教師虛擬社群意見領(lǐng)袖的判別及其影響研究

[摘 要] 意見領(lǐng)袖研究是教師虛擬社群研究的一個(gè)重要視角。通過對(duì)教師虛擬社群ID的發(fā)帖量、回復(fù)量及認(rèn)同值進(jìn)行聚類分析篩選意見領(lǐng)袖，利用判別函數(shù)和領(lǐng)域圖對(duì)社群ID進(jìn)行類別判別，判別效果令人滿意。數(shù)據(jù)統(tǒng)計(jì)分析的結(jié)果表明：教師虛擬社群意見領(lǐng)袖的發(fā)帖量、回復(fù)量及認(rèn)同值都較高，在設(shè)置議題、解析議題和表達(dá)觀點(diǎn)、得出結(jié)論等方面有較大影響。

[關(guān)鍵詞] 意見領(lǐng)袖； 判別； 影響

[中圖分類號(hào)] G434 [文獻(xiàn)標(biāo)志碼] A

[作者簡(jiǎn)介] 劉敏（1977—），女，山東泗水人。講師，碩士，主要研究方向?yàn)樾畔⒒h(huán)境中的深度學(xué)習(xí)與潛能激發(fā)。

E-mail：liumin1660@163.com 。

一、引 言

隨著教育信息化進(jìn)程的不斷推進(jìn)，多媒體計(jì)算機(jī)和互聯(lián)網(wǎng)絡(luò)在教師培訓(xùn)和教師專業(yè)發(fā)展中的作用日益突出。在此背景下，虛擬社群逐漸成為教師自主學(xué)習(xí)和專業(yè)發(fā)展的有效平臺(tái)。越來越多的一線教師及教育管理者、研究者參與虛擬社群，通過與其他社群成員間的交往和互動(dòng)進(jìn)行信息分享、知識(shí)共建以及話題討論。其間，教師虛擬社群中不同成員的行為表現(xiàn)各異，有些成員參與的社群互動(dòng)較多，在社群中積極發(fā)言或回復(fù)他人的發(fā)言，屬于社群中的“活躍者”，也有些成員則并不積極。根據(jù)“兩級(jí)傳播”理論，那些活躍者有可能是社群的“意見領(lǐng)袖”（Opinion Learder），他們?cè)谏缛盒畔⒎窒?、知識(shí)建構(gòu)、問題解決過程中發(fā)揮重要作用，對(duì)社群自身的健康發(fā)展有重要影響。鑒于此，意見領(lǐng)袖研究是教師虛擬社群研究的一個(gè)重要視角，相關(guān)研究對(duì)于把握教師虛擬社群的運(yùn)行機(jī)制，探索社群信息分享、知識(shí)共建以及話題討論的過程及機(jī)理有重要價(jià)值。

目前，中國(guó)教師虛擬社群的相關(guān)研究較少，針對(duì)教師虛擬社群中意見領(lǐng)袖的研究則更少。在此背景下，本研究嘗試對(duì)教師虛擬社群意見領(lǐng)袖的判別及其影響進(jìn)行探索，主要研究問題如下：

