學(xué)術(shù)社交網(wǎng)絡(luò)科研用戶(hù)類(lèi)型劃分及其行為差異研究*

嚴(yán)煒煒 溫 馨 鄭梓陽(yáng)

(武漢大學(xué)信息管理學(xué)院 武漢 430072)

0 引 言

學(xué)術(shù)社交網(wǎng)絡(luò)是專(zhuān)門(mén)面向科研人員和研究機(jī)構(gòu)的社交媒介[1]，提供發(fā)現(xiàn)研究成果的替代手段，變革以學(xué)術(shù)會(huì)議、學(xué)術(shù)互訪為代表的傳統(tǒng)學(xué)術(shù)交流模式[2]。學(xué)術(shù)資源易獲性、學(xué)術(shù)互動(dòng)及時(shí)性、科研合作跨越性[3]，構(gòu)成了學(xué)術(shù)社交網(wǎng)絡(luò)的基本特征，也對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)用戶(hù)行為理解與平臺(tái)治理提出了新的要求。針對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)用戶(hù)行為規(guī)律的揭示，不僅有助于歸納用戶(hù)群體對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)的認(rèn)可度和利用特征，也對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)平臺(tái)功能優(yōu)化具有促進(jìn)作用。

圖1 研究思路流程

當(dāng)前社交網(wǎng)絡(luò)用戶(hù)行為的研究視角主要體現(xiàn)為兩方面：一是利用相關(guān)理論研究各類(lèi)因素、環(huán)境等對(duì)在線社交網(wǎng)絡(luò)用戶(hù)的采納、拒絕、持續(xù)使用等行為的影響；二是利用相關(guān)統(tǒng)計(jì)學(xué)方法，圍繞用戶(hù)個(gè)體使用行為和群體互動(dòng)行為等，研究用戶(hù)使用社交網(wǎng)絡(luò)服務(wù)和應(yīng)用所表現(xiàn)出的特征與規(guī)律[4]。前者在面向?qū)W術(shù)社交網(wǎng)絡(luò)的研究中已得到諸多運(yùn)用，研究發(fā)現(xiàn)學(xué)術(shù)社交網(wǎng)絡(luò)中科研用戶(hù)之間目標(biāo)和價(jià)值觀的共同性，是平臺(tái)內(nèi)創(chuàng)建的知識(shí)對(duì)科研用戶(hù)的研究產(chǎn)出和科學(xué)實(shí)踐產(chǎn)生影響的必要前提[5]；語(yǔ)言及相關(guān)社會(huì)規(guī)范則可能會(huì)影響國(guó)際范圍內(nèi)科研人員建立聯(lián)系[6]；而我國(guó)科研用戶(hù)對(duì)以Research Gate(RG)為代表的學(xué)術(shù)社交網(wǎng)絡(luò)已具有一定的認(rèn)知度，其使用需求與使用動(dòng)機(jī)呈現(xiàn)重獲取、輕交互的現(xiàn)象[7]。后者研究則更多聚焦于Twitter、新浪微博等一般性社交網(wǎng)絡(luò)平臺(tái)，在進(jìn)行用戶(hù)行為規(guī)律探究的同時(shí)，也分析了基于平臺(tái)相關(guān)測(cè)度指標(biāo)來(lái)度量用戶(hù)影響力的可行性[8]，并借助對(duì)用戶(hù)數(shù)據(jù)的長(zhǎng)期跟蹤以揭示用戶(hù)行為的時(shí)序性變化，進(jìn)而從用戶(hù)特征[9]、發(fā)布行為[10]、有向關(guān)系拓?fù)鋄11]等方面開(kāi)展研究。盡管部分研究也關(guān)注了學(xué)術(shù)社交網(wǎng)絡(luò)中的用戶(hù)行為特征，如研究指出不同職位的學(xué)術(shù)社交網(wǎng)絡(luò)用戶(hù)之間存在行為和群體特征的差異，教職工與博士后研究人員相比于獨(dú)立研究人員在平臺(tái)中呈現(xiàn)的社交關(guān)系水平偏低[12]，且不同國(guó)家的科研人員表現(xiàn)也有明顯差異[13]，但當(dāng)前多數(shù)研究對(duì)于用戶(hù)類(lèi)型主要以學(xué)科、地區(qū)等背景基礎(chǔ)信息作為粗糙的分類(lèi)依據(jù)，需進(jìn)一步結(jié)合相關(guān)理論模型得到具有平臺(tái)特色的用戶(hù)類(lèi)型劃分規(guī)則，以此突出不同類(lèi)型用戶(hù)間的行為差異。此外，對(duì)于針對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)用戶(hù)行為時(shí)序變化規(guī)律的跟蹤研究仍較為匱乏，尤其是目前國(guó)內(nèi)科研用戶(hù)對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)接受程度及利用行為發(fā)展變化規(guī)律的揭示還較為有限。

