社交媒体知识协作网络中的明星效应和经纪人效应*——来自Wikipedia社交媒体的发现
张永云, ORCID: 0000-0001-9739-6336, E-mail: [email protected]。
张永云,提出研究思路,设计研究方案采集、清洗和分析数据.张永云,张生太,论文起草及最终版本修订。
基金:
*本文系国家自然科学基金面上项目“组织的隐性知识传播模型研究”(项目编号:70871072)、国家UIT项目“基于移动商务的定位服务理论与应用研究”(项目编号:201310109003)和国家软科学计划项目“国际人才资源开发与管理政策研究”(项目编号:2011GXS5K098)的研究成果之一Star Effect and Broker Effect in Social Media Knowledge Collaboration Network Discovery from Wikipedia Social Media
Keyword:Social media knowledge collaboration network;Star nodes;Broker nodes;Fan group collaboration scale;Knowledge dissemination effect
1 引言
传统的知识协作网络指各知识主体相互联系、相互作用形成的网络, 主体通过建立各种协作关系推动知识的共享和利用, 促进知识的增值和创新[1], 相关研究表明, 处于网络中心位置的明星主体能够获得丰富的知识资源, 创新效果较网络边缘主体有明显提升; 另外, 一些主体频繁往来于不同网络间的知识活动, 充当着网络经纪人角色, 有机会获取更广泛的优势资源, 知识的利用效果较好[2, 3]。
随着近年来网络的普及, 社交媒体成为知识传播的重要渠道, 知识生成方式由传统的专家生成方式向用户协作生成方式转变, 使得广大网络用户能自由创造、交互和整合生成内容。另外, 得益于社交媒体网络在提升电子市场需求和产品销售方面的显著作用[4, 5], 部分社交媒体开始从网络角度对知识的组织和利用进行探索, Wikipedia将旗下数以万计的零散知识个体通过超链接的方式组建知识协作网络来提高知识个体的开发和利用程度[6]。虽然学者们已经意识到这一知识组织方式的重要性, 但关于组织方式的有效性和关键驱动要素的研究甚少。
基于这一现实问题和理论现状, 本文在相关理论研究的基础上, 试图解决以下两个问题:
(1) 与传统知识协作网络相比, 社交媒体所采用的知识协作网络是否能够同样提高知识个体的传播效果。
(2) 社交媒体中的知识协作网络是否和传统的知识协作网络一样, 也存在明星节点效应和经纪人节点效应, 如果存在, 它的作用途径和作用机制分别是什么。
本文的研究可以为社交媒体知识协作网络的发展提供理论依据, 也可以为今后社交媒体知识传播的思路提供借鉴。
2 理论框架与研究假设
2.1 Wikipedia知识协作网络的构建及其特征
传统的知识协作网络是以人或企业为主体的网络, 企业或个体彼此合作, 形成协作网络G=(V, E)[7]。如图1所示, 网络中的节点为协作者(V), 每个协作者拥有多个知识节点, 相互协作中形成的关系称为边(E), 知识节点随着协作的开展结合或重组, 从而完成知识的再创造[8]。
与传统的知识协作网络不同, 新近兴起的社交媒体的发展改变了个体协作和知识传播的方式, 使得知识从“ 传播” 变成了“ 对话” , 普通个体既是知识的消费者, 又可能是知识的创造者[9], 这一特征使得社交媒体充当了公共知识库的角色, 王开明等[10]认为这种“ 显性知识发送者— 公共知识库— 接受者” 的转移模式可以克服传统的“ 人— 人” 转移模式中对知识转移中时间和地域的限制。
Wikipedia 网络是由大量的百科知识单元组成的知识集合, 被广泛应用于社交媒体开放式知识传播的研究[11, 12, 13]。根据社会网络理论, 每个知识代表网络节点(V), 知识与知识间的推荐链接作为网络中的边(E), 如果考虑知识节点之间的链接方向, 此时的Wikipedia就形成了有众多节点和边构成的有向知识网络G=(V, E), 如图2所示。网络中的节点V为知识单元, 每个知识单元由多个协作者共同协作完成。