1. 如何鑒定教師虛擬社群的意見領(lǐng)袖？

2. 對(duì)于一個(gè)教師虛擬社群ID，如何根據(jù)其發(fā)言特征判別其是否為意見領(lǐng)袖？

3. 教師虛擬社群的意見領(lǐng)袖有怎樣的影響？

二、文獻(xiàn)回顧

（一）網(wǎng)絡(luò)意見領(lǐng)袖及其篩選

意見領(lǐng)袖最早由Laxarsfeld，Berelson 以及Gaudet[1]在1940年政治選舉研究中發(fā)現(xiàn)。Laxarsfeld確定的“意見領(lǐng)袖”的四個(gè)基本特征——“人際傳播中積極活躍者”；“主觀能動(dòng)性強(qiáng)”；“較多接觸媒體掌握更多信息”；“勤于思考，并善于進(jìn)行思想再加工，擅長(zhǎng)人際交流”——被認(rèn)為也適用于網(wǎng)絡(luò)意見領(lǐng)袖，并成為網(wǎng)絡(luò)意見領(lǐng)袖篩選的標(biāo)準(zhǔn)。事實(shí)上，網(wǎng)絡(luò)意見領(lǐng)袖的相關(guān)研究比傳統(tǒng)意見領(lǐng)袖的研究要匱乏得多。網(wǎng)絡(luò)意見領(lǐng)袖的測(cè)量方法主要有兩類：其一，是沿用傳統(tǒng)意見領(lǐng)袖的測(cè)量方法，如法國(guó)Eric Vernette[2]、澳大利亞Barbara Lyons[3]、韓國(guó)Youngju Sohn的研究。其二，是針對(duì)基于計(jì)算機(jī)的交流的特點(diǎn)，運(yùn)用數(shù)據(jù)挖掘技術(shù)進(jìn)行篩選。Kieler[4]指出基于計(jì)算機(jī)的交流缺乏無聲語言等社會(huì)環(huán)境線索，人們不能根據(jù)社會(huì)線索來確定社會(huì)身份，因此，研究重點(diǎn)應(yīng)該放到交流文本的分析上。日本學(xué)者Naohiro Matsumura，Yukio Ohsawa以及Mitsuru Ishizuka[5]提出“影響力擴(kuò)散模型”（Influence Diffusion Model），從討論串內(nèi)容和論壇用戶交往網(wǎng)絡(luò)兩個(gè)方面來測(cè)量網(wǎng)絡(luò)用戶活躍程度，并假定影響力最高的用戶為論壇意見領(lǐng)袖。余紅[6]在“影響力擴(kuò)散模型”的基礎(chǔ)上，指出“靶子型”成員與“領(lǐng)袖型”成員的區(qū)別，并結(jié)合正負(fù)響應(yīng)值的大小進(jìn)行聚類分析識(shí)別網(wǎng)絡(luò)論壇中的意見領(lǐng)袖。還有些學(xué)者，如薛可、陳晞等根據(jù)意見領(lǐng)袖的特征，利用數(shù)據(jù)挖掘技術(shù)，根據(jù)BBS中成員的發(fā)帖量、回復(fù)量、擴(kuò)散度及認(rèn)同值的不同，進(jìn)行聚類分析，從而篩選出意見領(lǐng)袖。

顯然，在對(duì)交流文本分析的基礎(chǔ)上運(yùn)用數(shù)據(jù)挖掘技術(shù)來篩選網(wǎng)絡(luò)意見領(lǐng)袖更客觀，也更契合網(wǎng)絡(luò)交流的特點(diǎn)。然而，已有研究總是在某交流群體（即樣本）中確定其意見領(lǐng)袖，對(duì)于未納入樣本的成員將如何判別其是否為意見領(lǐng)袖？本研究將在已往研究基礎(chǔ)上對(duì)此進(jìn)行探索。

（二）議題建構(gòu)研究

議題設(shè)置理論（Agenda setting Theory）最初的雛形形成于李普曼[7]，在此基礎(chǔ)上，1963年Bernard Cohen[8]提出了議題設(shè)置的設(shè)想。1981年Lang and Lang研究水門事件時(shí)形成議題建構(gòu)理論（Agenda-Building Theory），指出議題建構(gòu)是一個(gè)整體的過程，其間由于媒介、政治系統(tǒng)和公眾的復(fù)雜互動(dòng)，媒介發(fā)掘新聞議題，并加以建構(gòu)、報(bào)道，使他們成為公眾言論的焦點(diǎn)。Noelle Neuman肯定了媒介的效力，指出議題建構(gòu)的過程將影響人們的認(rèn)知，并將相關(guān)影響分為三個(gè)層次：知道某事件、知曉較詳細(xì)的事件內(nèi)容和知道事件爭(zhēng)論的正反意見[9]。意見領(lǐng)袖的影響主要體現(xiàn)在其議題建構(gòu)進(jìn)程中的影響和作用。反過來，本研究認(rèn)為依據(jù)群體中不同成員在議題建構(gòu)過程中的影響和作用，可判別該群體的意見領(lǐng)袖。