因此，本文以學(xué)術(shù)社交網(wǎng)絡(luò)中科研用戶(hù)為研究對(duì)象，結(jié)合時(shí)間維度跟蹤并歸納其行為及影響力的變化情況，定量揭示不同類(lèi)型用戶(hù)群體的核心特點(diǎn)，拓寬用戶(hù)利用學(xué)術(shù)社交網(wǎng)絡(luò)行為規(guī)律的研究視角，為優(yōu)化平臺(tái)面向用戶(hù)的學(xué)術(shù)價(jià)值挖掘和學(xué)術(shù)功能結(jié)構(gòu)提供支撐依據(jù)，進(jìn)而營(yíng)造良好的平臺(tái)學(xué)術(shù)交互與合作氛圍，以此更好地幫助科研用戶(hù)長(zhǎng)時(shí)且有效地利用學(xué)術(shù)社交網(wǎng)絡(luò)開(kāi)展學(xué)術(shù)交流、維系學(xué)術(shù)關(guān)系、獲得學(xué)術(shù)聲譽(yù)。

1 研究設(shè)計(jì)

1.1理論基礎(chǔ)及研究思路AARRR模型借助數(shù)據(jù)分析實(shí)現(xiàn)平臺(tái)運(yùn)營(yíng)、指標(biāo)體系與用戶(hù)轉(zhuǎn)化等方面的相互契合，有助于平臺(tái)依照用戶(hù)生命周期階段選取具有針對(duì)性的運(yùn)營(yíng)優(yōu)化策略，已獲得普遍認(rèn)可并應(yīng)用于諸多在線平臺(tái)運(yùn)營(yíng)體系之中?？紤]到學(xué)術(shù)社交網(wǎng)絡(luò)亦是幫助科研用戶(hù)建立社會(huì)網(wǎng)絡(luò)和促進(jìn)以研究為導(dǎo)向的各種活動(dòng)的一種在線服務(wù)、工具或平臺(tái)[14]，其運(yùn)營(yíng)流程與AARRR模型中的各環(huán)節(jié)具有共通之處，即平臺(tái)內(nèi)的所有用戶(hù)并非長(zhǎng)期處于靜止?fàn)顟B(tài)，平臺(tái)運(yùn)營(yíng)中的全過(guò)程將涉及到用戶(hù)的新增、活躍、留存和流失等多種形態(tài)及其行為變化。因此本文基于AARRR模型理論，結(jié)合學(xué)術(shù)社交網(wǎng)絡(luò)在變現(xiàn)等方面相對(duì)弱化的運(yùn)作特征，依照學(xué)術(shù)社交網(wǎng)絡(luò)相關(guān)服務(wù)功能指標(biāo)，構(gòu)建具有平臺(tái)服務(wù)特性的用戶(hù)分類(lèi)規(guī)則，如圖1所示。研究首先以學(xué)術(shù)社交網(wǎng)絡(luò)中的科研用戶(hù)為研究對(duì)象，獲取其在不同年份下在RG中公開(kāi)的用戶(hù)數(shù)據(jù)，構(gòu)建用戶(hù)類(lèi)型劃分規(guī)則，經(jīng)有效性檢驗(yàn)后分別從基礎(chǔ)信息、利用行為、社交關(guān)系和影響力4個(gè)方面比較不同類(lèi)型用戶(hù)在學(xué)術(shù)社交網(wǎng)絡(luò)中的表現(xiàn)差異，最后總結(jié)研究的主要結(jié)論，面向平臺(tái)提出學(xué)術(shù)社交網(wǎng)絡(luò)科研用戶(hù)的激勵(lì)措施。

1.2數(shù)據(jù)的獲取與處理在眾多學(xué)術(shù)社交網(wǎng)絡(luò)中，RG具有較完備的交互性功能服務(wù)，并且以其獨(dú)特的打分制，能夠激勵(lì)用戶(hù)通過(guò)發(fā)布研究成果、提問(wèn)與回答等手段提高分?jǐn)?shù)，以此增強(qiáng)用戶(hù)黏性，相關(guān)計(jì)量指標(biāo)可直觀顯示用戶(hù)開(kāi)展學(xué)術(shù)交流的情況，歸納用戶(hù)的行為及影響力變化規(guī)律。因此RG等學(xué)術(shù)社交網(wǎng)絡(luò)已成為科研工作者獲取學(xué)術(shù)資源、進(jìn)行知識(shí)交流的重要平臺(tái)，正逐漸引起科研用戶(hù)的重視。由于科研機(jī)構(gòu)聚集了不同領(lǐng)域眾多科研人員，同時(shí)中國(guó)科學(xué)院(中科院)在學(xué)術(shù)社交網(wǎng)絡(luò)中亦具有可觀的科研用戶(hù)數(shù)量。所以本文以中科院作為科研用戶(hù)的來(lái)源機(jī)構(gòu)，獲取與處理2018年和2020年其在RG中公開(kāi)的用戶(hù)數(shù)據(jù)，進(jìn)而開(kāi)展用戶(hù)行為及其影響力的時(shí)序分析。

