基于信號(hào)理論的開放式創(chuàng)新平臺(tái)創(chuàng)意認(rèn)可度研究

王玉潔 戚桂杰 王凱平 徐宏禎

(山東大學(xué)管理學(xué)院，濟(jì)南，250100)

開放式創(chuàng)新平臺(tái)(Open Innovation Plat-form，OIP)是企業(yè)用來收集用戶對(duì)產(chǎn)品、服務(wù)或制作流程創(chuàng)新想法的虛擬線上平臺(tái)，其主要目標(biāo)是利用產(chǎn)品用戶的技能、使用經(jīng)驗(yàn)和創(chuàng)新觀點(diǎn)，為企業(yè)創(chuàng)新作出貢獻(xiàn)。OIP不僅為產(chǎn)品和用戶之間提供了交流、學(xué)習(xí)的機(jī)會(huì)，也為企業(yè)更好地了解產(chǎn)品用戶的創(chuàng)新需求提供了條件。用戶創(chuàng)意源于市場(chǎng)需求[1]，也是企業(yè)創(chuàng)新的重要來源[2]。隨著社區(qū)的持續(xù)運(yùn)營，用戶發(fā)布的創(chuàng)意呈指數(shù)型增加，大量創(chuàng)意存在質(zhì)量不高、表述模糊的問題[3]。如何快速識(shí)別和篩選質(zhì)量高的創(chuàng)意，成為企業(yè)和學(xué)術(shù)界關(guān)注的重點(diǎn)問題[4]。

現(xiàn)有關(guān)于OIP創(chuàng)意質(zhì)量的研究主要聚焦于創(chuàng)意采納[5-6]，也有學(xué)者研究了創(chuàng)意認(rèn)可度的問題[7-8]。創(chuàng)意采納從企業(yè)角度入手，是企業(yè)對(duì)用戶創(chuàng)意的肯定，代表創(chuàng)意是否被企業(yè)接受并投入實(shí)際生產(chǎn)使用[9]；認(rèn)可度從同行用戶角度出發(fā)，表示其他用戶對(duì)該創(chuàng)意的關(guān)注和認(rèn)可，代表著產(chǎn)品或服務(wù)實(shí)際使用者的需求。初期研究多使用創(chuàng)意采納作為創(chuàng)意質(zhì)量衡量指標(biāo)，因?yàn)椴杉{直接反映了企業(yè)的態(tài)度。然而，根據(jù)創(chuàng)新價(jià)值鏈理論，創(chuàng)意在被企業(yè)采納之后，還有創(chuàng)意轉(zhuǎn)化和創(chuàng)意擴(kuò)散階段，在OIP上產(chǎn)生的創(chuàng)意需要商業(yè)化為新產(chǎn)品或新服務(wù)，所以更契合市場(chǎng)需求的創(chuàng)意才能為企業(yè)帶來更高績效[10]。創(chuàng)意認(rèn)可度衡量了創(chuàng)意被產(chǎn)品用戶接受且認(rèn)可的程度，因此創(chuàng)意認(rèn)可度也受到了越來越廣泛的關(guān)注[7,11]。

現(xiàn)有關(guān)于創(chuàng)意認(rèn)可度影響因素的研究主要從創(chuàng)意發(fā)布者特征和創(chuàng)意表現(xiàn)特征進(jìn)行，仍然存在一些局限性。首先，OIP創(chuàng)意是以文本的形式傳達(dá)的，目前研究多采用結(jié)構(gòu)性指標(biāo)(如用戶粉絲數(shù)、創(chuàng)意評(píng)論數(shù)等)衡量，忽略了文本中信息和情感的表達(dá)；其次，少數(shù)對(duì)創(chuàng)意文本進(jìn)行的研究中，變量多采用人工編碼的方式獲取[12-13]，大數(shù)據(jù)背景下，人工編碼難以滿足企業(yè)需求；最后，現(xiàn)有研究只探索了某一方特征對(duì)創(chuàng)意認(rèn)可度的影響，未充分考慮創(chuàng)意發(fā)布者和創(chuàng)意閱讀者之間的信息傳遞，創(chuàng)意發(fā)布者表達(dá)的信息可能與閱讀者理解的信息不同，存在信息不對(duì)稱的問題。因此，需要新的方法和新的視角分析創(chuàng)意認(rèn)可度的影響因素。

信號(hào)理論解釋了發(fā)布者和閱讀者之間的信息不對(duì)稱[14]。該理論認(rèn)為發(fā)布者需要以一種有效和高效的方式向閱讀者發(fā)送信息和情感，才能提高信息傳達(dá)效率[15]。OIP創(chuàng)意本質(zhì)上也是一種信息，創(chuàng)意發(fā)布者在其發(fā)布的創(chuàng)意中使用語言信號(hào)來激發(fā)其他用戶的反應(yīng)，這些反應(yīng)就是其他用戶對(duì)這些信息的認(rèn)可?？焖儆行У赝诰蛴脩糁g的信號(hào)傳遞十分重要，隨著信息技術(shù)的快速發(fā)展，企業(yè)可以通過文本挖掘技術(shù)，尤其是自然語言處理技術(shù)，快速準(zhǔn)確地識(shí)別出創(chuàng)意傳達(dá)的信號(hào)，提高平臺(tái)效率[16]。

基于此，本研究以信號(hào)理論為基礎(chǔ)理論框架，通過文本分析的方式，構(gòu)建了影響OIP創(chuàng)意認(rèn)可度的信號(hào)模型。從理論層面來說，本文分析了用戶發(fā)布者和閱讀者之間的信號(hào)交流，彌補(bǔ)了先前的研究視角，也拓寬了信號(hào)理論的應(yīng)用領(lǐng)域；從實(shí)踐層面來說，本文利用自然語言文本挖掘技術(shù)，能在一定程度上緩解企業(yè)人工審核的認(rèn)知負(fù)荷，為企業(yè)發(fā)掘有價(jià)值的創(chuàng)意提供建議。

1 文獻(xiàn)綜述與研究理論

1.1 開放式創(chuàng)新平臺(tái)創(chuàng)意認(rèn)可度

OIP每天涌現(xiàn)海量創(chuàng)意，人工判斷創(chuàng)意質(zhì)量的難度不言而喻，這意味著很多有意義的創(chuàng)意得不到挖掘。創(chuàng)意認(rèn)可度是衡量創(chuàng)意質(zhì)量的重要指標(biāo)，創(chuàng)意認(rèn)可度越高，表示用戶對(duì)獲得這種新產(chǎn)品或新功能的期望越大。創(chuàng)意即使本身不可行，也可以經(jīng)由企業(yè)研發(fā)部門改進(jìn)變得更實(shí)用[6]。對(duì)發(fā)布創(chuàng)意的用戶而言，發(fā)布創(chuàng)意得到的認(rèn)可度越高，創(chuàng)新自我效能感越強(qiáng)，之后發(fā)布創(chuàng)意的意愿越強(qiáng)[6,17]。雖然平臺(tái)上的創(chuàng)意得票數(shù)或點(diǎn)贊數(shù)能較為直觀地反映其他用戶的認(rèn)可情況，但是隨著創(chuàng)意數(shù)量大規(guī)模增加，新的創(chuàng)意層出不窮，即使創(chuàng)意本身有價(jià)值，也可能因?yàn)闆]有及時(shí)被發(fā)掘，泯沒于海量創(chuàng)意之中。因此，如何準(zhǔn)確判斷創(chuàng)意的認(rèn)可度，選擇企業(yè)需要的創(chuàng)意，是學(xué)術(shù)界關(guān)注的重點(diǎn)方向[18]。

