科間的知識交流效果;吳佳玲（2019）采用修正松弛變量評價方法測量學(xué)術(shù)虛擬社區(qū)知識交流效率，并通過Tobit模型分析影響因素;楊瑞仙等（2020）結(jié)合熵權(quán)法確定權(quán)重，采用基于三階段DEA模型分析在線健康社區(qū)知識交流效率。隨著研究深入，學(xué)者們開始著重考慮專家、在線學(xué)習(xí)者和科研人員知識貢獻/交流效率的評價。楊瑞仙等（2018）運用問卷調(diào)查和DEA方法構(gòu)建出學(xué)術(shù)虛擬社區(qū)個體科研人員知識交流效率評價指標(biāo)體系。從評價理論與方法上看，多數(shù)研究都是在設(shè)計出知識貢獻/交流相關(guān)指標(biāo)體系的基礎(chǔ)上，運用數(shù)據(jù)包絡(luò)分析、層次分析法和模糊綜合評價等數(shù)理方法進行量化評價。

社會化問答社區(qū)存在海量學(xué)習(xí)者行為數(shù)據(jù)，單個評價指標(biāo)很難有效測度知識貢獻績效，而DEA使用線性規(guī)劃法計算社區(qū)在線學(xué)習(xí)者是否處于生產(chǎn)前沿，進而判斷其是否為DEA有效（頭部在線學(xué)習(xí)者），這可以減少層次分析、問卷調(diào)查和結(jié)構(gòu)方程等方法在權(quán)重、參數(shù)設(shè)定時受到的主觀影響。DEA方法常與Tobit回歸一起用于研究效率的影響因素，但由于Tobit模型所需的假設(shè)較強，其截尾分布應(yīng)用于截斷點之后觀測不到客觀誤差，而知識貢獻績效測算出的截斷在客觀上沒有比100%有效更高的情況，故在此采用廣義線性回歸估計DEA結(jié)果。綜上所述，本研究對在線學(xué)習(xí)者的知識貢獻績效測度采用數(shù)據(jù)包絡(luò)分析法，影響因素探究則采用廣義線性回歸。

（二）知識貢獻影響因素研究

關(guān)于社區(qū)學(xué)習(xí)者知識貢獻，多數(shù)學(xué)者通過社會認知、社會資本等理論對在線學(xué)習(xí)者的知識貢獻參與動機與持續(xù)貢獻數(shù)量展開研究。以往研究將知識貢獻影響因素歸納為用戶個人特征、網(wǎng)絡(luò)特征和心理激勵（Guan， et al.， 2018）。本研究據(jù)此從在線學(xué)習(xí)者個體特征、在線學(xué)習(xí)社區(qū)交互特征和在線學(xué)習(xí)心理激勵特征三個方面提出有關(guān)假設(shè)。

1. 在線學(xué)習(xí)者特征對知識貢獻績效的影響

（1）貢獻渠道

相較傳統(tǒng)的在線問答學(xué)習(xí)社區(qū)，社會化問答社區(qū)允許在線學(xué)習(xí)者通過文章、想法和視頻等多元化方式貢獻知識。在此將“知乎”的知識貢獻分為自發(fā)知識貢獻和應(yīng)求知識貢獻兩類渠道進行分析（Teng， et al.， 2011）。

根據(jù)社會認知理論，在線學(xué)習(xí)者對自身能力的感知或信任程度被稱為自我效能。視頻、原創(chuàng)文章、想法、專欄和live等皆是在線學(xué)習(xí)者自發(fā)完成的知識貢獻行為，在從意愿觸發(fā)到完成的過程中并不受其他學(xué)習(xí)者影響，而是依賴于在線學(xué)習(xí)者對自身能力的自信和有用性判斷（Lin， et al.， 2007），因而能反映在線學(xué)習(xí)者的自我效能。故在此通過視頻數(shù)、想法數(shù)、原創(chuàng)文章數(shù)、專欄數(shù)和live數(shù)等自發(fā)貢獻渠道測度在線學(xué)習(xí)者的自我效能高低。

網(wǎng)絡(luò)利他行為是指在線學(xué)習(xí)者在網(wǎng)絡(luò)環(huán)境下幫助他人、不考慮收益的自覺自愿行為（鄭顯亮， 等， 2012）?；卮鹱鳛橹R貢獻者對他人問題的解答，需符合特定知識接收者的需求，是典型的網(wǎng)絡(luò)利他行為。在此通過問題答復(fù)數(shù)測度在線學(xué)習(xí)者的利他信念強弱。