為獲取數(shù)據(jù)樣本，首先從中科院官網(wǎng)中獲取所有研究單位名單，將其官方提供的英文名稱(chēng)作為關(guān)鍵詞在RG中檢索得到該研究單位頁(yè)面URL?？紤]到部分研究單位隨時(shí)間可能出現(xiàn)新增、撤銷(xiāo)和更名等情況，本文僅保留在2年間未發(fā)生變化的88所研究單位。其次，從研究單位的RG主頁(yè)可獲取該研究單位下所有科研用戶(hù)個(gè)人主頁(yè)的URL，進(jìn)一步得到用戶(hù)在統(tǒng)計(jì)期共有指標(biāo)下的用戶(hù)信息，包括個(gè)人的標(biāo)識(shí)信息(URL、賬號(hào)ID)、基礎(chǔ)信息(名字、學(xué)位、所屬機(jī)構(gòu)、學(xué)科)、利用情況(科研成果數(shù)量、項(xiàng)目數(shù)量、問(wèn)題數(shù)量、回答數(shù)量)、社交關(guān)系(合作者、關(guān)注者、被關(guān)注者)、影響力信息(瀏覽量、推薦量、被引量、H指數(shù)、RG score)。數(shù)據(jù)樣本的獲取時(shí)間為各年度的11月28日至12月18日，在剔除頁(yè)面失效等用戶(hù)數(shù)據(jù)后，最終得到12 756條2018年用戶(hù)信息和16 051條2020年用戶(hù)信息。

1.3用戶(hù)類(lèi)型劃分規(guī)則為了更好概括科研用戶(hù)在學(xué)術(shù)社交網(wǎng)絡(luò)中的表現(xiàn)，本文依照?qǐng)D2中的分類(lèi)規(guī)則將科研用戶(hù)劃分為新增用戶(hù)、活躍用戶(hù)、留存用戶(hù)和流失用戶(hù)4種用戶(hù)類(lèi)型。新增用戶(hù)指相比于2018年出現(xiàn)的新賬號(hào)ID對(duì)應(yīng)的2020年用戶(hù)；流失用戶(hù)則指相比于2020年缺失的賬號(hào)ID對(duì)應(yīng)的2018年用戶(hù)。

對(duì)于2018年和2020年均擁有賬號(hào)ID的條件下，考慮到RG score是對(duì)用戶(hù)當(dāng)前分享或添加到個(gè)人資料中任何貢獻(xiàn)(例如科研成果、項(xiàng)目、問(wèn)題和答案)的綜合反映和衡量，同時(shí)本文聚焦于科研用戶(hù)在采集時(shí)間段內(nèi)所開(kāi)展的主動(dòng)信息更新行為，包括個(gè)人信息的更新(姓名、學(xué)位、所屬機(jī)構(gòu)、學(xué)科標(biāo)簽列表)、數(shù)值信息的改變(科研成果數(shù)量、項(xiàng)目數(shù)量、問(wèn)題數(shù)量、回答數(shù)量)和社交關(guān)系的改變(關(guān)注數(shù)量)，故將至少發(fā)生1次信息更新且RG score大于0的用戶(hù)劃分為活躍用戶(hù)，其余情況則歸為留存用戶(hù)。活躍用戶(hù)表現(xiàn)為該用戶(hù)能夠主動(dòng)更新個(gè)人信息且其科研成果和交互情況能夠得到平臺(tái)有效的衡量，反之留存用戶(hù)表現(xiàn)為該用戶(hù)2年內(nèi)持有平臺(tái)賬號(hào)但未發(fā)生有效的信息更新。

圖2 科研用戶(hù)類(lèi)型分類(lèi)規(guī)則

在此規(guī)則下最終得到4390位新增用戶(hù)，7250位活躍用戶(hù)，4411位留存用戶(hù)和1095位流失用戶(hù)，其中活躍用戶(hù)和留存用戶(hù)均擁有2018年和2020年的用戶(hù)數(shù)據(jù)，而新增用戶(hù)、流失用戶(hù)僅分別擁有2020年和2018年的用戶(hù)數(shù)據(jù)，以此將不同類(lèi)型科研用戶(hù)及其所在年份標(biāo)記為6個(gè)組別，分別為新增用戶(hù)、活躍用戶(hù)(2018)、活躍用戶(hù)(2020)、留存用戶(hù)(2018)、留存用戶(hù)(2020)、流失用戶(hù)。