創(chuàng)意可行性的影響因素多從兩個(gè)角度研究，分別是創(chuàng)意發(fā)布者特征和創(chuàng)意表現(xiàn)特征。創(chuàng)意發(fā)布者特征方面，主要從創(chuàng)意者自身特征和交互行為兩個(gè)角度研究，如Elina[7]從創(chuàng)意發(fā)布者專業(yè)知識(shí)水平角度認(rèn)為，多面手(知識(shí)范圍比較廣的用戶)會(huì)創(chuàng)造出更受到他人認(rèn)可的創(chuàng)意；?zaygen等[11]從社會(huì)網(wǎng)絡(luò)角度認(rèn)為，當(dāng)一個(gè)用戶先前給予他人的認(rèn)可更多、收到他人認(rèn)可更多，即認(rèn)可網(wǎng)絡(luò)出度、入度更高的用戶，發(fā)布的創(chuàng)意會(huì)受到更多的認(rèn)可；劉倩等[6]對(duì)社區(qū)用戶交互對(duì)創(chuàng)意質(zhì)量的影響進(jìn)行了詳盡的研究，探究了社區(qū)中不同類型的用戶交互對(duì)創(chuàng)意質(zhì)量的影響，證實(shí)了專業(yè)性成功經(jīng)驗(yàn)的調(diào)節(jié)作用。創(chuàng)意表現(xiàn)特征方面，主要從創(chuàng)意的表現(xiàn)形式及表現(xiàn)評(píng)價(jià)角度研究，如Ma等[8]研究了創(chuàng)意長度、圖像及視頻的數(shù)量對(duì)創(chuàng)意認(rèn)可度的影響；Zheng等[19]采用taskcn.com數(shù)據(jù)，探究了先前發(fā)布的創(chuàng)意數(shù)量和創(chuàng)意多樣性對(duì)創(chuàng)意質(zhì)量的積極影響；王婷婷[18]將影響因素分為信息型因素和規(guī)范型因素，研究了創(chuàng)意長度、情感等信息型因素和創(chuàng)意得分?jǐn)?shù)、評(píng)論數(shù)等規(guī)范型因素對(duì)創(chuàng)意可行性的影響。

現(xiàn)有文獻(xiàn)多從創(chuàng)意發(fā)布者特征和創(chuàng)意表現(xiàn)特征的結(jié)構(gòu)性指標(biāo)角度進(jìn)行研究，文本特征等非結(jié)構(gòu)性特征的研究仍處于起步階段。相對(duì)于傳統(tǒng)結(jié)構(gòu)性指標(biāo)，OIP用戶分享創(chuàng)意的方式主要為文本，通過對(duì)創(chuàng)意文本的分析，能最大程度了解用戶創(chuàng)意傳達(dá)的信息和情感。隨著機(jī)器學(xué)習(xí)算法等計(jì)算機(jī)技術(shù)的發(fā)展，文本特征挖掘技術(shù)更加成熟，得到的創(chuàng)意文本信息也更加多樣和完善。

1.2 信號(hào)理論

在經(jīng)濟(jì)和社會(huì)環(huán)境中，當(dāng)一方擁有信息而另一方缺乏這些信息，二者之間出現(xiàn)信息不對(duì)稱時(shí)，前者需要通過各種信號(hào)將信息傳遞給后者，來獲得理想的結(jié)果[20]。喬治·阿克洛夫[21]于20世紀(jì)70年代提出了信號(hào)理論，以解決信息不對(duì)稱的問題。自誕生以來，信號(hào)理論被應(yīng)用于經(jīng)濟(jì)管理和信息系統(tǒng)的多個(gè)方面，如共享經(jīng)濟(jì)[22]、電子商務(wù)[20]、企業(yè)創(chuàng)新[23]、酒店管理[24]及健康社區(qū)[15]等。

在OIP，創(chuàng)意發(fā)布者發(fā)表有關(guān)企業(yè)產(chǎn)品或服務(wù)的新想法形成創(chuàng)意，創(chuàng)意閱讀者查看這些創(chuàng)意。當(dāng)閱讀者與發(fā)布者之間看法相同，或認(rèn)為這些創(chuàng)意有價(jià)值，就會(huì)支持這些創(chuàng)意，并采取投票、打高分等操作。但是，由于創(chuàng)意發(fā)布者和閱讀者對(duì)企業(yè)產(chǎn)品和服務(wù)的使用體驗(yàn)不完全相同，專業(yè)知識(shí)水平也有所差距，創(chuàng)意發(fā)布者在發(fā)布創(chuàng)意時(shí)，會(huì)存在與閱讀者之間的信息不對(duì)稱現(xiàn)象[26]。信號(hào)理論很好地解釋了創(chuàng)意發(fā)布者及創(chuàng)意閱讀者之間的信息不對(duì)稱[26]。

信號(hào)理論中的關(guān)鍵概念包括信號(hào)發(fā)出者、接收者和信號(hào)[14]。在OIP中，創(chuàng)意發(fā)布者是創(chuàng)新想法的信號(hào)發(fā)出者，目的是向社區(qū)提供這些信息；信號(hào)接收者是查看這些創(chuàng)新想法的創(chuàng)意閱讀者，希望獲取自己認(rèn)可的觀點(diǎn)；信號(hào)則是信號(hào)發(fā)出者和接收者之間交流的語言[25]。創(chuàng)意發(fā)布者需要以更有效和更高效的方式向信息不足的潛在閱讀者發(fā)送有意義的信號(hào)，才能獲得更多支持。相對(duì)于傳統(tǒng)線下創(chuàng)新環(huán)境，用戶與企業(yè)可以通過面對(duì)面交流、肢體語言等多種表達(dá)方式進(jìn)行溝通，OIP是一種虛擬在線平臺(tái)，用戶與企業(yè)之間或者用戶之間的交流主要通過文本傳達(dá)[4]，文本語言是二者之間的主要溝通信號(hào)。