基于上述分析，提出以下假設(shè)：

H1a：在線學(xué)習(xí)者通過應(yīng)求型知識貢獻渠道進行的網(wǎng)絡(luò)利他行為對知識貢獻績效有負向影響。

H1b：在線學(xué)習(xí)者通過自發(fā)型知識貢獻渠道進行的自我效能展示對知識貢獻績效有正向影響。

（2）信息開放

信息披露是在在線學(xué)習(xí)過程中將個人信息呈現(xiàn)給他人的一種方式（Wheeless， et al.， 2010），在線學(xué)習(xí)者可以自主選擇個人信息披露水平以幫助他人了解自己所處的社會階層和個人特征。在線學(xué)習(xí)者資料越完善，其他在線學(xué)習(xí)者的信任感知會越強，從而其貢獻的知識越容易得到響應(yīng)，知識貢獻收益也會越高（Luo， et al.， 2013）。在此將在線學(xué)習(xí)者在性別、居住地、職業(yè)經(jīng)歷、教育經(jīng)歷和個人認證五個變量信息上的披露個數(shù)，按0～5表示信息披露度，進而測度信息開放水平。基于上述分析，提出以下假設(shè)：

H2：在線學(xué)習(xí)者在社會化問答社區(qū)內(nèi)身份信息的開放程度對知識貢獻績效有正向影響。

（3）互惠信念

根據(jù)互惠理論，組織中的知識獲取者在收到其他在線學(xué)習(xí)者反饋后會更加積極參與知識貢獻（Eberle， et al.， 2014）。當(dāng)初級社區(qū)在線學(xué)習(xí)者從社區(qū)獲得積極社會回應(yīng)，會減輕焦慮感，增強自我效能感與社區(qū)意識，產(chǎn)生回饋信念，從而進一步參與知識貢獻（Yilmaz， et al.， 2016）。在此通過在線學(xué)習(xí)者的提問被解答數(shù)測度其互惠信念強弱?；谏鲜龇治?，提出以下假設(shè)：

H3：在線學(xué)習(xí)者的互惠信念對知識貢獻績效有正向影響。

（4）社區(qū)歸屬感

社區(qū)感知反映了社區(qū)成員對社區(qū)建設(shè)和群體的心理感知和社會認同。會員身份有助于在線學(xué)習(xí)者虛擬社區(qū)成員感的形成，增強其社區(qū)歸屬感，進而顯著影響其社區(qū)行為（Chang， et al.， 2011）。周軍杰等（2012）研究發(fā)現(xiàn)會員/非會員的群體分化對虛擬社區(qū)用戶知識貢獻具有正向促進作用。在此通過在線學(xué)習(xí)者是否開通會員來測度社區(qū)歸屬感強弱?；谏鲜龇治觯岢鲆韵录僭O(shè)：

H4：在線學(xué)習(xí)者的社區(qū)歸屬感對知識貢獻績效有正向影響。

2. 在線學(xué)習(xí)社區(qū)交互特征對知識貢獻績效的影響

（1）社會學(xué)習(xí)

根據(jù)社會學(xué)習(xí)理論，在線學(xué)習(xí)者在與其他在線學(xué)習(xí)者互動交流過程中能夠進行技能學(xué)習(xí)。在線學(xué)習(xí)者自身知識水平越高且社會學(xué)習(xí)機會越多時，其知識貢獻也會越多（Jin， et al.， 2015）。在社會化問答社區(qū)中，在線學(xué)習(xí)者可以通過關(guān)注其他在線學(xué)習(xí)者來提升自身知識水平，社會學(xué)習(xí)越多貢獻知識的質(zhì)量也會越高，進而獲得較高收益。在此通過在線學(xué)習(xí)者關(guān)注的用戶數(shù)測度其社會學(xué)習(xí)水平?；谏鲜龇治?，提出以下假設(shè)：

H5：在線學(xué)習(xí)者在問答社區(qū)的社會學(xué)習(xí)行為對知識貢獻績效有正向影響。

（2）社會曝光

社會曝光的強度指在線學(xué)習(xí)者所貢獻的知識在其他學(xué)習(xí)者面前展示的次數(shù)，會影響社區(qū)的活躍度和其他在線學(xué)習(xí)者的參與行為。在社會化問答社區(qū)通過話題標(biāo)簽實現(xiàn)提問分類，問題標(biāo)簽數(shù)越多，一般問題的曝光范圍越大，進而提升在該問題下所有應(yīng)求回答的社會曝光度，刺激在線學(xué)習(xí)者的知識貢獻行為（王偉， 等， 2017）。添加微博話題標(biāo)簽可以促進在線學(xué)習(xí)者互動和信息傳播（Liu， et al.， 2013）。在此通過用戶前五獲贊數(shù)回復(fù)的話題標(biāo)簽數(shù)測度其獲得的社會曝光程度。