三、研究設(shè)計(jì)

（一）研究思路

正如Kieler所言，網(wǎng)絡(luò)意見領(lǐng)袖的研究重點(diǎn)應(yīng)該放在對(duì)交流文本的分析上，本研究在對(duì)交流文本分析的基礎(chǔ)上，根據(jù)意見領(lǐng)袖的特征，針對(duì)教師虛擬社群中ID的發(fā)帖量、回復(fù)量及認(rèn)同值等三個(gè)變量進(jìn)行聚類分析，從而篩選出意見領(lǐng)袖。利用判別分析創(chuàng)建教師虛擬社群ID的類別判別函數(shù)，并對(duì)意見領(lǐng)袖的影響進(jìn)行分析。本研究中應(yīng)用的主要研究方法有數(shù)據(jù)挖掘技術(shù)和內(nèi)容分析方法，使用的軟件工具為SPSS16.0。

（二）研究樣本的確定和數(shù)據(jù)收集

研究中選擇“中小學(xué)信息技術(shù)教育論壇”（http：//www.nrcce.com/nrcce_bbs/）進(jìn)行樣本選擇和數(shù)據(jù)分析。選擇此論壇作為研究對(duì)象的原因有：（1）單一學(xué)科的教師論壇可以避免綜合學(xué)科教師論壇（或不分學(xué)科教師論壇）中因興趣或領(lǐng)域不同而在不同領(lǐng)域產(chǎn)生不同意見領(lǐng)袖的問題；（2）“中小學(xué)信息技術(shù)教育論壇”是“中小學(xué)信息技術(shù)教育網(wǎng)”的內(nèi)嵌論壇，該網(wǎng)站由中國(guó)中小學(xué)計(jì)算機(jī)教育研究中心主辦，論壇參與者中既有國(guó)家中小學(xué)計(jì)算機(jī)教育研究中心的工作人員，也有信息技術(shù)教育領(lǐng)域的專家學(xué)者，更有大量的工作在中小學(xué)信息技術(shù)教育一線的教師。其成員之間的互動(dòng)交流充分展示了信息技術(shù)教育管理者、學(xué)者及一線教師對(duì)于信息技術(shù)教育的不同理解和思考，論壇中很多主題的討論歷經(jīng)多年延續(xù)至今，是中國(guó)信息技術(shù)教育的一個(gè)知名論壇。

研究中選擇該論壇的“課程討論區(qū)”版塊在2012年1月至8月間發(fā)表的所有帖子作為分析對(duì)象。由于論壇話題討論在時(shí)間上的延續(xù)性，因此在研究中，既統(tǒng)計(jì)了在此時(shí)間段內(nèi)新發(fā)表的主題帖（及其回帖），也統(tǒng)計(jì)了在2012年1月之前發(fā)表并且在2012年1月至8月間仍在繼續(xù)討論的主題帖（及其所有回帖）。共計(jì)33個(gè)主題帖，349個(gè)回帖，涉及66個(gè)社群ID。

四、意見領(lǐng)袖的篩選

（一）篩選指標(biāo)及相應(yīng)變量

雖然已有研究中對(duì)意見領(lǐng)袖的界定各不相同，然而對(duì)于意見領(lǐng)袖的特征卻有一些較為一致的看法：（1）意見領(lǐng)袖在群體中較為活躍，他們積極與其他成員進(jìn)行交流討論；（2）意見領(lǐng)袖是群體中的焦點(diǎn)人物，他們的發(fā)言受到較多關(guān)注，影響面較廣；（3）意見領(lǐng)袖在群體成員中有較高的支持率或認(rèn)同度，往往能左右群體的意見走向。

上述三個(gè)特征可以抽象為“活躍度”、“關(guān)注度”和“認(rèn)同度”等三個(gè)指標(biāo)，根據(jù)教師虛擬社群的實(shí)際情況，分別由“發(fā)帖量”、“回復(fù)量”和“認(rèn)同值”等三個(gè)變量來衡量。