2.2 社交媒体知识传播中的明星节点效应和经纪人节点效应
明星指在不同领域出名的人。将这一概念引入到知识协作网络中, 明星节点即指处于网络中心, 受关注度高的节点。经纪人指介绍买卖双方交易以获取佣金的中间商人, 将这一概念引入到知识协作网络中, 经纪人节点即指与两个互无关联的节点都亲密的节点。
(1) 在线知识协作网络中的明星效应
社会资本理论认为, 网络节点的价值取决于这个节点在网络中所处的中心位置[14]。传统知识协作中, 相对于网络边缘的主体, 处于网络中心位置的明星主体, 其知识搜索和知识转移等相关行为更有效率[2]。
社交媒体知识协作中, 处于知识网络中心位置的明星节点, 拥有较多的推荐链接, 被搜索到的机会要相对大于网络边缘的节点。另外, 当有新的知识单元出现时, 倾向于与拥有较多中心度的知识节点结合。因此, 网络中心位置的明星节点其知识链接潜能较高[8]。
相比之下, 处于网络边缘的知识单元, 一方面由于拥有较少的知识链接, 造成了链接产生的传播效应大大降低; 另一方面, 处于网络边缘的知识单元其链接潜能低, 未来提高其中心度的机会少, 因此其传播效果较网络中心位置的明星节点要差。
基于以上相关研究, 本文作出如下假设:
H1: 社交媒体知识协作网络中, 相对于网络边缘的知识单元, 处于网络中心位置的明星知识单元其传播效果较好。
(2) 在线知识协作网络中的经纪人效应
结构洞指网络中某些个体和部分个体发生直接联系, 但与其他个体不发生直接联系或关系间断, 从而造成网络中出现洞穴[15]。Burt[15]的研究表明结构洞在企业知识价值和网络权利运作的过程中起到了重要作用。Uzzi[16]的研究表明, 如果自我与彼此不相连的个体存在链接, 这种链接对自我是有利的。
社交媒体知识协作网络中, 拥有较多结构洞的经纪人节点, 嵌入在几个彼此不相连的知识网络中, 受益于每个知识网络的链接效应, 带动了本知识单元在更广范围内的传播。Wang等[8]的研究结果表明, 知识协作网络中结构洞较为丰富的经纪人节点倾向于与新的知识单元结合, 从而被利用的机会更高。相比之下, 拥有较少结构洞的知识个体, 知识单元的流动性相对较差, 传播效果也因此较差。
基于以上相关研究, 本文作出如下假设:
H2: 社交媒体知识协作网络中, 拥有较多结构洞的经纪人知识单元, 其传播效果较好。
2.3 在线知识协作网络中的粉丝传播效应
粉丝是指崇拜明星的一些人或群体, 研究表明: 群体粉丝的持续崇拜行为可带来明星社会关注度的持续提升。
将粉丝概念引入到在线知识协作网络中, 某些明星节点周围会聚集大量的网络用户协作群体, 处于网络中心位置的明星节点或拥有较多结构洞的经纪人节点, 其获得群体参与的机会越多, 获取或贡献知识的能力越强[17]。Phang等[18]的研究表明网络的中心度和结构洞对社交媒体粉丝群体协作规模均具有显著的促进作用。
在Wikipedia知识协作平台中, 个体通过知识链接进行相关知识的编辑工作, 处于网络中心位置的明星节点, 一方面频繁地接收到其他知识单元的推荐链接, 由链接带来的协作效应相对较强; 另一方面受其中心枢纽角色的影响, 对协作资源的获取和控制能力较高, 更容易受到关注。而拥有较多结构洞的经纪人节点, 知识的探索能力和结合能力较强, 会更多地受到来自不同网络协作者的关注, 群体协作机会也相应增加。
根据以上相关研究, 本文提出以下假设:
H3: 社交媒体知识协作网络中, 相比于网络边缘知识节点, 处于中间位置的明星知识单元的粉丝效应明显, 能获得更多的群体协作机会。
H4: 社交媒体知识协作网络中, 拥有较多结构洞的经纪人知识单元, 能获得更多的群体协作机会。
2.4 社交媒体知识传播中的粉丝媒介效应
根据媒介丰富理论, 社交媒体知识单元越丰富和越多样化, 相关知识单元的访问量越大。社交媒体的知识协作网络一方面引导粉丝群体参与到更大范围的知识协作中; 另一方面这种网络结构极大地丰富了社交媒体中不同知识单元之间的相互沟通, 从而促进了更广范围内知识的传播。因此, 社交媒体中的知识传播很大程度上同时依赖于知识协作网络中知识单元的位置和社交媒体粉丝群体协作规模。