對于應(yīng)求型知識貢獻者而言，若其回復(fù)問題獲得社會曝光范圍越大，在該問題下所有的應(yīng)求知識被其他知識獲取者認可的概率也會越大。在該情況下，在線學(xué)習(xí)者就會越發(fā)慎重對待，進而提高知識貢獻績效?；谏鲜龇治?，提出以下假設(shè)：

H6a：在線學(xué)習(xí)者在問答社區(qū)內(nèi)貢獻知識獲得的社會曝光對知識貢獻績效有正向影響。

H6b：社會曝光對在線學(xué)習(xí)者在問答社區(qū)中的應(yīng)求知識貢獻行為具有調(diào)節(jié)作用。

3. 在線學(xué)習(xí)心理激勵特征對知識貢獻績效的影響

（1）身份地位激勵

在線學(xué)習(xí)者的形象或地位可以通過符號化獎勵形式體現(xiàn)，官方認可的符號化激勵有助于社區(qū)在線學(xué)習(xí)者知識分享頻率的提升。在獲得優(yōu)質(zhì)形象或高社會地位等激勵后，在線學(xué)習(xí)者會為了維持形象而貢獻高質(zhì)量知識。在此通過在線學(xué)習(xí)者是否獲得社區(qū)優(yōu)秀回答者認證來測度其獲得的身份地位激勵程度?；谏鲜龇治?，提出以下假設(shè)：

H7：在線學(xué)習(xí)者在問答社區(qū)獲得的身份地位激勵對知識貢獻績效有正向影響。

（2）社會比較壓力

由于知識信息的推薦機制，不同領(lǐng)域的知識貢獻者會各自形成圈子，在線學(xué)習(xí)者在貢獻之前可以瀏覽比較圈子內(nèi)其他在線學(xué)習(xí)者的貢獻內(nèi)容。在高社會比較的壓力下，在線學(xué)習(xí)者會慎重撰寫應(yīng)求知識貢獻內(nèi)容，以提高回復(fù)內(nèi)容被其他在線學(xué)習(xí)者認可的概率。在此通過在線學(xué)習(xí)者單條知識貢獻所收獲的最大評論數(shù)來測度其在社區(qū)中的最高知識貢獻水平，進而反映社會比較的影響?；谏鲜龇治?，提出以下假設(shè)：

H8a：在線學(xué)習(xí)者在問答社區(qū)面臨的社會比較壓力對知識貢獻績效有正向影響。

H8b：社會比較壓力對在線學(xué)習(xí)者在問答社區(qū)中的應(yīng)求知識貢獻行為具有調(diào)節(jié)作用。

綜上所述，本研究從現(xiàn)有社會化問答社區(qū)知識貢獻的研究視角出發(fā)，探索在線學(xué)習(xí)者特征、在線學(xué)習(xí)社區(qū)交互特征和在線學(xué)習(xí)心理激勵特征對在線學(xué)習(xí)者知識貢獻績效的影響。本研究的理論模型如圖1所示。

三、研究設(shè)計

本研究共爬取2020年1月熱門榜單下的4，826名知乎在線學(xué)習(xí)者在其主頁上的公開信息作為研究的橫截面數(shù)據(jù)。在剔除重復(fù)、異常和從未知識貢獻的在線學(xué)習(xí)者數(shù)據(jù)后，得到4，200名知乎在線學(xué)習(xí)者數(shù)據(jù)。

知識貢獻投入在此通過在線學(xué)習(xí)者的知識分享數(shù)量及提問數(shù)量兩個指標(biāo)衡量，知識貢獻收益在此通過在線學(xué)習(xí)者收獲的關(guān)注、贊同和收藏三個指標(biāo)衡量。根據(jù)確定的投入產(chǎn)出指標(biāo)，以單個在線學(xué)習(xí)者作為一個決策單元，利用DEAP 2.1 軟件對學(xué)習(xí)者研究樣本的知識貢獻相對效率進行分析，根據(jù)所確立的指標(biāo)體系和所獲得的原始數(shù)據(jù)，無須對數(shù)據(jù)進行量綱處理，將投入-產(chǎn)出相對應(yīng)的指標(biāo)數(shù)值輸入模型得到每位學(xué)習(xí)者的技術(shù)效率，以此衡量在線學(xué)習(xí)者的知識貢獻績效。

最終相關(guān)變量定義和描述性統(tǒng)計說明如表1所示。

由表1可知，專欄數(shù)、問題標(biāo)簽數(shù)的方差、偏度和峰度都較小，分布較為平均;文本字?jǐn)?shù)、回答數(shù)、提問數(shù)、關(guān)注在線學(xué)習(xí)者數(shù)和最大評論數(shù)等變量的方差較大，對這些變量取對數(shù)處理，以滿足回歸分析所需條件。自變量相關(guān)性檢驗結(jié)果如表2所示。