不同的文本語言特征可以傳遞不同種類的信息和情感，并導(dǎo)致不同的結(jié)果。信息性信號(hào)和情感性信號(hào)是虛擬社交媒體中兩種主要屬性[15]，信息性信號(hào)表達(dá)高度準(zhǔn)確的信息，情感性信號(hào)表示情感或感覺，這兩種信號(hào)都能減少交流雙方的信息不對(duì)稱[27]，先前文獻(xiàn)對(duì)這兩類信號(hào)的正向影響進(jìn)行了深入研究[15]。信息性信號(hào)能夠增強(qiáng)信息的可觀測(cè)性，降低信號(hào)接收方的信息獲取成本，情感性信號(hào)可以引發(fā)或增強(qiáng)信號(hào)接收者的情感強(qiáng)度或情感相似度。在OIP中，創(chuàng)意文本在發(fā)布者和閱讀者之間傳遞了信息和情感，本文研究信息性信號(hào)和情感性信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響。

2 研究模型與假設(shè)提出

本研究根據(jù)信號(hào)理論，理解文本的語言信號(hào)如何影響創(chuàng)意認(rèn)可度，如圖1所示。創(chuàng)意發(fā)布者和閱讀者之間的信號(hào)有信息性和情感性兩種表現(xiàn)形式，信息性信號(hào)表示了創(chuàng)意文本自身傳達(dá)的語言特征，由信息獨(dú)特性、主題多樣性和文本復(fù)雜性表示。情感性信號(hào)是創(chuàng)意發(fā)布者在發(fā)布創(chuàng)意時(shí)表達(dá)的情感，包括情感效價(jià)和情感主觀性兩個(gè)方面。控制變量從創(chuàng)意自身特征和創(chuàng)意發(fā)布者特征兩個(gè)方向選擇。

圖1 研究框架

2.1 信息性信號(hào)與創(chuàng)意認(rèn)可度

2.1.1 信息獨(dú)特性

信息獨(dú)特性表示文本與其他文本的相似程度，文本越獨(dú)特，內(nèi)容與其他文本差距越大[28]。企業(yè)構(gòu)建OIP的根本目的是鼓勵(lì)產(chǎn)品用戶參與企業(yè)創(chuàng)新[29]，由于創(chuàng)新通常通過對(duì)現(xiàn)有知識(shí)的重組、修改和整合而產(chǎn)生，因此創(chuàng)意的獨(dú)特性會(huì)產(chǎn)生更好的創(chuàng)新績效[30]。相對(duì)于陳舊的信息，當(dāng)信息中揭示了一些新內(nèi)容(即先前沒有發(fā)表過)時(shí)，它的價(jià)值就更高[31]，這樣的創(chuàng)意出乎之前的預(yù)料，會(huì)受到更多關(guān)注。如果某個(gè)創(chuàng)意沒有提供新的信息，而是簡單重復(fù)了以前的文本，那么該創(chuàng)意文本的相似度較高，吸引力就會(huì)降低。

本研究通過文本相似度來度量對(duì)創(chuàng)意的信息獨(dú)特性。文本相似度指兩個(gè)或多個(gè)實(shí)體(詞語、短文本、文檔等)通過一定的文本比較方法得到的具體量化數(shù)值[32]，是信息獨(dú)特性的一種測(cè)量[28]。創(chuàng)意中包含的信息與之前的信息越重復(fù)，文本相似度越高，獨(dú)特性越差；反之，文本相似度越低，其措辭越獨(dú)特[28]。OIP是展示用戶創(chuàng)新想法的平臺(tái)，新穎的創(chuàng)意可以得到更多用戶的關(guān)注[7]。如果讀者閱讀了很多類似描述的創(chuàng)意，或者說與之前創(chuàng)意的詞句表達(dá)較為相同，那么讀者就不想再次看到類似的文本。同樣，如果創(chuàng)意描述中與之前相差較大，它就可以傳達(dá)更新穎的信息，可能受到更多讀者認(rèn)可。綜上，本文假設(shè)：

H1：信息獨(dú)特性正向影響創(chuàng)意認(rèn)可度，創(chuàng)意文本信息越獨(dú)特，認(rèn)可度越高。

2.1.2 主題多樣性

主題多樣性表達(dá)了創(chuàng)意內(nèi)容的廣泛程度[30]。在OIP中，用戶展示的創(chuàng)意包含不同的主題信息，有的創(chuàng)意更側(cè)重于對(duì)產(chǎn)品性能的改進(jìn)，有的熱衷于對(duì)產(chǎn)品外觀的描述，有的只注重對(duì)情感的宣泄。根據(jù)Sweller[33]提出的認(rèn)知負(fù)荷理論，認(rèn)知是個(gè)體對(duì)信息處理的過程和能力，用戶處理信息、學(xué)習(xí)知識(shí)需要進(jìn)行認(rèn)知加工，這個(gè)過程是一種對(duì)認(rèn)知資源的消耗過程。當(dāng)所需資源總量超過已有資源時(shí)，個(gè)體就無法正常處理信息，這種情況被稱為認(rèn)知超載(cognitive overload)[34]。OIP中的創(chuàng)意多針對(duì)某個(gè)問題進(jìn)行反饋，或?qū)δ硞€(gè)產(chǎn)品進(jìn)行改造，并不會(huì)結(jié)合大量主題進(jìn)行綜合性概述。當(dāng)讀者閱讀創(chuàng)意時(shí)，如果得到的信息主題過多，信息量過大，可能會(huì)產(chǎn)生認(rèn)知超載現(xiàn)象，創(chuàng)意的吸引力就變小。從另一個(gè)角度來看，如果一個(gè)創(chuàng)意主題數(shù)較多，說明該創(chuàng)意所涉及的面較廣，論證重點(diǎn)可能不夠清晰，收到的認(rèn)可更少。

對(duì)于文本主題數(shù)的解釋，本文引入LDA主題建模的方式來計(jì)算文本主題。LDA是一種無監(jiān)督的機(jī)器學(xué)習(xí)技術(shù)，可用于識(shí)別大規(guī)模文檔集合或語料庫中的隱藏主題信息，因此，我們利用LDA從創(chuàng)意中提取主題，并獲得每個(gè)創(chuàng)意中各主題的分布頻率。本研究認(rèn)為，對(duì)于一個(gè)創(chuàng)意文本而言，主題數(shù)量越多，越容易造成認(rèn)知超載，認(rèn)可度越低。綜上，本文假設(shè)：