根据以上相关理论, 本文作出如下假设:
H5(a): 社交媒体知识协作网络中, 社交媒体粉丝协作规模在明星节点和知识传播中起中介作用。
H5(b): 社交媒体知识协作网络中, 社交媒体粉丝协作规模在经纪人节点和知识传播中起中介作用。
综合以上因素和研究假设, 本研究提出社交媒体中知识协作网络明星节点、经纪人节点及粉丝群体协作规模对知识传播效果的影响概念图, 如图3所示:
3 研究方案及研究方法
3.1 数据收集
选取Wikipedia生物科学知识网络作为研究对象, 因为生物科学知识网络外界环境影响较小, 能够充分研究网络节点角色和粉丝群体协作规模在知识传播中的效果。笔者采用提名生成法[19], 将生物科学知识单元在Wikipedia平台中检索[20], 根据提名链接提取知识点, 去除稀疏知识节点, 最终获取197个知识单元。
3.2 变量与测量
将相关知识单元在Wikipedia中进行检索, 并根据链接关系进行0-1 编码, 0代表知识单元间无合作关系, 1 代表知识单元间存在合作关系。经编码得到一个197× 197的0-1矩阵。运用UCINET 6.214 软件计算各个知识单元的网络位置指标。
(1) 明星节点测量
中心度指标用来衡量个体在网络中的重要程度, 从而考察其充当明星节点的程度[14], 常见的衡量指标包括程度中心度、接近中心度和中介中心度[18], 本研究结合这三个指标的侧重点, 利用主成分分析法抽取出一个公共因子来衡量知识单元的中心度。结果显示, 抽取的公共因子解释总变异量达92.26%, 表明用其衡量知识单元中心度是合适的。
(2) 经纪人节点测量
结构洞衡量个体之间的非冗余联系, 反映个体获利的空间[15], 也考察其充当网络经纪人节点的程度。衡量结构洞的指标包括有效规模、效率、限制度和等级度, 常用1与“ 限制度” 的差来衡量结构洞丰富程度[21, 22]。本研究沿用这一方法衡量知识单元结构洞的丰富程度。
(3) 社交媒体粉丝群体协作规模
在各种社交媒体中, 政府、企业通常倾向于发布新闻或信息来参与知识传播, 而网民通常以发帖或评论的形式发表观点参与知识传播, 在Wikipedia中, 数量众多的网民通过参与协作形成丰富的知识总资产[12]。于是, 本文使用Wikipedia中相关知识单元的参与协作人数衡量社交媒体粉丝群体协作规模。
(4) 知识传播
Singh[23]的研究证明, 可以利用专利引用数据测量两个专利发明者之间知识的流动。Bendersky等[24]采用文献的引用衡量知识在更广领域内传播的程度。Chiu等[25]提出用文章浏览次数衡量知识共享次数更具有科学性。本研究采用Wikipedia中知识单元的浏览次数作为知识传播效果的衡量指标。
(5) 控制变量
①知识单元年龄(time)。相关研究指出, 知识单元时间
积累效应影响产出[26]。本文参照文献[26]的做法, 通过计算2013年(数据采集年)与知识单元首次出现的年份的差来衡量知识单元年龄。
②知识单元的出度。度是刻画知识单元节点属性最简单的概念, 包括出度(otd)和入度(ind), 本研究中涉及的网络角色基于入度考虑, 而相关研究得出, 知识单元所拥有的出度会影响其传播效果[8]。
3.3 模型构建
(1) 根据对前期相关文献的分析, 本研究期望知识单元的中心度(deg)和结构洞(hol)能对知识传播规模(Bro)起到积极的影响作用。因此, 建立回归方程, 如公式(1)和公式(2)所示, 其中, 回归系数 表示变量间的影响程度。同时, 为了减少偏度, 对知识传播规模(Bro)进行对数化处理。公式(1)为控制变量对知识传播的影响。
LnBro=β 00+β 01 time +β 02 otd+e1(1)
LnBro=β 10 +β 11 time +β 12 otd+β 1 deg +β 2 hol +e2(2)
(2) 本文期望粉丝群体协作规模(peo)能在明星节点、经纪人节点和知识传播间起到显著的中介效应。因此, 建立回归方程, 描述了粉丝群体协作规模对知识传播效果的中介效应的回归分析过程, 如公式(3)至公式(5)所示, 同上, α ij表示变量间的影响程度。为了减少偏度, 对粉丝群体协作规模(peo)进行对数化处理。其中公式(3)为控制变量对粉丝群体协作规模的影响。