自變量之間相關(guān)性并不顯著，說明自變量選取比較合適，可以有效減輕回歸分析時的多重共線性問題。為了加強研究的嚴(yán)謹(jǐn)性，在實證部分進行VIF檢驗以加強結(jié)果的有效性。

最終構(gòu)建的模型如下：

Efficiencyi = β0 +β1 ln text_leng thi + β2 ln

answeri + β3 videoi + β4 thinkingi + β5 articlei+

β6 columni + β7 livei + β8 profilei + β9 ln aski+

β10 memberi + β11 ln followeei + β12 tagi +

β13 Authenticationi + β14 ln comment_maxi

（1）

Efficiencyi = β0 +β1 ln text_leng thi + β2 ln

answeri + β3 videoi + β4 thinkingi + β5 articlei+

β6 columni + β7 livei + β8 profilei + β9 ln aski+

β10 memberi + β11 ln followeei + β12 tagi +

β13 Authenticationi + β14 ln comment_maxi+

β15 tagi * ln answeri

（2）

Efficiencyi = β0 +β1 ln text_leng thi + β2 ln

answeri + β3 videoi + β4 thinkingi + β5 articlei+

β6 columni + β7 livei + β8 profilei + β9 ln aski+

β10 memberi + β11 ln followeei + β12 tagi +

β13 Authenticationi + β14 ln comment_maxi+

β15 ln comment_maxi * ln answeri

（3）

模型（1）中僅包含控制變量與自變量，模型（2）在模型（1）的基礎(chǔ)上加入了利他信念和社會曝光的交乘項，模型（3）中則加入了利他信念和社會比較的交乘項。

四、實證分析與討論

調(diào)用R語言nlme包中的gls（）函數(shù)對數(shù)據(jù)樣本進行回歸，回歸結(jié)果如表3所示。

通過數(shù)據(jù)分析可得，在模型（1）的估計結(jié)果中，文本字?jǐn)?shù)系數(shù)為正值且顯著。這一結(jié)果符合預(yù)期。就自變量而言，利他信念、自我效能、信息開放、社區(qū)歸屬、身份地位和社會比較等因素對知識貢獻績效具有顯著影響。回饋信念、社會學(xué)習(xí)、社會曝光對知識貢獻績效影響并不顯著。VIF均小于5，通過檢驗排除變量間的多重共線性干擾。具體分析如下：

1. 在線學(xué)習(xí)者特征與知識貢獻績效

在線學(xué)習(xí)者知識貢獻渠道分為應(yīng)求及自發(fā)貢獻渠道，分別對應(yīng)測度在線學(xué)習(xí)者的利他信念與自我效能?；卮饠?shù)（[β]=-0.003）負向影響顯著，H1a成立。可能的解釋是回答他人提問需考慮在線學(xué)習(xí)者的知識水平和學(xué)習(xí)能力;隨著在線學(xué)習(xí)者在社區(qū)內(nèi)知識參與的逐漸頻繁與深入，應(yīng)求知識貢獻會呈現(xiàn)出跨領(lǐng)域趨勢，造成知識質(zhì)量下降與貢獻數(shù)量減少，從而對知識貢獻績效具有負面作用。

自發(fā)型知識貢獻渠道影響顯著，但存在正負關(guān)系差異。其中，視頻渠道（[β]=0.001）、專欄渠道（[β]=0.015）和live渠道（[β]=0.010）為正向顯著影響。視頻渠道以視頻、音頻為載體，剪輯和制作成本較高。想法（[β]=-0.00004）、原創(chuàng)文章（[β]=-0.00002）兩類渠道為負向顯著影響。想法是類似微博的碎片式信息流社交化渠道，會導(dǎo)致知識質(zhì)量的下降。原創(chuàng)文章類似傳統(tǒng)社交媒體中的博客，很多企業(yè)營銷號通過該類方式營銷推廣拉低了知識質(zhì)量。綜上所述，H1b不成立。

信息開放的測度項信息披露度（[β]=0.005）對在線學(xué)習(xí)者知識貢獻績效的正向影響顯著，H2成立。說明清晰身份有益于建立良好的人際關(guān)系，在線學(xué)習(xí)者通過其他學(xué)習(xí)者的個人信息披露可以衡量其在線聲譽。在線學(xué)習(xí)者個人信息披露得越詳細，其聲譽收益也會越高。