1.4顯著性差異檢驗(yàn)為了檢測(cè)不同用戶(hù)類(lèi)型間在各個(gè)指標(biāo)下是否有顯著差異，表1對(duì)于不同組別進(jìn)行顯著性差異檢驗(yàn)，探討同一類(lèi)型不同年份間的科研用戶(hù)行為的差異性，以此顯現(xiàn)本文的分組規(guī)則是否有效。Kruskal-Wallis檢驗(yàn)結(jié)果顯示，在95%置信水平下，6個(gè)用戶(hù)類(lèi)型組別間在各個(gè)指標(biāo)下都存在明顯的顯著性差異。進(jìn)一步針對(duì)同一類(lèi)型不同年份的組間檢驗(yàn)，本文利用面向在樣本受限和總體分布未知的情形下的兩個(gè)獨(dú)立樣本之間的差異比較的Mann-Whitney檢驗(yàn)方法[15]。結(jié)果顯示在95%置信水平下，活躍用戶(hù)的2018年和2020年在各個(gè)指標(biāo)下都具有顯著性差異，兩年間各個(gè)指標(biāo)的變化較為明顯，但相較于其他指標(biāo)，問(wèn)答方面的顯著性水平偏低。留存用戶(hù)的2018年和2020年僅在被關(guān)注數(shù)量(p=0.000)、瀏覽量(p=0.000)、推薦量(p=0.000)和被引量(p=0.004)4個(gè)指標(biāo)下都具有顯著性差異，而其余需要用戶(hù)主動(dòng)更新的信息(如上傳科研成果、分享問(wèn)答、關(guān)注其他用戶(hù)等方面)并沒(méi)有表現(xiàn)顯著，可見(jiàn)相較于活躍用戶(hù)，留存用戶(hù)在主動(dòng)更新個(gè)人信息方面并沒(méi)有顯現(xiàn)出較為明顯的差異，印證了本文分組規(guī)則的有效性。

表1 不同用戶(hù)組別的顯著性差異檢驗(yàn)

2 不同用戶(hù)類(lèi)型差異比較

2.1用戶(hù)基礎(chǔ)信息比較在用戶(hù)類(lèi)型的界定規(guī)則中，活躍用戶(hù)相比于其他3類(lèi)用戶(hù)在信息更新方面表現(xiàn)得更為活躍，因此本文首先單獨(dú)討論活躍用戶(hù)在用戶(hù)身份、所屬機(jī)構(gòu)、學(xué)科背景等用戶(hù)基礎(chǔ)信息方面的變動(dòng)情況。如表2所示，學(xué)科信息(16.924%)和學(xué)位信息(11.917%)是科研機(jī)構(gòu)活躍用戶(hù)最為主要的2種基礎(chǔ)信息變更形式，而名字(1.834%)和機(jī)構(gòu)(0.138%)信息在2年內(nèi)變更情況不多，僅有10位活躍用戶(hù)發(fā)生了機(jī)構(gòu)信息更改，相關(guān)研究也指出對(duì)于一定規(guī)模的科研機(jī)構(gòu)來(lái)說(shuō)，短期內(nèi)人員除了少量的退休、調(diào)出以及新引進(jìn)之外，會(huì)大體保持穩(wěn)定[16]。名字方面的變更方式表現(xiàn)為細(xì)節(jié)上的規(guī)范化，如姓名格式順序(30.075%)、大小寫(xiě)變換(8.271%)等，使之更加貼合英文姓名表述方式，便于開(kāi)展國(guó)際化學(xué)術(shù)交流。學(xué)位信息發(fā)生變更的活躍用戶(hù)中更多表現(xiàn)于添加學(xué)位信息(59.375%)，其次為更改(40.046%)，而刪除個(gè)人學(xué)位信息的活躍用戶(hù)(0.579%)相對(duì)較少。此外，RG允許用戶(hù)根據(jù)近期的研究選取合適的學(xué)科標(biāo)簽并展示于個(gè)人頁(yè)面，而發(fā)生學(xué)科信息變更的活躍用戶(hù)中，超過(guò)七成的用戶(hù)表現(xiàn)為標(biāo)簽數(shù)量變少(71.883%)，這可能源于RG個(gè)人主頁(yè)結(jié)構(gòu)的變化調(diào)整，2018年的學(xué)科信息僅展示于需要手動(dòng)點(diǎn)擊跳轉(zhuǎn)的子頁(yè)面，而在2020年該信息位于個(gè)人首頁(yè)的中間板塊，用戶(hù)在標(biāo)記個(gè)人學(xué)科時(shí)顯現(xiàn)得更加謹(jǐn)慎。

表2 活躍用戶(hù)的基礎(chǔ)信息(名字、學(xué)位、機(jī)構(gòu)和學(xué)科)變更情況

表3分別統(tǒng)計(jì)不同類(lèi)型用戶(hù)在各年份上出現(xiàn)頻次排名前十的學(xué)科標(biāo)簽，可見(jiàn)2018年和2020年所有中科院用戶(hù)的學(xué)科標(biāo)簽以材料、化學(xué)、生態(tài)、人工智能等領(lǐng)域?yàn)橹?，這反映出當(dāng)前活躍于RG的中科院用戶(hù)的學(xué)科背景。其中，“材料化學(xué)(Materials Chemistry)”“生態(tài)學(xué)(Ecology)”和“分子生物學(xué)(Molecular Biology)”3個(gè)學(xué)科標(biāo)簽的出現(xiàn)頻次穩(wěn)居2018年和2020年樣本整體以及活躍用戶(hù)的前3位。研究單位層面，化學(xué)研究所(活躍用戶(hù)數(shù)=370，活躍率=52.86%)、生態(tài)環(huán)境研究中心(活躍用戶(hù)數(shù)=281，活躍率=51.28%)、廣州地球化學(xué)研究所(活躍用戶(hù)數(shù)=193，活躍率=56.10%)等機(jī)構(gòu)較高的活躍率印證了上述活躍用戶(hù)的學(xué)科背景。