Lnpeo=α 00 +α 01time +α 02 otd+e3(3)
Lnpeo=α 10 +α 11 time + α 12 otd+α 1 deg + α 2 hol + e4(4)
LnBro=β 30 + β 31 time + β 32 otd+β 3 deg + β 4 hol +δ 1 Lnpeo + e5(5)
4 假设检验与分析
为了验证模型及相关假设, 本文应用SPSS 20.0 统计软件进行相关分析和回归分析, 其中表1为Wikipedia知识协作网络中各研究变量的均值、标准差和相关系数。
表1 各变量均值、标准差和相关系数为了验证H1-H5, 根据公式(1)至公式(5), 分别建立5组回归模型(如表2所示), 模型1检验知识单元年龄、知识单元出度控制变量与知识传播效果的关系; 模型2检验明星节点(中心度)、经纪人节点(结构洞)与知识传播效果的关系; 模型3检验知识单元年龄、知识单元度控制变量对社交媒体粉丝群体协作规模的影响; 模型4检验明星节点(中心度)、经纪人节点(结构洞)与社交媒体粉丝群体协作规模之间的关系; 模型5在前4个模型的基础上, 进一步检验社交媒体群体协作规模在明星节点、经纪人节点与知识传播之间的中介作用。
表2 各变量回归分析如表2所示, 模型1和模型3结果表明, 控制变量中, 知识节点年龄对其粉丝群体协作规模和传播效果有显著的影响, 存在时间长的知识单元其粉丝群体协作规模更大, 传播效果更好; 知识节点的出度对其粉丝群体协作规模和传播效果影响不显著。模型2的结果表明, 在Wikipedia知识协作网络中, 中心度对各知识单元传播效果的标准回归系数为0.551(P< 0.01), 意味着中心度对知识传播具有显著的正向影响, 处于社交媒体中心位置的明星节点, 其知识传播效果要明显强于处于网络边缘的知识单元, 节点中心度每增加一个单位, 其传播效果会相应增加1.73个单位。从而H1得到验证。结构洞对各知识单元传播效果的标准回归系数为0.198(P< 0.01), 说明在社交媒体中, 拥有较多结构洞的经纪人节点其知识传播效果更好, 节点多拥有一个结构洞, 其知识传播效果将提升1.219。从而H2得到验证。综合上述假设检验可知, 社交媒体的知识协作网络和传统知识协作网络虽然在网络构成上有所差异, 但是网络运行的机理呈现出相同的趋势。在传统知识协作网络中对于知识传播起优势效应的网络节点属性, 在以知识为协作主体的社交媒体知识协作网络中仍然发挥着重要的作用。
模型4的结果表明, 中心度对粉丝群体协作规模的标准回归系数为0.305(P< 0.05)意味着明星节点对社交媒体粉丝的参与规模具有显著的正向影响, 每单位中心度的增加将会带来1.357倍媒体成员的广泛参与, 因此H3得到验证。另外, 结构洞对粉丝群体协作规模的标准回归系数为0.197(P< 0.05), 意味着经纪人节点对社交媒体粉丝群体协作规模具有显著的正向影响, 知识单元多拥有一个结构洞, 其社交媒体粉丝群体协作规模将提升1.212。因此H4得到了验证。
模型5结果表明, 引入社交媒体粉丝群体协作规模后, 中心度对知识传播的标准回归系数由0.551 (P< 0.001)下降到0.190(P< 0.05), 结构洞对知识传播的标准回归系数由0.198(P< 0.001)下降到0.189(P< 0.05), 但中心度和结构洞指标效果仍然显著, 结果表明, 网络明星节点、经纪人节点对知识传播的影响部分是通过社交媒体粉丝群体协作规模实现的, 即说明社交媒体粉丝群体协作规模在网络明星知识单元、经纪人知识单元和知识传播效果之间起到了部分中介作用, 因而H5(a)和H5(b)得到验证。综合上述假设检验可知, 社交媒体粉丝群体协作规模在知识传播中的中介作用明显, 社交媒体可以充分利用位置优势直接促进相关知识的传播效果, 也可以通过各种措施吸引粉丝群体参与协作来实现目标。
5 结语
从目前的研究来看, 社交媒体已经成为群体知识创造的最佳途径。网络特征在社交媒体知识协作中的作用凸显, 本文通过构建社交媒体中的知识协作网络, 考察网络中的明星节点和经纪人节点对知识传播的影响, 提出并验证了社交媒体中知识协作网络的有用性和可用性。社交媒体可以充分利用不同知识单元的网络位置优势提升其传播效果, 经实证证明是一种有效的知识组织模式, Wikipedia目前正是利用这种组织方式进行开放式知识的创造及传播。