H2：主題多樣性負(fù)向影響創(chuàng)意認(rèn)可度，創(chuàng)意中主題數(shù)越多，認(rèn)可度越低。

2.1.3 文本可讀性

文本可讀性指文本易于閱讀和理解的程度或性質(zhì)[35]。OIP是一種線上的虛擬社交平臺(tái)，創(chuàng)意都以文本的形式表現(xiàn)，信息的載體是文本，其他用戶對(duì)創(chuàng)意的理解也是通過閱讀文本的形式獲得的。與企業(yè)創(chuàng)新部門不同，OIP具有自主性的特征，用戶創(chuàng)新是自愿發(fā)生的，沒有組織的聯(lián)系[36]。因此，相對(duì)于可以進(jìn)行多種形式交流和溝通的傳統(tǒng)企業(yè)創(chuàng)新環(huán)境，OIP中創(chuàng)意信號(hào)幾乎完全通過文本(或少量圖片)傳遞給閱讀者，是否能理解對(duì)方的文本表述更加重要。

本研究通過已有的可讀性指標(biāo)(句子中復(fù)雜單詞的數(shù)量)來衡量文本可讀性。由于OIP的開放性特征[1]，各種類型的用戶都可以參加企業(yè)創(chuàng)新，創(chuàng)意發(fā)布者和創(chuàng)意閱讀者的知識(shí)背景、產(chǎn)品使用經(jīng)驗(yàn)可能不同。當(dāng)發(fā)布者采用一些專業(yè)晦澀的詞語來表示創(chuàng)意時(shí)，閱讀者可能無法恰當(dāng)?shù)乩斫獍l(fā)布者表達(dá)的含義；相反，如果創(chuàng)意描述方式比較通俗易懂，讀者就能更深刻地理解創(chuàng)意內(nèi)涵，創(chuàng)意就更容易被認(rèn)可。因此，本文假設(shè)：

H3：文本可讀性正向影響創(chuàng)意認(rèn)可度，創(chuàng)意文本可讀性越高，認(rèn)可度越高。

2.2 情感性信號(hào)與創(chuàng)意認(rèn)可度

2.2.1 情感傾向

用戶發(fā)布在OIP中的創(chuàng)意是其創(chuàng)新想法的文本闡述，理應(yīng)是理性和客觀的，但是用戶在描述創(chuàng)意時(shí)會(huì)摻入自己的情感[37]。當(dāng)用戶對(duì)發(fā)布的創(chuàng)意比較自信，認(rèn)為較有可能實(shí)現(xiàn)時(shí)，其創(chuàng)意表達(dá)可能是正向和積極的；當(dāng)對(duì)自己的創(chuàng)意信心較小時(shí)，其情感表達(dá)更為沮喪和消極[31]。從另一個(gè)角度看，當(dāng)用戶對(duì)企業(yè)產(chǎn)品或服務(wù)比較感興趣，對(duì)其表現(xiàn)比較滿意時(shí)，提出的創(chuàng)意可能更為正向；而當(dāng)對(duì)產(chǎn)品或服務(wù)不滿意時(shí)，會(huì)帶有憤怒不滿的情緒提出自己的改進(jìn)措施及意見，表達(dá)較為負(fù)向。

當(dāng)創(chuàng)意閱讀者在閱讀創(chuàng)意內(nèi)容時(shí)，可以體會(huì)到創(chuàng)意發(fā)布者的情感表達(dá)，更積極的創(chuàng)意表達(dá)能讓讀者體會(huì)到發(fā)布者的信心和對(duì)產(chǎn)品的好感，而消極創(chuàng)意則讓讀者感到發(fā)布者的偏見或憤怒。讀者更愿意接受積極情感表達(dá)的創(chuàng)意，并為之投票[31]。閱讀積極情感的創(chuàng)意會(huì)感到更輕松，獲得更多的樂趣，好心情讓讀者更愿意接受創(chuàng)意，這種情況下創(chuàng)意會(huì)得到更多關(guān)注。綜上，本文假設(shè)：

H4：積極情感正向影響創(chuàng)意認(rèn)可度，創(chuàng)意中情感表達(dá)越積極，認(rèn)可度越高。

2.2.2 情感主觀性

本文還進(jìn)一步研究了情感主觀性對(duì)創(chuàng)意認(rèn)可度的影響。創(chuàng)意的情感主觀性就是用戶在創(chuàng)意文本描述中情感表達(dá)的自我、主觀程度[38]。創(chuàng)意是產(chǎn)品用戶對(duì)于產(chǎn)品或服務(wù)的創(chuàng)新想法或意見，需要客觀實(shí)際地表達(dá)自己的觀點(diǎn)[18]。主觀想象的描述多用于表現(xiàn)個(gè)人的觀點(diǎn)、情感等非事實(shí)內(nèi)容，有較強(qiáng)的強(qiáng)調(diào)自我成分[39]。

文獻(xiàn)表明[40]，過度自我的情緒表達(dá)會(huì)使閱讀者產(chǎn)生心里抗拒，從而減少對(duì)文本表達(dá)的認(rèn)可。Hu等[38]和Schindler等[41]對(duì)評(píng)論有用性的研究發(fā)現(xiàn)，表述溫和的評(píng)論具有最大的價(jià)值。當(dāng)用戶的創(chuàng)意描述偏向于自己的主觀意愿時(shí)，其創(chuàng)意情感主觀性較強(qiáng)，其他用戶可能在閱讀的時(shí)候認(rèn)為該創(chuàng)意摻雜了過多個(gè)人情緒，而認(rèn)為其價(jià)值較低；相反，當(dāng)創(chuàng)意描述比較客觀時(shí)，其他用戶會(huì)認(rèn)為該創(chuàng)意是理智和冷靜的，更容易接受，也更容易給予更多關(guān)注。因此，本文假設(shè)：

H5：情感主觀性負(fù)向影響創(chuàng)意認(rèn)可度，創(chuàng)意中情感主觀性表達(dá)越強(qiáng)，認(rèn)可度越低。

3 研究方法

3.1 數(shù)據(jù)收集

本文選擇Salesforce公司經(jīng)營的OIP——TrailBlazer Community作為研究對(duì)象。Sales-force是一家強(qiáng)大的客戶關(guān)系管理(Customer Relationship Management，CRM)軟件公司，是CRM行業(yè)最受歡迎的公司。TrailBlazer Community是由Salesforce創(chuàng)建的，用來提供用戶創(chuàng)意交流的OIP，IdeaExchange板塊用來收集用戶有關(guān)新產(chǎn)品開發(fā)的建議和創(chuàng)意(如圖2所示)。用戶可以根據(jù)分類發(fā)表不同的創(chuàng)意，也可以進(jìn)行評(píng)論、點(diǎn)贊、打分等交互活動(dòng)。