表3 不同年份下所有類(lèi)型用戶(hù)的學(xué)科Top10

留存用戶(hù)前后兩年出現(xiàn)頻次排名前十的學(xué)科及其相對(duì)順序沒(méi)有太大的改變，出現(xiàn)頻繁的“人工智能(Artificial Intelligence)”“算法(Algorithms)”“人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)”等學(xué)科標(biāo)簽顯現(xiàn)出留存用戶(hù)更有可能來(lái)源于計(jì)算機(jī)方面的領(lǐng)域，留存率較高的軟件研究所(留存用戶(hù)數(shù)=94，留存率=41.78%)、計(jì)算技術(shù)研究所(留存用戶(hù)數(shù)=130，留存率=39.51%)、信息工程研究所(留存用戶(hù)數(shù)=197，留存率=39.17%)等計(jì)算機(jī)領(lǐng)域的研究單位也印證了這一點(diǎn)。新增用戶(hù)的學(xué)科背景與活躍用戶(hù)及留存用戶(hù)均存在相似與差異之處，即除了“生態(tài)學(xué)(Ecology)”“材料化學(xué)(Materials Chemistry)”“分子生物學(xué)(Molecular Biology)”3項(xiàng)三者共有的標(biāo)簽以外，“人工智能(Artificial Intelligence)”“人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)”和“地質(zhì)學(xué)(Geology)”“地球化學(xué)(Geochemistry)”也曾分別出現(xiàn)于留存用戶(hù)與活躍用戶(hù)的學(xué)科標(biāo)簽列表中，新增用戶(hù)還出現(xiàn)了“環(huán)境科學(xué)(Environmental Science)”“地理學(xué)(Geography)”“遙感(Remote Sensing)”等標(biāo)簽。這與部分機(jī)構(gòu)較高的新增率可能存在聯(lián)系，例如地理科學(xué)與資源研究所(新增用戶(hù)數(shù)=348，新增率=158.18%)、信息工程研究所(新增用戶(hù)數(shù)=227，新增率=80.21%)、深圳先進(jìn)技術(shù)研究院(新增用戶(hù)數(shù)=88，新增率=77.19%)等研究單位逐漸重視學(xué)術(shù)社交網(wǎng)絡(luò)的使用。

2.2用戶(hù)利用行為比較對(duì)于學(xué)術(shù)社交網(wǎng)絡(luò)學(xué)術(shù)資源共享及問(wèn)答交流功能的利用情況，不同類(lèi)型科研用戶(hù)存在一定的相似性。表4中各個(gè)類(lèi)型用戶(hù)前后兩年呈現(xiàn)出相似的利用差異，即各類(lèi)型用戶(hù)在其各年的數(shù)據(jù)中均顯現(xiàn)出科研成果數(shù)量遠(yuǎn)大于項(xiàng)目數(shù)量，同時(shí)回答數(shù)量也大于問(wèn)題數(shù)量，這表明科研用戶(hù)更加偏好分享科研成果和回答其他用戶(hù)的提問(wèn)。對(duì)于2018年的用戶(hù)利用數(shù)據(jù)，無(wú)論是樣本整體還是活躍用戶(hù)、留存用戶(hù)在2020年時(shí)各項(xiàng)指標(biāo)的均值都出現(xiàn)上漲。

不同類(lèi)型科研用戶(hù)在學(xué)術(shù)社交網(wǎng)絡(luò)的利用水平不盡相同。無(wú)論是學(xué)術(shù)資源的共享還是問(wèn)答交流方面，活躍用戶(hù)均高于對(duì)應(yīng)年份的整體平均水平，其中7 250位活躍用戶(hù)中有1 214位(16.745%)用戶(hù)的項(xiàng)目數(shù)量出現(xiàn)增加，6195位(85.448%)用戶(hù)的科研成果數(shù)量上升，有110位(1.517%)用戶(hù)的問(wèn)題數(shù)量呈現(xiàn)上漲，163位(2.248%)用戶(hù)的回答數(shù)量增加，活躍用戶(hù)更加偏向于學(xué)術(shù)資源分享的積極性，在問(wèn)答方面的主動(dòng)參與程度還相對(duì)偏低。留存用戶(hù)2年前后相較于其他類(lèi)型的用戶(hù)在4項(xiàng)指標(biāo)上均為最低水平，這也印證了留存用戶(hù)在利用學(xué)術(shù)社交網(wǎng)絡(luò)開(kāi)展學(xué)術(shù)交流的低活躍性。相較于項(xiàng)目和科研成果等學(xué)術(shù)資源的共享，新增用戶(hù)相對(duì)于2020年整體偏高的問(wèn)題數(shù)量(0.127)和回答數(shù)量(0.533)顯現(xiàn)出新進(jìn)的用戶(hù)可能對(duì)學(xué)術(shù)社交網(wǎng)絡(luò)問(wèn)答交流功能的關(guān)注。而流失用戶(hù)在項(xiàng)目數(shù)量均值(0.700)、問(wèn)題數(shù)量均值(0.292)和回答數(shù)量均值(0.735)均呈現(xiàn)出所在年份的最高值，這可能歸因于各個(gè)類(lèi)型的樣本數(shù)量并不一致，數(shù)量較少的流失用戶(hù)易受到部分極值變動(dòng)的影響。