互惠信念的測度項被解答提問（[β]=-0.003）對在線學(xué)習(xí)者知識貢獻績效的影響不顯著，H3不成立。其一是在線學(xué)習(xí)者在收到高質(zhì)量回復(fù)后，會對其之后的知識貢獻行為產(chǎn)生負面影響（Yan， et al.， 2017），導(dǎo)致在線學(xué)習(xí)者對自身專業(yè)技能的感知偏差，從而降低知識貢獻意愿。其二是高回饋信念的在線學(xué)習(xí)者會盲目提升自己的知識貢獻數(shù)量，使得知識貢獻投入過高，降低了其知識貢獻績效。

社區(qū)歸屬的測度項會員開通（[β]=0.021）對在線學(xué)習(xí)者知識貢獻績效的正向影響顯著，H4成立。對于中堅學(xué)習(xí)者而言，會員開通有助于提升在線學(xué)習(xí)者的社區(qū)體驗，刺激知識貢獻行為的增加（Wang， et al.， 2011），進而加深在線學(xué)習(xí)者與同伴之間的交互程度，使其更容易獲得其他在線學(xué)習(xí)者的點贊、收藏等收益。

2. 在線學(xué)習(xí)社區(qū)交互特征與知識貢獻績效

社會學(xué)習(xí)的測度項關(guān)注用戶數(shù)（[β]=0.085）正向影響不顯著，H5不成立?？赡艿慕忉屖顷P(guān)注用戶數(shù)的增多會導(dǎo)致在線學(xué)習(xí)者注意力焦點的改變。隨著社會學(xué)習(xí)的深入，在線學(xué)習(xí)者注意力焦點轉(zhuǎn)移到其他在線學(xué)習(xí)者的貢獻知識上，時間精力受到限制（Shen， et al.， 2015），進而減少知識貢獻數(shù)量造成效率的降低。

社會曝光的測度項問題標(biāo)簽（[β]=0.0003）不顯著，H6a不成立?？赡艿脑蚴歉鶕?jù)旁觀者效應(yīng)，在現(xiàn)場旁觀者的數(shù)量會對親社會行為造成影響。在線學(xué)習(xí)者作為理性人，在面對高曝光度問題時其知識貢獻意愿會降低。此外，在曝光度較高的問題下，參與知識貢獻的學(xué)習(xí)者數(shù)量較多，對學(xué)習(xí)者而言其在高曝光度問題下的應(yīng)求型知識貢獻收益會降低。

3. 在線學(xué)習(xí)心理激勵特征與知識貢獻績效

身份地位的測度項優(yōu)秀回答者認證（[β]=0.016）顯著，H7成立?？赡艿脑蛉缦拢浩湟患磦€人形象危害風(fēng)險的提高。當(dāng)在線學(xué)習(xí)者受到身份認同的激勵后，其受到社區(qū)行為規(guī)范的約束也會增多，為了避免形象受到傷害，在線學(xué)習(xí)者會選擇減少回答非專業(yè)領(lǐng)域的問題，進一步把控知識貢獻質(zhì)量，造成知識貢獻收益的提升。其二根據(jù)馬太效應(yīng)，在線學(xué)習(xí)者在社區(qū)中的影響力越大，獲得社區(qū)流量扶持資源就會越多，投入回報比會處于偏高狀態(tài)。所以身份地位會對知識貢獻績效的提升造成顯著影響。

社會比較的測度項最大評論數(shù)（[β]=0.027）顯著，H8a成立。社會化問答社區(qū)中的知識貢獻機制類似眾包模式，已有知識貢獻被認可程度越高，在線學(xué)習(xí)者面臨比較的壓力越大，在線學(xué)習(xí)者對相應(yīng)問題繼續(xù)回答的熱情就會降低。

4. 社會曝光及社會比較對利他信念與知識貢獻績效關(guān)系的調(diào)節(jié)效應(yīng)

模型（2）中加入了利他信念及社會曝光的交乘項，但模型（1）中社會曝光并不顯著，且VIF并未通過檢驗，說明社會曝光對在線學(xué)習(xí)者的利他行為并未起到調(diào)節(jié)作用，H6b不成立。高問題曝光度雖能提高在線學(xué)習(xí)者的應(yīng)求知識貢獻數(shù)量及被推送概率，但對貢獻知識質(zhì)量要求也會提升，因此并不能顯著影響知識貢獻績效。

模型（3）中加入了利他信念及社會比較的交乘項，相關(guān)系數(shù)（[β]=-0.003）為負向關(guān)系且顯著，并且VIF通過檢驗，說明社會比較對在線學(xué)習(xí)者的利他信念具有調(diào)節(jié)作用，H8b成立。社區(qū)內(nèi)存在諸多初級在線學(xué)習(xí)者，在進行應(yīng)求知識貢獻時會考慮問題與自身水平的匹配程度，更加看重其他在線學(xué)習(xí)者的知識貢獻質(zhì)量。在此將社會比較變量分成高、低兩組（以M±1個SD為標(biāo)準(zhǔn)）進行簡單斜率檢驗，如圖2所示。