圖2 TrailBlazer Community的IdeaExchange板塊

通過Python爬蟲程序，本研究爬取了Idea-Exchange板塊的創(chuàng)意信息，包括每條創(chuàng)意的內(nèi)容、發(fā)表者、發(fā)表時(shí)長、得票數(shù)等(如圖3 所示)。由于網(wǎng)頁設(shè)置問題，每個(gè)分類只能顯示前500頁信息。因此，本研究爬取了截至2020年6月平臺(tái)上可用的全部創(chuàng)意信息，共22216條。通過數(shù)據(jù)清洗，去掉非英文及非完整信息的創(chuàng)意，保留了18777條創(chuàng)意。因?yàn)?TrailBlazer Community允許用戶設(shè)置隱藏主頁信息，所以我們無法獲取主頁不可見的用戶個(gè)人信息，為減少創(chuàng)意發(fā)布者特性對(duì)創(chuàng)意認(rèn)可度的影響，進(jìn)一步去除了無法獲取發(fā)布者主頁信息的創(chuàng)意，最終保留10818條創(chuàng)意數(shù)據(jù)。

圖3 創(chuàng)意信息

3.2 變量設(shè)計(jì)與測(cè)量

3.2.1 因變量設(shè)計(jì)

在OIP上，用戶可以通過投票來表示對(duì)一個(gè)創(chuàng)意的喜愛和關(guān)注程度，投票數(shù)越多，表示該創(chuàng)意受到更多產(chǎn)品用戶的關(guān)注，越容易被其他用戶認(rèn)可，也就越有價(jià)值。本文采用網(wǎng)站客觀的變量測(cè)量創(chuàng)意認(rèn)可度，即通過其他產(chǎn)品用戶對(duì)創(chuàng)意的投票數(shù)來測(cè)量，用Votes來表示。

3.2.2 自變量設(shè)計(jì)

(1)信息獨(dú)特性

本研究主要使用TF-IDF算法和余弦相似性計(jì)算文本相似度指標(biāo)Similarity，來衡量信息獨(dú)特性。TF-IDF是一種統(tǒng)計(jì)詞語重要性的方法，其中心思想是，如果某個(gè)詞在一篇文檔中出現(xiàn)頻率高且在其他文檔中很少出現(xiàn)，則該詞語具有較強(qiáng)區(qū)分能力[42]，可以將定性的文本量化為向量。余弦相似性指通過計(jì)算兩個(gè)向量的夾角余弦值來評(píng)估它們的相似度。TF-IDF和余弦相似性相結(jié)合被廣泛應(yīng)用于文本相似度計(jì)算中[43]，本研究使用該方法計(jì)算創(chuàng)意的文本相似度，具體計(jì)算過程如下：

①文本預(yù)處理：將每個(gè)創(chuàng)意文本作為一個(gè)文檔，對(duì)于每個(gè)文檔，首先要消除非英語字符和單詞、標(biāo)點(diǎn)和停用詞(例如a，an，the)；然后將所有大寫字母轉(zhuǎn)換為小寫字母；最后使用詞干提取算法將創(chuàng)意中的所有單詞都轉(zhuǎn)換為詞干(例如，“happy”和“happier”都轉(zhuǎn)換為“happy”)。

②制作語料庫：首先用dictionary方法獲取詞袋(bag-of-words)，然后使用doc2bow制作語料庫，生產(chǎn)的語料庫是一組向量，向量中的元素是一個(gè)二元組(編號(hào)、頻次數(shù))，對(duì)應(yīng)分詞后的文檔中的每一個(gè)詞。

③建立TF-IDF模型：TF(Term Frequency)指詞頻，即一個(gè)詞在文檔中出現(xiàn)的頻率；IDF(Inverse Document Frequency)指逆文檔頻率，表示某個(gè)詞在語料庫中出現(xiàn)的次數(shù)越多區(qū)分能力越差[44]。TF-IDF是詞頻與逆文檔頻率的乘積，每個(gè)詞項(xiàng)wi的計(jì)算如公式(1)所示，其中，tfj(wi)表示詞項(xiàng)wi在文檔j中出現(xiàn)的頻率，df(wi)表示全部文檔中詞項(xiàng)wi出現(xiàn)的頻率，N表示全部文檔數(shù)量[45]。

(1)

在計(jì)算每個(gè)詞項(xiàng)在每個(gè)文檔中的TF-IDF值后，就可以將每個(gè)文本文檔量化為向量模型。

④計(jì)算文本相似度：計(jì)算每個(gè)文檔與語料庫的余弦相似性，可得到該文檔的文本相似度。余弦相似度的計(jì)算如公式(2)所示[46]，其中，A表示焦點(diǎn)文檔的向量表示，B表示語料庫的向量表示。

(2)

⑤由于文本相似性測(cè)量的是文本之間的相似程度，數(shù)值越大表示文本的信息獨(dú)特性越差，為逆向指標(biāo)。為保證結(jié)果可視性，本研究對(duì)文本相似度值使用極差變換法進(jìn)行歸一化處理，將逆向指標(biāo)正向化[47]，如公式(3)所示。其中，xi表示焦點(diǎn)文檔的文本相似度原始值，MaxX表示全部文檔文本相似度最大值，MinX表示全部文檔文本相似度最小值。

(3)

(2)主題多樣性

本文用TopicNum表示創(chuàng)意文本的主要主題個(gè)數(shù)。過程主要包含三個(gè)步驟：①文本預(yù)處理；②LDA主題建模；③檢查每個(gè)創(chuàng)意中主要主題的數(shù)量。過程如下：

①文本預(yù)處理：預(yù)處理過程與文本相似度預(yù)處理相同，此處不再贅述。

②LDA主題建模：LDA是一種生成統(tǒng)計(jì)模型，可用于從大量文本中提取主題。 在LDA中，每個(gè)創(chuàng)意都可以視為各種主題的混合，其中每個(gè)主題都是代表某些“含義”的一組單詞(例如產(chǎn)品/服務(wù)的屬性)。對(duì)于給定的一組創(chuàng)意文本，可以通過LDA的生成過程獲得每個(gè)評(píng)論中的主題分布和每個(gè)主題中的單詞分布，進(jìn)而推斷出在線評(píng)論的主要主題。最優(yōu)主題數(shù)計(jì)算通常有三種方式，分別是通過經(jīng)驗(yàn)獲得、極大似然比最大值和困惑度最小值來判斷，本研究通過極大似然值獲得最優(yōu)主題數(shù)為40。每個(gè)主題都是通過一組代表某些含義的單詞表示，需要人工通過這些單詞，給予該主題某個(gè)標(biāo)簽作為標(biāo)記。最后，LDA結(jié)果得到每個(gè)文檔在每個(gè)主題的分布概率。在一篇文檔中，所有主題分布概率之和為1。

③檢查每個(gè)創(chuàng)意中主要主題的數(shù)量：通過上一步，已得到每篇?jiǎng)?chuàng)意文檔在40個(gè)主題下的分布，本研究將主題分布超過0.025(總分布概率為1，一共40個(gè)主題，如果主題平均分布的話，每個(gè)主題分布概率為0.025)的主題記為主要主題。