表4 不同年份下所有類(lèi)型用戶(hù)的利用行為比較

2.3用戶(hù)社交關(guān)系比較從整體的關(guān)注數(shù)量、被關(guān)注數(shù)量和合作者數(shù)量的分布情況來(lái)看，科研用戶(hù)的整體水平在前后兩年均呈現(xiàn)出“關(guān)注數(shù)量均值(2018年=33.784，2020年=35.293)>被關(guān)注數(shù)量均值(2018年=33.434，2020年=35.191)>合作者數(shù)量均值(2018年=7.650，2020年=7.398)”的分布規(guī)律，表明中科院用戶(hù)利用學(xué)術(shù)社交網(wǎng)絡(luò)仍然是以跟蹤其他用戶(hù)學(xué)術(shù)研究為主。圖3為各項(xiàng)指標(biāo)下不同類(lèi)型用戶(hù)及其所在年份的箱型圖，菱形方塊表示該指標(biāo)下對(duì)應(yīng)分組的均值。相比于2018年，活躍用戶(hù)的關(guān)注者、被關(guān)注者以及合作者在2020年均出現(xiàn)明顯的上升。根據(jù)劃分規(guī)則統(tǒng)計(jì)得到7 250位活躍用戶(hù)中有4 856位用戶(hù)(66.979%)的關(guān)系數(shù)量發(fā)生變動(dòng)，其中關(guān)注數(shù)量增加的用戶(hù)為3 630位(50.069%)，關(guān)注數(shù)量減少的用戶(hù)為1226(16.910%)，顯現(xiàn)出在學(xué)術(shù)社交網(wǎng)絡(luò)的關(guān)系中偏向于“正向的活躍”。而留存用戶(hù)、新增用戶(hù)兩年均為0的合作者數(shù)量中位數(shù)可能與其偏低的科研成果上傳數(shù)量有關(guān)。并且新增用戶(hù)的關(guān)注數(shù)量均值(33.271)遠(yuǎn)大于其合作者數(shù)量均值(5.347)與被關(guān)注數(shù)量均值(17.805)，其被關(guān)注數(shù)量較大的標(biāo)準(zhǔn)差(60.207)和更多的極值點(diǎn)表明，雖然在該機(jī)構(gòu)或平臺(tái)內(nèi)展現(xiàn)時(shí)間不足2年，但是不少新增用戶(hù)正在積極拓展個(gè)人的社交網(wǎng)絡(luò)，并且逐漸引起其他用戶(hù)的關(guān)注。

圖3 不同年份下所有類(lèi)型用戶(hù)的社交關(guān)系

此外，本文進(jìn)一步統(tǒng)計(jì)中科院用戶(hù)的關(guān)注者、被關(guān)注者以及合作者的所屬機(jī)構(gòu)，發(fā)現(xiàn)中科院仍然是各類(lèi)用戶(hù)合作、關(guān)注與被關(guān)注的第一機(jī)構(gòu)，國(guó)內(nèi)的清華大學(xué)、北京大學(xué)、上海交通大學(xué)等高校也是各個(gè)類(lèi)型用戶(hù)較為重要的交流與合作機(jī)構(gòu)，這顯現(xiàn)出無(wú)論用戶(hù)的活躍程度如何，學(xué)術(shù)社交網(wǎng)絡(luò)中科研用戶(hù)之間的交互關(guān)系以科研機(jī)構(gòu)內(nèi)部為主，科研機(jī)構(gòu)外的交互對(duì)象以雙一流高校為主，企業(yè)等類(lèi)型的機(jī)構(gòu)互動(dòng)較少。

2.4用戶(hù)影響力比較RG提供的瀏覽量、推薦量和被引量3項(xiàng)原始指標(biāo)以及H指數(shù)復(fù)合量化指標(biāo)來(lái)評(píng)價(jià)科研用戶(hù)在不同方面的影響力。如表5所示，活躍用戶(hù)、留存用戶(hù)以及整體上都出現(xiàn)了不同程度的上漲，活躍用戶(hù)在瀏覽量、推薦量、被引量和H指數(shù)均高于整體水平，這可能與前文其在利用和交互關(guān)系中表現(xiàn)出較高的積極性有關(guān)系，同樣留存用戶(hù)的影響力也與其低水平的利用與交互關(guān)系可能存在聯(lián)系。新增用戶(hù)由于缺乏平臺(tái)的積累，在瀏覽量、推薦量、被引量和H指數(shù)均低于整體水平，流失用戶(hù)在瀏覽量、推薦量、H指數(shù)上高于整體水平但被引量方面相對(duì)偏低。