其中，（1）發(fā)帖量是某ID發(fā)布的所有帖子的總數(shù)量，這里的帖子既包括某ID發(fā)布的所有主題帖，也包括該ID為回復(fù)他人而發(fā)布的回帖。（2）雖然帖子的瀏覽量在一定程度上也體現(xiàn)出關(guān)注度的不同，但由于在教師虛擬社群中只顯示主題帖的瀏覽量而無法確定任一回帖的瀏覽數(shù)量，所以本研究在關(guān)注度指標(biāo)的衡量中不考慮瀏覽量，只計(jì)算某ID發(fā)言的回復(fù)量。（3）在認(rèn)同值的計(jì)算中，根據(jù)回帖者的態(tài)度，將之分成“支持/贊同”、“反對(duì)/質(zhì)疑”以及“中立/無明顯態(tài)度”等三種，分別賦值為“1”、“-1”和“0”，然后將所有回復(fù)進(jìn)行加總獲得某ID的認(rèn)同值。

（二）聚類分析

聚類分析是依據(jù)研究對(duì)象的個(gè)體特征，對(duì)其進(jìn)行分類的方法。通過聚類，能根據(jù)若干特征，按照性質(zhì)上的親疏程度的不同在沒有先驗(yàn)知識(shí)的情況下進(jìn)行自動(dòng)分類。

本研究中利用SPSS軟件對(duì)研究對(duì)象中涉及的66個(gè)ID進(jìn)行聚類分析。菜單操作路徑為Analyze>Classify>K-Means Cluster......。聚類變量為發(fā)帖量、回復(fù)量和認(rèn)同值。經(jīng)過多次分類比較，發(fā)現(xiàn)當(dāng)聚成四類時(shí)，分類結(jié)果最理想。根據(jù)聚類分析結(jié)果，結(jié)合對(duì)原始數(shù)據(jù)的回溯分析，將66個(gè)ID分為4個(gè)類別。

第一類由54個(gè)ID組成，歸入這一類的ID的共同特點(diǎn)是發(fā)帖量、回復(fù)量以及認(rèn)同值都很低，即他們的活躍度、關(guān)注度及認(rèn)同度都很低，因此將這一類命名為邊緣參與者。

第二類由1個(gè)ID組成，其發(fā)帖量和回復(fù)量都很高，認(rèn)同值非常低，表明他在教師虛擬社群中發(fā)言積極，受到了較高的關(guān)注，但其發(fā)言并不被其他成員所認(rèn)可，因此將這一類命名為爭(zhēng)議者。

第三類由8個(gè)ID組成，這一類的特點(diǎn)是回復(fù)量大于發(fā)帖量，認(rèn)同值不高，將這一類命名為議題擴(kuò)散者。

第四類由3個(gè)ID組成，其發(fā)帖量、回復(fù)量和認(rèn)同值都較高，因此將這一類命名為意見領(lǐng)袖。

（三）篩選效果評(píng)估

理想的聚類結(jié)果應(yīng)使同一類別內(nèi)的個(gè)體具有盡可能高的同質(zhì)性，而類別之間則具有盡可能高的異質(zhì)性。為對(duì)聚類效果進(jìn)行評(píng)估，本研究對(duì)4個(gè)類別在發(fā)帖量、回復(fù)量及認(rèn)同值等三個(gè)方面進(jìn)行方差分析。分析結(jié)果見表1，表中依次列出了發(fā)帖量、回復(fù)量及認(rèn)同值在組間和組內(nèi)的離差平方和（Sum of Squares）、自由度（df）、均方（Mean Square）、F值和Sig.值（即p值）。三者的p值均為0.000，即p<0.001，表明4個(gè)類別在發(fā)帖量、回復(fù)量及認(rèn)同值上都有顯著性差別，組間差異遠(yuǎn)遠(yuǎn)大于組內(nèi)差異，說明聚類分析成功地根據(jù)ID的發(fā)言特征進(jìn)行了有效的類別劃分，從66個(gè)ID中篩選出3名教師虛擬社群的意見領(lǐng)袖，聚類分析結(jié)果較為理想。