(3)文本可讀性

本研究認(rèn)為，得贊數(shù)多的創(chuàng)意文本更加可讀，為此引入了指標(biāo)Readability來衡量文本的可讀性。可讀性指標(biāo)本質(zhì)上是對(duì)文本單詞數(shù)量、句子數(shù)量所占比例的解釋，因此可以有效計(jì)算出文本的復(fù)雜情況[48]。計(jì)算文本可讀性的指標(biāo)很多，包括Flesch-Kincaid、Smog、Linsear Write Formula(LWF)等，本研究采用LWF作為可讀性的測(cè)量指標(biāo)。LWF最初由美國空軍開發(fā)，用來幫助計(jì)算其技術(shù)手冊(cè)的可讀程度，現(xiàn)已被廣泛應(yīng)用于文本可讀性測(cè)量，用于評(píng)價(jià)文本可讀程度。LWF指標(biāo)根據(jù)句子的長度和具有三個(gè)或更多音節(jié)的單詞數(shù)來計(jì)算文本可讀性等級(jí)，計(jì)算過程如下：

①從文本中找到100個(gè)單詞的示例；

②計(jì)算簡單單詞(easy words，定義為兩個(gè)或以下的音節(jié))記為e，包括a，an，the和其他簡單單詞；

③計(jì)算困難單詞(hard words，定義為三個(gè)或三個(gè)以上的音節(jié))，記為h；

④將簡單單詞的數(shù)量乘以“ 1”，將困難單詞的數(shù)量乘以“ 3”；

⑤將前面兩個(gè)數(shù)字加在一起(e+3h)；

(4)情感傾向

對(duì)文本情感值的計(jì)算主要有兩種方式，分別是人工編碼和計(jì)算機(jī)文本挖掘技術(shù)。本研究所用數(shù)據(jù)較多，采用人工編碼的方式工作量過大，故采用自然語言處理方法。我們使用Python編程的textblob包計(jì)算文本情感，用Sentiment表示結(jié)果，計(jì)算過程如下：

①文本預(yù)處理：預(yù)處理過程與文本相似度預(yù)處理相同；

②識(shí)別詞項(xiàng)情感值：利用成熟詞庫(斯坦福大學(xué)的CoreNLP)識(shí)別出每個(gè)詞項(xiàng)的情感得分；

③計(jì)算文檔情感傾向值：在每個(gè)創(chuàng)意文檔中，計(jì)算每個(gè)詞項(xiàng)情感得分的均值，得到該創(chuàng)意文檔的情感傾向值。其中，具有正向情感的記為正值，情感越激烈值越大，最大值為1；具有負(fù)向情感的記為負(fù)值，情感越激烈值越小，最小值為-1；沒有情感偏向的記為0。

(5)情感主觀性

情感主觀性是文本表達(dá)的主觀程度，本研究采用自然語言處理的方法獲取文本的情感主觀性。情感主觀性計(jì)算與情感傾向值計(jì)算類似，本文同樣利用Python的textblob包計(jì)算文本情感主觀性水平，用SentiSub表示，過程如下：

①文本預(yù)處理：預(yù)處理過程與文本相似度預(yù)處理相同；

②識(shí)別各詞項(xiàng)主觀值：利用成熟詞庫(斯坦福大學(xué)的CoreNLP)識(shí)別出每個(gè)詞項(xiàng)的主觀性得分；

③計(jì)算文檔情感主觀值：在每個(gè)創(chuàng)意文檔中，計(jì)算每個(gè)詞項(xiàng)主觀得分的均值，得到該創(chuàng)意文檔的情感主觀性得分。其中，情感主觀值最小值為0，表示該創(chuàng)意文本沒有主觀性的情感表達(dá)；最大值為1，表明該創(chuàng)意文本主觀性表達(dá)極強(qiáng)。

3.2.3 控制變量設(shè)計(jì)

根據(jù)研究文獻(xiàn)和平臺(tái)現(xiàn)狀，本研究從創(chuàng)意自身特征和創(chuàng)意發(fā)布者特征兩個(gè)角度選取控制變量。這些變量可能會(huì)對(duì)認(rèn)可度產(chǎn)生影響，但它們并不是本研究的重點(diǎn)。

(1)創(chuàng)意自身特征

創(chuàng)意自身特征包括創(chuàng)意類型、創(chuàng)意圖片數(shù)、創(chuàng)意長度及發(fā)表時(shí)長。創(chuàng)意類別指用戶發(fā)布創(chuàng)意時(shí)選擇的種類，在TrailBlazer Community，創(chuàng)意一共有16個(gè)大類(如analytics、commerce、communications等)及其包括的100個(gè)小類(如analytics包含operational dash-boards、operational reporting和Tableau CRM三個(gè)小類別)。本研究選取大類作為控制變量，控制每個(gè)創(chuàng)意所屬的大類，用Category表示。創(chuàng)意圖片數(shù)表示用戶在發(fā)布創(chuàng)意時(shí)為搭配創(chuàng)意文本添加的圖片數(shù)量，在TrailBlazer Community，用戶主要采用文字表達(dá)自己的創(chuàng)新想法，但也有少部分用戶添加了圖片作為輔助。本研究使用圖片數(shù)作為控制變量，用Images表示。創(chuàng)意長度指創(chuàng)意文本中單詞的數(shù)量，已有相關(guān)研究(如Liu等[34])探究了OIP中創(chuàng)意長度與創(chuàng)意可行性的關(guān)系，本研究使用創(chuàng)意中單詞字?jǐn)?shù)表示創(chuàng)意長度，用Words表示。創(chuàng)意發(fā)表時(shí)長指創(chuàng)意從發(fā)表到數(shù)據(jù)收集之間的時(shí)間，在TrailBlazer Community，創(chuàng)意發(fā)表的時(shí)間并不顯示發(fā)表的確切時(shí)間(年月日的表達(dá))，而是以“幾個(gè)月前”“幾年前”的形式存在(如圖3所示)，本研究控制創(chuàng)意發(fā)布時(shí)長time，以月為單位，用月數(shù)表示創(chuàng)意發(fā)表至創(chuàng)意收集之間的時(shí)間，少數(shù)創(chuàng)意發(fā)布時(shí)間不到一個(gè)月，曝光時(shí)間較短，以0.5表示。

(2)創(chuàng)意發(fā)布者特征

創(chuàng)意發(fā)布者特征包括發(fā)布者國家、發(fā)布者性別、發(fā)布者獲得勛章的數(shù)量和發(fā)布者創(chuàng)意數(shù)量，發(fā)布者特征可在用戶個(gè)人檔案頁面獲取(如圖4和圖5所示)。發(fā)布者國家表示發(fā)布者在用戶主頁填寫的國家信息，用Country表示，在我們的數(shù)據(jù)集中，共6924個(gè)用戶填寫了54個(gè)國家和地區(qū)，未填寫國家信息的用“0”代替。Sex為發(fā)布者性別，使用Pronoun判斷，“he/him/his”表示男性(用“1”表示)，“she/her/hers”表示女性(用“2”表示)，另外使用“0”代替“other/ask me”及未填寫性別信息的用戶。發(fā)布者獲得勛章的數(shù)量表示用戶獲得的獎(jiǎng)勵(lì)，用Badges表示。另外，我們控制了用戶活躍性水平，即用戶發(fā)表的創(chuàng)意總數(shù)，用Ideas表示。