結(jié)果顯示：在在線學(xué)習(xí)者社區(qū)地位較低的情況下，利他信念對在線學(xué)習(xí)者知識貢獻績效的負向影響效應(yīng)顯著（β=-0.001，t=-0.019，p=0.000）;在在線學(xué)習(xí)者社區(qū)地位較高的情況下，利他信念對在線學(xué)習(xí)者知識貢獻績效的負向影響效應(yīng)顯著（β=-0.003，t=-0.170，p=0.000），斜率上升，即利他信念對知識貢獻績效的負向影響會隨著社會比較的增加而增強。

五、結(jié)論與啟示

（一）研究結(jié)論

本研究首先參照虛擬社區(qū)中知識交流效率和知識貢獻度評估方法，構(gòu)建了個體在線學(xué)習(xí)者“知識貢獻-聲譽收益”的投入產(chǎn)出指標(biāo)體系，運用DEA方法測算在線學(xué)習(xí)者的知識貢獻績效。其次通過GLM模型分析在線學(xué)習(xí)者的利他信念、自我效能、信息開放、互惠信念、社區(qū)歸屬、社會學(xué)習(xí)、社會曝光、身份地位和社會比較9個細化因素對知識貢獻績效造成的影響。最后探討社會曝光及社會比較與利他信念間可能存在的交互調(diào)節(jié)效應(yīng)。研究結(jié)果表明：

第一，多數(shù)在線學(xué)習(xí)者的知識貢獻都很難獲得相匹配的收益，無法及時獲得知識貢獻反饋會阻礙在線學(xué)習(xí)者知識貢獻熱情，這與虛擬社區(qū)典型的用戶貢獻率“90-9-1”現(xiàn)象相一致。

第二，信息開放、社區(qū)歸屬、身份地位及社會比較會對在線學(xué)習(xí)者的知識貢獻績效產(chǎn)生顯著正面影響，利他信念會產(chǎn)生顯著負面影響。這與比格斯的3P學(xué)習(xí)分析模型相一致，即學(xué)習(xí)者個性特征及學(xué)習(xí)動機均會對學(xué)習(xí)過程及結(jié)果產(chǎn)生影響（胡小勇， 等， 2020）。出乎意料的是社區(qū)交互特征均不顯著，這表明雖然學(xué)習(xí)者與人/信息的尋徑交互能夠影響學(xué)習(xí)者的認知投入度（王志軍， 等， 2015），但并不能顯著提升其聲譽收益。

第三，不同的自發(fā)知識貢獻渠道會對優(yōu)質(zhì)知識貢獻產(chǎn)生不同效果?！八槠薄吧缃换鼻啦⒉焕谥R貢獻績效的提升，而“知識+視頻”輕形態(tài)渠道或“專欄”特色渠道更加利于在線學(xué)習(xí)者的自我效能展示。

第四，應(yīng)求貢獻渠道對在線學(xué)習(xí)者知識貢獻績效呈負向影響，但該影響可被在線學(xué)習(xí)者所處的圈子環(huán)境氛圍所調(diào)節(jié)，當(dāng)回復(fù)相同領(lǐng)域問題的在線學(xué)習(xí)者越多時，利他信念對在線學(xué)習(xí)者知識貢獻績效的負向影響也會越強。

（二）策略與建議

1. 優(yōu)化知識分發(fā)推薦機制

提高在線學(xué)習(xí)者與知識的匹配速度及精度，降低在線學(xué)習(xí)者的知識搜尋成本。社區(qū)應(yīng)積極調(diào)配流量鼓勵新學(xué)習(xí)者，減輕流量大V的馬太效應(yīng)，同時加強與知識生產(chǎn)者的合作，打磨精品教育課程，使在線學(xué)習(xí)者更快捷高效地獲取優(yōu)質(zhì)知識，進而加速社區(qū)優(yōu)質(zhì)知識流動和內(nèi)容傳播。同時，社區(qū)可以與慕課等主流在線教育平臺相互合作，對熱門問題采用鏈接、推送的方式為在線學(xué)習(xí)者牽線搭橋，通過“社會化問答+在線教育”多平臺聯(lián)動模式加深在線學(xué)習(xí)者對知識的理解，減少雙方共同解決問題所需要的時間精力，降低信息壁壘。