表5 不同年份下所有類(lèi)型用戶(hù)的影響力比較

區(qū)別于上述4項(xiàng)影響力指標(biāo)，RG score是綜合得出的用戶(hù)評(píng)價(jià)指標(biāo)，可較全面地衡量科研用戶(hù)在平臺(tái)的參與效果與整體表現(xiàn)。圖4展示科研用戶(hù)及其關(guān)注者、被關(guān)注者和合作者的RG score均值。從用戶(hù)個(gè)人來(lái)看，RG score與H指數(shù)的均值排序情況較為相似，即2018年均表現(xiàn)為活躍用戶(hù)>流失用戶(hù)>整體水平>留存用戶(hù)，2020年呈現(xiàn)出活躍用戶(hù)>整體水平>新增用戶(hù)>留存用戶(hù)，這與前述的交互利用行為情況相一致，顯現(xiàn)出活躍用戶(hù)在學(xué)術(shù)社交網(wǎng)絡(luò)中具有高影響力，留存用戶(hù)的影響力仍與其利用水平一樣相對(duì)偏低，流失用戶(hù)雖然高于當(dāng)年的整體水平但也只是曇花一現(xiàn)，新增用戶(hù)的影響力水平可能因其平臺(tái)的熟悉度不足或科研成果分享意愿偏低而仍處于較低水平。對(duì)比個(gè)人及其關(guān)注者、被關(guān)注者和合作者的RG score均值，留存用戶(hù)個(gè)人在2018年和2020年的RG score均值遠(yuǎn)低于其關(guān)注者、被關(guān)注者和合作者，對(duì)應(yīng)變化差值也低于活躍用戶(hù)；新增用戶(hù)的4項(xiàng)RG score均值均低于2020年整體平均水平，而流失用戶(hù)的關(guān)注與被關(guān)注高于2018年整體平均水平。相似的是，各個(gè)類(lèi)型的科研用戶(hù)表現(xiàn)出關(guān)注者的RG score均值大于被關(guān)注者，并且用戶(hù)個(gè)人的RG score均值低于合作者，這表明中科院用戶(hù)持續(xù)關(guān)注學(xué)術(shù)社交網(wǎng)絡(luò)中影響力較高的用戶(hù)，同時(shí)也受到其他用戶(hù)的關(guān)注。

圖4 用戶(hù)及其關(guān)注者、被關(guān)注者和合作者RG score均值分布

3 結(jié) 語(yǔ)

本文為探究學(xué)術(shù)社交網(wǎng)絡(luò)中科研用戶(hù)基于時(shí)間維度的行為及影響力的變化規(guī)律，首先梳理相關(guān)研究?jī)?nèi)容及視角，引入AARRR模型的主要思想，并針對(duì)平臺(tái)運(yùn)營(yíng)特色及相關(guān)指標(biāo)構(gòu)建具有學(xué)術(shù)社交網(wǎng)絡(luò)服務(wù)特性的用戶(hù)分類(lèi)規(guī)則，借助統(tǒng)計(jì)分析和比較驗(yàn)證等方法突出不同類(lèi)型科研用戶(hù)行為特征。區(qū)別于非學(xué)術(shù)社交網(wǎng)絡(luò)用戶(hù)行為研究，本文一方面關(guān)注于不同類(lèi)型用戶(hù)在非正式學(xué)術(shù)交流背景下的自主性和行為表現(xiàn)，另一方面結(jié)合理論思想并跟蹤實(shí)際指標(biāo)變化以更為有效地提煉學(xué)術(shù)社交網(wǎng)絡(luò)科研用戶(hù)行為時(shí)序變化規(guī)律，豐富面向?qū)W術(shù)社交網(wǎng)絡(luò)的用戶(hù)行為理論。具體而言，本文依據(jù)分類(lèi)規(guī)則將科研用戶(hù)細(xì)分為新增用戶(hù)、活躍用戶(hù)、留存用戶(hù)和流失用戶(hù)4類(lèi)用戶(hù)群體，研究發(fā)現(xiàn)相比于2018年，中科院用戶(hù)在2020年的各項(xiàng)利用指標(biāo)上均呈現(xiàn)出不同程度的上漲，同樣在學(xué)術(shù)社交網(wǎng)絡(luò)中的交互關(guān)系顯現(xiàn)出“關(guān)注數(shù)量均值>被關(guān)注數(shù)量均值>合作者數(shù)量均值”和“以機(jī)構(gòu)內(nèi)部交流為主”的分布規(guī)律，外部的主要聯(lián)系機(jī)構(gòu)為國(guó)內(nèi)重點(diǎn)高校，同時(shí)更偏向于關(guān)注其他高影響力的用戶(hù)，自身在學(xué)術(shù)社交網(wǎng)絡(luò)中的影響力有待提升。