圖4 用戶個(gè)人主頁(部分1)

圖5 用戶個(gè)人主頁(部分2)

表1為各變量及其測(cè)量指標(biāo)列表。因變量為創(chuàng)意認(rèn)可度，用投票數(shù)表示；自變量從信息性信號(hào)和情感性信號(hào)角度區(qū)分。除此以外，表中還展示了一系列控制變量。

表1 研究變量及測(cè)量指標(biāo)

相關(guān)數(shù)據(jù)的描述性統(tǒng)計(jì)結(jié)果如表2所示。

表2 數(shù)據(jù)描述性統(tǒng)計(jì)結(jié)果

3.3 模型設(shè)計(jì)

因變量Votes的頻數(shù)分布情況如表3所示。

表3 因變量Votes頻數(shù)分布

由表3可見，因變量分布不服從正態(tài)分布，因此不適于使用OLS線性模型。因?yàn)橐蜃兞繛橛?jì)數(shù)變量，所以考慮計(jì)數(shù)回歸模型，本研究選擇使用負(fù)二項(xiàng)回歸來研究影響用戶創(chuàng)意貢獻(xiàn)行為的因素，該回歸模型引入隨機(jī)干擾項(xiàng)εi放寬了均值和方差相等的約束。本研究的回歸模型如方程(4)所示：

Votes=α0+α1Similarity+α2TopicNum+α3Readability+α4Sentiment+
α5SentiSub+α6Category+α7Images+α8Words+α9Time+α10Country+
α11Sex+α12Badges+α13Ideas+εi

(4)

如公式(4)所示，研究考察創(chuàng)意語言信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響，因變量是創(chuàng)意認(rèn)可度，用投票數(shù)(Votes)表示。自變量有信息性信號(hào)，分別用文本相似性(Similarity)、主題數(shù)(TopicNum)、可讀性(Readability)表示，自變量還有情感性信號(hào)，分別用情感強(qiáng)度(Sentiment)和情感傾向(SentiSub)表示?？刂谱兞堪瑢?duì)創(chuàng)意自身特征的控制和創(chuàng)意發(fā)布者特征的控制，創(chuàng)意自身特征包括創(chuàng)意類別(Category)、創(chuàng)意包含的圖片數(shù)(Images)、創(chuàng)意長度(Words)和創(chuàng)意發(fā)表時(shí)長(Time)；創(chuàng)意發(fā)布者特征包括發(fā)布者所屬國家(Country)、性別(Sex)、獲得的勛章數(shù)量(Badges)及發(fā)布過的創(chuàng)意數(shù)量(Ideas)。此外，εi為誤差項(xiàng)。

4 實(shí)證結(jié)果分析

4.1 假設(shè)檢驗(yàn)

本文使用 Stata軟件進(jìn)行數(shù)據(jù)分析和假設(shè)檢驗(yàn)，得到負(fù)二項(xiàng)回歸模型的結(jié)果如表4所示。其中，模型1中只包含控制變量，模型2在模型1的基礎(chǔ)上加入所有信息性信號(hào)類型自變量，模型3在模型1的基礎(chǔ)上增加了情感性信號(hào)類型自變量，模型4是全部自變量和控制變量的回歸。

由表4可以看出，加入所有自變量和控制變量的模型4擬合度更優(yōu)。

表4 負(fù)二項(xiàng)回歸模型結(jié)果

信息性信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響方面，信息獨(dú)特性指標(biāo)(Similarity)正向影響創(chuàng)意投票數(shù)(模型2,β=0.259,p<0.1; 模型4,β=0.250,p<0.1)，即創(chuàng)意越獨(dú)特，新穎性越高，越容易受到其他用戶的歡迎，假設(shè)H1成立；主題多樣性指標(biāo)(TopicNum)負(fù)向影響創(chuàng)意投票數(shù)(模型2,β=-0.014,p<0.05; 模型4,β=-0.0145,p<0.05)，表示在一個(gè)創(chuàng)意中，主題個(gè)數(shù)越多，越不受到其他用戶歡迎，假設(shè)H2成立；文本可讀性(Readability)正向影響創(chuàng)意投票數(shù)(模型2,β=0.005,p<0.01; 模型4,β=0.005,p<0.01)，即創(chuàng)意越容易閱讀，文本表示越不復(fù)雜，越容易得到用戶認(rèn)可，假設(shè)H3成立。

情感性信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響方面，情感傾向值(Sentiment)對(duì)創(chuàng)意投票數(shù)有正向影響(模型3,β=0.180,p<0.05; 模型4,β=0.186,p<0.05)，表示創(chuàng)意描述越積極，該創(chuàng)意得到的投票越多，假設(shè)H4成立；情感主觀性指標(biāo)(SentiSub)負(fù)向影響創(chuàng)意投票數(shù)(模型3,β=-0.267,p<0.01; 模型4,β=-0.266, p<0.01)，即創(chuàng)意描述越主觀，越不容易得到其他用戶的認(rèn)可，假設(shè)H5成立。

通過回歸結(jié)果，可以得知，對(duì)信息性信號(hào)而言，創(chuàng)意信息越獨(dú)特，與先前創(chuàng)意越不相同，越容易得到其他用戶的認(rèn)可；創(chuàng)意所含的主題數(shù)量越少，主題越單一，越容易得到其他用戶的支持；創(chuàng)意文本越容易閱讀，越簡單，其他用戶的認(rèn)可度越高。對(duì)文本情感性信號(hào)而言，創(chuàng)意所表達(dá)的情感越積極，越容易得到他人認(rèn)可；創(chuàng)意主觀性越強(qiáng)，越不容易得到他人認(rèn)可。

4.2 穩(wěn)健性檢驗(yàn)

4.2.1 數(shù)據(jù)方面：重新爬取近一年數(shù)據(jù)

為保證數(shù)據(jù)的穩(wěn)健性，我們于2021年6月重新爬取2020年6月1日—2021年5月31日創(chuàng)意數(shù)據(jù)進(jìn)行分析，經(jīng)過數(shù)據(jù)處理和清洗后最終獲得5666條創(chuàng)意。重新經(jīng)過上述方法處理和回歸后，結(jié)果如表5中模型5所示?？梢钥闯?，在重新選擇數(shù)據(jù)后，所得研究結(jié)論與前文基本一致，結(jié)果穩(wěn)健。