2. 打造PGC“知識+”多元化學(xué)習(xí)矩陣

隨著在線教學(xué)技術(shù)與實踐的快速發(fā)展，大規(guī)模在線課程、直播互動學(xué)習(xí)和混合式教學(xué)等在線學(xué)習(xí)模式與課程形態(tài)不斷涌現(xiàn)（李爽， 等， 2020）。“知識+視頻”“知識+直播”等輕形態(tài)渠道更加有助于在線學(xué)習(xí)者學(xué)習(xí)效果提升。社區(qū)也應(yīng)強調(diào)內(nèi)容的優(yōu)質(zhì)專業(yè)（professional generated content，PGC），加強與優(yōu)秀知乎回答者、專家學(xué)者及各領(lǐng)域達人的通力合作，打造包括通識知識、專業(yè)知識和興趣愛好三大類別的學(xué)習(xí)矩陣，為不同知識內(nèi)容或在線學(xué)習(xí)者適配諸如啟發(fā)式、互動式等不同教學(xué)形態(tài)。

3. 完善知識質(zhì)量評價和學(xué)習(xí)反饋體系

社區(qū)在線學(xué)習(xí)者間的及時反饋、相互關(guān)注有利于形成積極的學(xué)習(xí)氛圍和正向的自我行為期待（馬婧， 2020），從而形成良性循環(huán)，提高社區(qū)整體知識質(zhì)量。社區(qū)可以提高學(xué)習(xí)反饋粒度，例如允許學(xué)習(xí)者對每條知識內(nèi)容觀點進行批注或討論等，根據(jù)評價結(jié)果給予在線學(xué)習(xí)者相關(guān)權(quán)限、等級和認證。社區(qū)也可以建立問題評價機制，對現(xiàn)有知識庫進行審核，折疊和刪除低質(zhì)量問題，引導(dǎo)在線學(xué)習(xí)者進行專業(yè)問答/回復(fù)和自主學(xué)習(xí)討論，全面提升在線學(xué)習(xí)者在開放式知識分享社區(qū)中的學(xué)習(xí)投入水平。

（三）研究局限與展望

本研究存在幾方面的局限和不足。其一，研究對象為社會化問答社區(qū)內(nèi)有知識貢獻的在線學(xué)習(xí)群體，實際上問答社區(qū)中還有未進行過知識貢獻的潛水型在線學(xué)習(xí)者。其二，計算知識貢獻績效時可以考慮時間成本和物質(zhì)收益，同時可以采用層次分析法和德爾菲法評判在線學(xué)習(xí)者的知識貢獻績效。其三，本研究采用真實在線學(xué)習(xí)者數(shù)據(jù)探討細化因素，未來可以探索諸如制度規(guī)范等社區(qū)環(huán)境層面和在線學(xué)習(xí)者愉悅感等心理層面的細化因素影響。

[參考文獻]

包昊罡，邢爽，李艷燕，等. 2019. 在線協(xié)作學(xué)習(xí)中面向教師的可視化學(xué)習(xí)分析工具設(shè)計與應(yīng)用研究[J]. 中國遠程教育（6）：13-21，92-93.

胡小勇，徐歡云，陳澤璇. 2020. 學(xué)習(xí)者信息素養(yǎng)、在線學(xué)習(xí)投入及學(xué)習(xí)績效關(guān)系的實證研究[J]. 中國電化教育（3）：77-84.

李海峰，王煒. 2020. 在線問答學(xué)習(xí)社區(qū)的群體知識貢獻影響因素——基于WebGIS知乎學(xué)習(xí)社區(qū)的功能模塊分析[J]. 開放教育研究，26（1）：111-120.

李爽，鐘瑤. 2020. 在線教師教學(xué)投入對學(xué)生學(xué)習(xí)績效的影響——基于教師和學(xué)生的視角[J]. 開放教育研究，26（3）：99-110.

李艷燕，彭禹，康佳，等. 2020. 在線協(xié)作學(xué)習(xí)中小組學(xué)習(xí)投入的分析模型構(gòu)建及應(yīng)用[J]. 中國遠程教育（2）：40-48，77.

馬婧. 2020. 混合教學(xué)環(huán)境下大學(xué)生學(xué)習(xí)投入影響機制研究——教學(xué)行為的視角[J]. 中國遠程教育（2）：57-67.

武法提，張琪. 2018. 學(xué)習(xí)行為投入：定義、分析框架與理論模型[J]. 中國電化教育（1）：35-41.

吳佳玲. 2019. 虛擬學(xué)術(shù)社區(qū)知識交流效率研究[D]. 綿陽：西南科技大學(xué).

王偉，冀宇強，王洪偉，等. 2017. 中文問答社區(qū)答案質(zhì)量的評價研究：以知乎為例[J]. 圖書情報工作，61（22）：36-44.