五、意見領(lǐng)袖的判別分析及影響函數(shù)

上述通過聚類分析篩選意見領(lǐng)袖的方法可以將研究樣本中的教師虛擬社群ID分為意見領(lǐng)袖、議題擴(kuò)散者、爭(zhēng)議者以及邊緣參與者。然而卻不能根據(jù)已有分析結(jié)果對(duì)未納入研究樣本的社群ID進(jìn)行類別判斷，除非將之與樣本ID一起重新進(jìn)行聚類分析（這種方法顯然是低效的重復(fù)分析）。本研究中引入判別分析以解決這一問題。

（一）研究的編碼方案

Kieler認(rèn)為網(wǎng)絡(luò)意見領(lǐng)袖的研究重點(diǎn)應(yīng)該放在對(duì)交流文本的分析上。對(duì)交流文本的內(nèi)容分析顯然應(yīng)該比簡(jiǎn)單的對(duì)發(fā)帖量、回復(fù)量及認(rèn)同值進(jìn)行統(tǒng)計(jì)更能反映不同類別ID的特征。因此，本研究進(jìn)行判別分析時(shí)也通過對(duì)交流文本進(jìn)行內(nèi)容分析和統(tǒng)計(jì)分析來實(shí)現(xiàn)。根據(jù)Noelle Neuman提出的議題建構(gòu)過程對(duì)人們認(rèn)知影響的三個(gè)層次，本研究對(duì)交流文本進(jìn)行內(nèi)容分析時(shí)確定編碼方案，見表2。研究過程中選用兩位編碼員進(jìn)行培訓(xùn)后對(duì)涉及的66個(gè)ID的381次發(fā)言的交流文本進(jìn)行編碼。并利用霍爾斯提（Holster）系數(shù)的計(jì)算公式：信度C.R.（Coefficient of Reliability）=2M/（N1+N2）進(jìn)行信度檢驗(yàn)，兩位編碼員編碼一致性達(dá)91.243%，一致性程度較高。對(duì)于兩位編碼員編碼不一致的交流文本，則在協(xié)商后決定最終編碼。

（二）判別分析

判別分析的目的在于建立一種線性組合，以用最優(yōu)化的模型來概括分類之間的差異。其用途在于可以根據(jù)已知的樣本的分類情況來判斷未知待判的樣本的歸屬問題。本研究中利用判別分析判斷新引入的社群ID是否為意見領(lǐng)袖。

在SPSS中按菜單路徑Analyze>Classify>Discriminant進(jìn)行操作，將上文聚類分析的結(jié)果作為類別變量選入“Grouping Variable”框中，“Independents”框選入CL0、CL1、CL2作為建立判別函數(shù)所需的變量，判別分析的部分顯示結(jié)果如下所述。

表3給出了判別函數(shù)的特征根（Eigenvalue，代表攜帶信息量的多少）、判別指數(shù)（% of Variance，方差解釋度）及典型相關(guān)系數(shù)（Canonical Correlation）。可見SPSS提取了三個(gè)判別函數(shù)，且絕大部分信息都在第一個(gè)判別函數(shù)上，第二和第三個(gè)判別函數(shù)所攜帶的信息量很少。表4進(jìn)一步對(duì)特征根的顯著性進(jìn)行檢驗(yàn)，這種檢驗(yàn)間接地檢驗(yàn)了判別函數(shù)是否有統(tǒng)計(jì)學(xué)意義。從分析結(jié)果可以看出，第一和第二個(gè)典型判別函數(shù)都有意義，而第三個(gè)函數(shù)沒有意義，故雖然第二個(gè)函數(shù)所攜帶的信息量較少，但仍然應(yīng)當(dāng)保留，只舍棄第三個(gè)判別函數(shù)。