以中科院為代表的科研用戶(hù)在學(xué)術(shù)社交網(wǎng)絡(luò)中2年內(nèi)出現(xiàn)了不同的行為表現(xiàn)。從不同類(lèi)型用戶(hù)來(lái)看：a.新增用戶(hù)，相比于學(xué)術(shù)資源共享可能更加偏好于問(wèn)答交流形式，積極拓展個(gè)人的社交網(wǎng)絡(luò)的同時(shí)也逐漸引起其他用戶(hù)的關(guān)注，個(gè)人的影響力處于活躍用戶(hù)與留存用戶(hù)之間；b.活躍用戶(hù)，教育背景的個(gè)人信息是其主要的變更內(nèi)容，學(xué)科以材料、生態(tài)、生物學(xué)領(lǐng)域?yàn)橹鳎鱾€(gè)指標(biāo)2年間的變化明顯，特別是學(xué)術(shù)資源分享、關(guān)注關(guān)系方面的積極性更高，在學(xué)術(shù)社交網(wǎng)絡(luò)中具有較高的影響力，但問(wèn)答方面前后2年變化的顯著性水平偏低；c.留存用戶(hù)，主要來(lái)源于計(jì)算機(jī)方面的領(lǐng)域；2年內(nèi)主動(dòng)更新信息、分享問(wèn)答、關(guān)注其他用戶(hù)等方面的積極性低，影響力與其相對(duì)偏低的利用水平保持一致，個(gè)人的影響力也遠(yuǎn)低于其關(guān)注者、被關(guān)注者和合作者；d.流失用戶(hù)，由于樣本數(shù)量少易受到極值的影響，在分享學(xué)術(shù)資源、問(wèn)答交流、關(guān)注關(guān)系等指標(biāo)下的均值都偏高，個(gè)人影響力同樣相比于其他3類(lèi)用戶(hù)偏高，被引情況相對(duì)于2018年整體水平偏低。4類(lèi)用戶(hù)對(duì)于學(xué)術(shù)社交網(wǎng)絡(luò)各項(xiàng)功能的利用偏好不一，但相似的地方在于問(wèn)答功能并未得到大部分科研用戶(hù)的積極利用，并且相比于關(guān)注者、被關(guān)注者和合作者，個(gè)人的影響力情況不夠理想。這既揭示了我國(guó)科研用戶(hù)對(duì)國(guó)際化學(xué)術(shù)社交平臺(tái)的利用局限性，影響力還有待進(jìn)一步提升，也意味著平臺(tái)還須結(jié)合不同類(lèi)型的用戶(hù)及學(xué)科特征來(lái)完善平臺(tái)措施，鼓勵(lì)和帶動(dòng)新增用戶(hù)和留存用戶(hù)，減少用戶(hù)的流失，實(shí)現(xiàn)對(duì)于活躍用戶(hù)的正向激勵(lì)，營(yíng)造平臺(tái)內(nèi)科學(xué)交流與合作的學(xué)術(shù)氛圍。

具體對(duì)于平臺(tái)方而言，針對(duì)新增用戶(hù)應(yīng)著重改進(jìn)其偏好的問(wèn)答交流板塊，如通過(guò)豐富問(wèn)答交互形式來(lái)促使用戶(hù)交流更為沉浸式、通過(guò)完善評(píng)價(jià)指標(biāo)來(lái)激勵(lì)用戶(hù)參與討論、通過(guò)完善內(nèi)容推薦機(jī)制來(lái)幫助獲取精準(zhǔn)且優(yōu)質(zhì)的學(xué)術(shù)信息，以此引導(dǎo)和強(qiáng)化新增用戶(hù)對(duì)于平臺(tái)專(zhuān)業(yè)性定位的認(rèn)知。針對(duì)活躍用戶(hù)和留存用戶(hù)應(yīng)完善平臺(tái)的學(xué)術(shù)資源分享與推薦機(jī)制，如通過(guò)增設(shè)學(xué)科板塊及熱點(diǎn)主題研討等方式激活用戶(hù)保持長(zhǎng)期活躍與新鮮感。并且考慮到活躍用戶(hù)與其他用戶(hù)的交互關(guān)系較為重視，而留存用戶(hù)對(duì)于該服務(wù)卻積極性不高，因此除了內(nèi)容資源的推薦優(yōu)化以外還進(jìn)一步與用戶(hù)社交關(guān)系相結(jié)合來(lái)強(qiáng)化與拓展用戶(hù)間的社交關(guān)系鏈。此外盡管對(duì)于大多數(shù)平臺(tái)來(lái)說(shuō)，用戶(hù)的自然流失不可避免，但平臺(tái)方也應(yīng)采取相應(yīng)的措施，特別是對(duì)于高質(zhì)量用戶(hù)制定流失監(jiān)測(cè)策略，關(guān)注其使用反饋及核心需求來(lái)解決平臺(tái)缺陷，降低用戶(hù)流失。

本文的不足之處在于研究視角還僅限于平臺(tái)指標(biāo)的數(shù)值變動(dòng)，未考慮到科研用戶(hù)分享內(nèi)容、圖片等非結(jié)構(gòu)化數(shù)據(jù)的前后比較，且相關(guān)結(jié)論有待針對(duì)不同機(jī)構(gòu)用戶(hù)中進(jìn)行驗(yàn)證，后續(xù)研究可嘗試拓展本研究的分析視角。此外，未來(lái)研究還可進(jìn)一步探討不同類(lèi)型用戶(hù)關(guān)系網(wǎng)絡(luò)的變動(dòng)模式，豐富并完善用戶(hù)利用學(xué)術(shù)社交網(wǎng)絡(luò)行為分析及其影響力變化的研究?jī)?nèi)容。