表5 穩(wěn)健性檢驗(yàn)結(jié)果

4.2.2 變量方面：變更創(chuàng)意認(rèn)可度衡量方式

本文采用創(chuàng)意投票數(shù)votes衡量創(chuàng)意認(rèn)可度，除投票數(shù)外，TrailBlazer Community中也用得點(diǎn)數(shù)points表示創(chuàng)意認(rèn)可程度。Votes主要是其他用戶給予的支持性評(píng)分，Points是平臺(tái)對(duì)創(chuàng)意的打分，通過其他用戶對(duì)該創(chuàng)意的支持和反對(duì)投票給予的綜合性得分?；貧w結(jié)果如表5中模型6所示，所得結(jié)論與前文基本一致。

4.2.3 計(jì)量方面：使用泊松回歸

泊松回歸同樣適用于計(jì)數(shù)變量回歸，本研究使用泊松回歸進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行回歸[49]，結(jié)果如表5中模型7所示?？梢钥闯?，信息性信號(hào)和情感性信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響與前文基本一致，結(jié)果穩(wěn)健。

5 結(jié)語

5.1 研究結(jié)論與貢獻(xiàn)

本研究借鑒信號(hào)理論，建立了一個(gè)創(chuàng)意認(rèn)可度的語言信號(hào)模型，通過對(duì)Salesforce TrailBlazer Community的10818條創(chuàng)意進(jìn)行測(cè)試，研究了創(chuàng)意不同類型的語言信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響，得到以下結(jié)論。

(1)本研究引入信號(hào)理論，從兩種信號(hào)類型角度提出五種文本特征，構(gòu)建了影響創(chuàng)意認(rèn)可度的文本特征理論框架。與企業(yè)創(chuàng)新的傳統(tǒng)線下環(huán)境不同，文本是OIP創(chuàng)意的主要載體，是創(chuàng)意發(fā)布者和創(chuàng)意閱讀者之間初次溝通的主要渠道。以往研究多聚焦于創(chuàng)意發(fā)布者特征和創(chuàng)意表現(xiàn)特征的結(jié)構(gòu)性指標(biāo)角度， 采用統(tǒng)計(jì)量表、 結(jié)構(gòu)性指標(biāo)或小樣本人工標(biāo)注等方法分析文本特征對(duì)創(chuàng)意認(rèn)可度的影響，尚未在理論層面對(duì)文本特征的語言風(fēng)格進(jìn)行全面闡釋。本文基于信號(hào)理論，整合量化文本特征，探索了創(chuàng)意文本特征中包含的語言信號(hào)。本研究認(rèn)為，創(chuàng)意發(fā)布者和創(chuàng)意閱讀者之間的信息不對(duì)稱可以通過信息性信號(hào)和情感性信號(hào)得到有效緩解，具體來說，信息獨(dú)特性、主題多樣性和文本可讀性傳遞信息性信號(hào)，情感效價(jià)和情感主觀性傳遞情感性信號(hào)。

(2)本研究揭示了信息性信號(hào)與情感性信號(hào)對(duì)創(chuàng)意認(rèn)可度正負(fù)向影響的內(nèi)在邏輯。與已有文獻(xiàn)中文本信號(hào)一致的正向影響不同[15]，本文結(jié)果表明，在OIP領(lǐng)域，文本傳達(dá)的信號(hào)對(duì)創(chuàng)意認(rèn)可度的影響方向并不相同，研究顯示，信息獨(dú)特性、文本可讀性和情感效價(jià)信號(hào)正向影響創(chuàng)意認(rèn)可度，即觀點(diǎn)更特殊、可讀性更強(qiáng)、表達(dá)更積極的創(chuàng)意更容易受到其他用戶的認(rèn)可；主題多樣性及情感主觀性對(duì)創(chuàng)意認(rèn)可度產(chǎn)生負(fù)向影響，即多主題和更主觀的創(chuàng)意不太會(huì)受到其他用戶歡迎。本文厘清了創(chuàng)意文本描述影響認(rèn)可度的潛在規(guī)律，豐富了開放式創(chuàng)新平臺(tái)的文獻(xiàn)。

本研究也為企業(yè)或平臺(tái)管理者提供了一定的管理建議：

(1)本研究結(jié)果有利于協(xié)助開放式創(chuàng)新平臺(tái)重新定位用戶創(chuàng)意文本特征的作用，為企業(yè)篩選高質(zhì)量創(chuàng)意提供了新的思路。創(chuàng)意在平臺(tái)上發(fā)布是一個(gè)信號(hào)傳遞的過程，鑒于此，管理者可以通過創(chuàng)意所表達(dá)的信息性信號(hào)和情感性信號(hào)確定更有可能受到歡迎的創(chuàng)意，增加這些創(chuàng)意的曝光度，篩選出更具有潛在價(jià)值的創(chuàng)意。

(2)平臺(tái)可以根據(jù)本研究結(jié)論推出創(chuàng)意描述規(guī)則，以指導(dǎo)用戶以適當(dāng)?shù)姆绞矫枋鰟?chuàng)意。我們?yōu)槠髽I(yè)刺激平臺(tái)用戶創(chuàng)造更容易受到認(rèn)可的創(chuàng)意提供了新的想法，比如在信息傳達(dá)上，激勵(lì)用戶發(fā)表更特殊、更容易理解的創(chuàng)意；在情感表達(dá)上，激勵(lì)用戶發(fā)布更友好、更具積極情感傾向的創(chuàng)意。

5.2 研究局限與未來研究方向

本研究力求采用客觀嚴(yán)謹(jǐn)?shù)目茖W(xué)方法驗(yàn)證模型和假設(shè)，但仍存在一些局限，一是平臺(tái)樣本的選擇問題，僅選擇了CRM軟件的OIP作為研究對(duì)象，未能廣泛使用其他類型的平臺(tái)；二是樣本語言的選擇問題，僅使用了英文文本創(chuàng)意，沒有考慮其他語言的影響；三是觀測(cè)因素的選擇問題，未考慮某些無法觀測(cè)的因素對(duì)用戶創(chuàng)意認(rèn)可度的影響，如用戶內(nèi)在需求等；四是測(cè)度的選擇問題，本文的變量測(cè)度存在一定主觀性，尚未對(duì)其他測(cè)度進(jìn)行討論，將來需要進(jìn)一步改進(jìn)和完善。

因此，本文有以下未來研究的建議：第一，選擇不同類型的OIP，研究不同行業(yè)、種類的OIP，探索其創(chuàng)意語言信號(hào)特征對(duì)創(chuàng)意認(rèn)可度的影響；第二，在文本分析的基礎(chǔ)上，深入挖掘以圖片、視頻等形式存在的創(chuàng)意信息的信號(hào)特征，探討不同信息內(nèi)容對(duì)OIP創(chuàng)意認(rèn)可度的影響；第三，采用定性定量相結(jié)合的方法，探究用戶內(nèi)在動(dòng)機(jī)與創(chuàng)意質(zhì)量之間的機(jī)理。