表5給出了使用原始變量的判別函數(shù)，根據(jù)表中結(jié)果可寫出表達(dá)式如下：

D1= -2.116+0.894×CL0+0.215×CL1+0.354×CL2

D2= -0.083-0.302×CL0+0.432×CL1-0.487×CL2

圖1為領(lǐng)域圖，由第一和第二個(gè)判別函數(shù)分別構(gòu)成了圖形的兩個(gè)維度，四個(gè)類別ID的重心用星號(hào)繪制在圖中，整個(gè)平面空間按照離各類別重心的距離被劃分出了清楚的界線。對(duì)于新加入的社群ID，可以根據(jù)D1和D2的計(jì)算公式計(jì)算其散點(diǎn)坐標(biāo)，該坐標(biāo)落在哪個(gè)范圍，就應(yīng)當(dāng)屬于哪個(gè)類別。散點(diǎn)坐標(biāo)落到圖中紅色陰影區(qū)域內(nèi)的ID為意見領(lǐng)袖。

（三）判別效果驗(yàn)證

表6給出了交互驗(yàn)證的判別驗(yàn)證結(jié)果，其上半部分是采用回代法得到的判別信息，下半部分是用交互印證法得到的判別信息?？梢娨庖婎I(lǐng)袖和爭(zhēng)議者可以全部正確預(yù)測(cè)，而邊緣參與者和議題擴(kuò)散者則存在錯(cuò)判。顯然，如果用研究中建立的判別函數(shù)（D1和D2）進(jìn)行新ID是否為意見領(lǐng)袖的判別，其效果將非常令人滿意。

六、意見領(lǐng)袖的影響研究

（一）影響力排序

由于第一個(gè)判別函數(shù)攜帶了絕大部分信息，故研究中以第一個(gè)判別函數(shù)計(jì)算值D1的大小作為表征社群ID影響力的主要指標(biāo)，并據(jù)此將所有社群ID進(jìn)行降序排列，表7顯示了前20位的ID?？梢姞?zhēng)議者和意見領(lǐng)袖在教師虛擬社群中有較大的影響力，議題擴(kuò)散者和邊緣參與者的影響力較小。

（二）影響分析

圖1顯示了意見領(lǐng)袖在設(shè)置議題、解析議題以及發(fā)表觀點(diǎn)或得出結(jié)論等三個(gè)方面都有重大影響。

第一，在設(shè)置議題（使社群成員知道某事件）方面。教師虛擬社群中3位意見領(lǐng)袖（占研究ID總數(shù)的4.546%）共發(fā)表了7個(gè)主題帖來設(shè)置社群議題，其CL0項(xiàng)的得分是66個(gè)ID總得分的23.529%。

第二，在解析議題（使社群成員知曉較詳細(xì)的事件內(nèi)容）方面，3位意見領(lǐng)袖（占研究ID總數(shù)的4.546%）共發(fā)布74個(gè)帖子來解析議題，每個(gè)主題帖平均解析議題2.242次，其CL1項(xiàng)的得分是66個(gè)ID總得分的32.456%。

第三，在發(fā)表觀點(diǎn)或得出結(jié)論（使社群成員知道事件爭(zhēng)論的正反意見）方面，3位意見領(lǐng)袖（占研究ID總數(shù)的4.546%）共發(fā)布42個(gè)帖子來陳述觀點(diǎn)或結(jié)論，平均每個(gè)主題帖陳述觀點(diǎn)或結(jié)論1.273次，其CL2項(xiàng)的得分是66個(gè)ID總得分的24.706%。

七、研究結(jié)論與討論

（一）研究結(jié)論

本研究通過數(shù)據(jù)挖掘和統(tǒng)計(jì)分析得出如下結(jié)論。

第一，根據(jù)發(fā)帖量、回復(fù)量和認(rèn)同值的不同，可以將教師虛擬社群ID聚類為意見領(lǐng)袖、擴(kuò)散者、爭(zhēng)議者和邊緣參與者等四個(gè)類別。意見領(lǐng)袖的發(fā)帖量、回復(fù)量和認(rèn)同值均較高。