王志軍，陳麗. 2015. 聯(lián)通主義學(xué)習(xí)的教學(xué)交互理論模型建構(gòu)研究[J]. 開放教育研究，21（5）：25-34.

楊瑞仙，權(quán)明喆，武亞倩，等. 2018. 學(xué)術(shù)虛擬社區(qū)科研人員知識交流效率感知調(diào)查研究[J]. 圖書與情報（6）：72-83.

楊瑞仙，黃書瑞，王元鋒. 2020. 基于三階段DEA模型的在線健康社區(qū)知識交流效率評價研究[J]. 情報理論與實踐，43（10）：122-129.

周軍杰，左美云. 2012. 線上線下互動、群體分化與知識共享的關(guān)系研究——基于虛擬社區(qū)的實證分析[J]. 中國管理科學(xué)，20（6）：185-192.

宗乾進，呂鑫，袁勤儉，等. 2014. 學(xué)術(shù)博客的知識交流效果評價研究[J]. 情報科學(xué)，32（12）：72-76.

翟興，陳超，王鴻蘊. 2020. 信息素養(yǎng)對大學(xué)生網(wǎng)絡(luò)學(xué)習(xí)投入的影響研究——以新冠疫情期間的大規(guī)模、長周期網(wǎng)絡(luò)教學(xué)為例[J]. 現(xiàn)代教育技術(shù)，30（10）：98-104.

鄭顯亮，顧海根. 2012. 國內(nèi)外網(wǎng)絡(luò)利他行為研究述評[J]. 外國中小學(xué)教育（4）：19-23.

Chang， H. H.， &Chuang， S.S. （2011）. Social capital and individual motivations on knowledge sharing： participant involvement as a moderator. Information & Management，48（1），9-18.

Eberle， J.， Stegmann， K.， &Fischer， F.， et al. （2014）. Legitimate Peripheral Participation in Communities of Practice： Participation Support Structures for Newcomers in Faculty Student Councils. The Journal of the Learning Sciences，23（2），216-244.

Guan， T.， Wang，L.， &Jin， J.， et al. （2018）. Knowledge contribution behavior in online Q&A communities： An empirical investigation. Computers in Human Behavior， 137-147.

Jin， J.， Li， Y.， &Zhong， X.， et al. （2015）. Why users contribute knowledge to online communities： An empirical study of an online social Q&A community. Information & Management，52（7），840-849.

Lin， H.F. （2007）. Effects of Extrinsic and Intrinsic Motivation on Employee Knowledge Sharing Intentions. Journal of Information Science，33（2），135-149.

Liu， Z.， & Jansen， B. J. （2013）. Factors Influencing the Response Rate in Social Question and Answering Behavior. Conference on Computer Supported Cooperative Work，1263-1274.

Luo， C.， Luo， X.， & Schatzberg， L.， et al. （2013）. Impact of informational factors on online recommendation credibility： The moderating role of source credibility. Decision Support Systems，56（1），92-102.

Shen， W.， Hu， Y， J.， & Ulmer， J， R. et al. （2015）. Competing for attention： an empirical study of online reviewers’ strategic behavior. Management Information Systems Quarterly， 39（3）， 683-696.

Teng， J. T.， & Song， S. （2011）. An exploratory examination of knowledge- sharing behaviors： Solicited and voluntary. Journal of Knowledge Management， 15（1）， 104-117.

Wang， W. T.， & Wei， Z. （2011）. Knowledge sharing in wiki communities： an empirical study. Online Information Review，35（5），799-820.

Wheeless， L. R. （2010）. A follow-up study of the relationships among trust， disclosure， and interpersonal solidarity. Human Communication Research，4（2），143-157.

Xia， M.， Huang. Y.， & Duan， W.， et al. （2012）. Research Note---To Continue Sharing or Not to Continue Sharing？ An Empirical Analysis of User Decision in Peer-to-Peer Sharing Networks. Information Systems Research， 23（1）， 247-259.

Yan， B.， &Jian， L. （2017）. Beyond reciprocity： The bystander effect of knowledge response in online knowledge communities. Computers in Human Behavior， 9-18.

Yilmaz， R. （2016）. Knowledge sharing behaviors in e-learning community： Exploring the role of academic self-efficacy and sense of community. Computers in Human Behavior，63，373-382 .

收稿日期：2020-08-28

定稿日期：2020-11-24

作者簡介：崔智斌，碩士研究生，中央財經(jīng)大學(xué)信息學(xué)院（102206）。

涂艷，本文通訊作者，博士，教授，博士生導(dǎo)師，中央財經(jīng)大學(xué)信息學(xué)院（102206）。

責(zé)任編輯 張志禎 劉 莉