本研究也存在以下不足:
(1) 采用的粉丝群体协作规模和知识传播效果相关指标是一个月内的平均日数据, 未考虑动态时间因素。
(2) 采样的是生物科学领域部分知识节点, 从整体网角度来看, 界限选取和学科分类的不同是否会影响研究结果还有待进一步分析。
参考文献
[1]张宝生, 张庆普, 王晓红.(Zhang Baosheng, Zhang Qingpu, Wang Xiaohong.
(Wu Fuxiang, Jiang Tianying, Sun Wei.
(Wang Tao, Ren Ruifang, Zeng Gang.
(Lei Xue, Jiao Yuying, Lu Quan, et al. Investigation on Knowledge Sharing Behavior of Wiki Community Based on the Social Cognitive Theory[J]. New Technology of Library and Information Service, 2008(2): 30-34. )[本文引用:1][7]Nerkar A, Paruchuri S.
(Wang Kaiming, Wan Junkang.
(Chen Zhenbiao, Wang Lingyan, Zhao Xuyao, et al. Application of Knowledge-sharing Based on Wikipedia——Take the Academic Topics of Graduate Education as an Example[J]. New Technology of Library and Information Service, 2009(11): 93-97. )[本文引用:1][14]汪小帆, 李翔, 陈关荣. 网络科学导论[M].
北京:
高等教育出版社, 2012.
(Wang Xiaofan, Li Xiang, Chen Guanrong. Network Science: An Introduction [M].
Beijing:
Higher Education Press, 2012. )[本文引用:2][15]Burt R S. Structural Holes: The Social Structure of Competition [M].
Cambridge,
MA, USA: Harvard University Press, 1992.[本文引用:3][16]Uzzi B.
(Tian Wen.
Systems, 2006, 42(3): 1872-1888.[本文引用:1][26]钱锡红, 杨永福, 徐万里. 企业网络位置、吸收能力与创新绩效——一个交互效应模型[J]. 管理世界, 2010(5): 118-129.
(Qian Xihong, Yang Yongfu, Xu Wanli. Enterprise Network Location, Absorptive Capacity and Innovation Performance: An Interactive Model[J]. Management World, 2010(5): 118-129. )[本文引用:1]
网址：社交媒体知识协作网络中的明星效应和经纪人效应*——来自Wikipedia社交媒体的发现 http://c.mxgxt.com/news/view/99687
相关内容
社交媒体名人效应催生新一代科技创业公司漫威明星退网浪潮：社交媒体的阴影与明星自由
“蜘蛛侠”宣布退出社交媒体令人唏嘘
社交媒体时代名人代言的危害
国外社交媒体上最受关注的十大名人
假杂志骗几十个明星——揭露虚假媒体与明星的丑恶交易
明星经纪人
社交网络大把捞金的俄罗斯当红明星，你知道几个？
体育明星如何做人物网络宣传推广？体育明星人物包装宣传策略
体育明星舆情危机公关应对策略