第二，對(duì)給定ID的發(fā)言進(jìn)行統(tǒng)計(jì)分析，掌握其發(fā)言中設(shè)置議題（CL0變量）、解析議題（CL1變量）、發(fā)表觀點(diǎn)和得出結(jié)論（CL2變量）的情況，利用D1= -2.116+0.894×CL0+0.215×CL1+0.354×CL2和D2= -0.083-0.302×CL0+0.432×CL1-0.487×CL2兩個(gè)判別函數(shù)和領(lǐng)域圖（圖2）可以令人滿意地對(duì)給定ID進(jìn)行類別判別，從而判別該ID是否是教師虛擬社群的意見領(lǐng)袖。

第三，教師虛擬社群的意見領(lǐng)袖有較大的影響力，其影響主要體現(xiàn)在設(shè)置議題、解析議題、發(fā)表觀點(diǎn)和得出結(jié)論等方面。

第四，盡管爭(zhēng)議者的認(rèn)同值較低，但其在教師虛擬社群中依然具有較大影響。

（二）討論

如本研究所表明的，教師虛擬社群中不同類別的成員，其發(fā)言各有特點(diǎn)。根據(jù)這些特點(diǎn)可以進(jìn)行類別判別。其中，意見領(lǐng)袖人數(shù)雖少，卻是教師虛擬社群的核心，在社群議題建構(gòu)的各個(gè)方面均發(fā)揮著重要作用。然而，交流與互動(dòng)是虛擬社群得以產(chǎn)生及健康發(fā)展的必要條件，民主與開放性是發(fā)展良好的教師虛擬社群所必然具備的基本特征。因此，意見領(lǐng)袖起重要作用，卻不可把持社群的議題建構(gòu)進(jìn)程，單個(gè)邊緣參與者的力量渺小，然而數(shù)量眾多的邊緣參與者群體在議題建構(gòu)中也發(fā)揮著重要作用，其合力堪與意見領(lǐng)袖相抗衡。

本研究得出的判別函數(shù)和領(lǐng)域圖可以用來對(duì)未納入研究樣本（本研究的研究樣本為66個(gè)社群ID）的社群ID進(jìn)行類別判別，這在同類研究中具有一定的創(chuàng)新性。

另外，在本研究所選教師虛擬社群中的“苗逢春” 是中國(guó)信息技術(shù)教育領(lǐng)域的知名學(xué)者，其影響力遠(yuǎn)低于三位意見領(lǐng)袖，表明在教師虛擬社群中，社群成員更多地受到意見領(lǐng)袖的影響而不是專家的影響。這與Schwalenstocker， Ellen S的研究結(jié)論相一致。

[參考文獻(xiàn)]

[1] Lazarsfeld，P. F.，Berelson，B. R.，Gaudet，H.. The People’s Choice：How the Voter Makers up his Mind in a Presidential Campaign[M]. New York：Duell， Sloan Pierce，1994：23.

[2] Eric Vernette. Role and Profile of Opinion Leaders for Internet Diffusion Process[J]. Decisions Marketing，2002，（25）：93.

[3] Barbara Lyons，Kenneth Henderson . Opinion Leadership in A Computer-Mediated Environment[J]. Journal of Consumer Behaviour，2005，（5）：319～330.

[4] Kieler，S..Computer Mediation of Conversation[J].American Psychologist，1984：1123～1134.

[5] Naohiro Matsumura，Yukio Ohsqwa， and Mitsuru Ishizuka. Influence Diffusion Model in Text-Based Communication[C].The Eleventh International World Wide Web Conference （www2002）.

[6] 余紅.網(wǎng)絡(luò)論壇輿論領(lǐng)袖篩選模型初探[J].新聞與傳播研究，2006，15（2）：66～75.

[7] [美]沃爾特·李普曼.輿論學(xué)[M].閻克文，江紅譯.第2版.上海：上海人文出版社.2006：5.

[8] Bernard.C.Cohen. The Press and Foreign Policy[M]. Princeton. Princeton University Press.1963：13.

[9] [美]奧格爾斯.大眾傳播學(xué)：影響研究范式[M].常昌富，李依清編選.關(guān)世杰等譯.第1版.北京：中國(guó)社會(huì)科學(xué)出版社，2000：69.