開放式創(chuàng)新社區(qū)中知識重混影響因素研究

高天 任南

摘要：[目的/意義]探討開放式創(chuàng)新社區(qū)中知識重混的影響因素，為開放式創(chuàng)新社區(qū)用戶創(chuàng)新和社區(qū)可持續(xù)發(fā)展提供一定的指導(dǎo)和參考。[方法/過程]基于精細(xì)加工可能性模型，從知識特征和知識貢獻(xiàn)者特征兩方面構(gòu)建開放式創(chuàng)新社區(qū)中知識重混的影響因素模型。通過爬取Thingiverse社區(qū)3D Printing模塊的客觀數(shù)據(jù)，運用負(fù)二項回歸對影響因素進(jìn)行實證研究。[結(jié)果/結(jié)論]在中心路徑中，受關(guān)注度、繼承性對知識重混均具有顯著正向影響，而復(fù)雜度對知識重混具有負(fù)向影響;在邊緣路徑中，知識貢獻(xiàn)者參與度、內(nèi)向社交網(wǎng)絡(luò)中心度、專業(yè)知識水平對知識重混均具有顯著正向影響。

關(guān)鍵詞：開放式創(chuàng)新社區(qū) ? ?精細(xì)加工可能性模型 ? ?知識重混 ? ?影響因素

分類號：G302

引用格式：高天， 任南. 開放式創(chuàng)新社區(qū)中知識重混影響因素研究： 以Thingiverse為例[J/OL]. 知識管理論壇， 2022， 7（2）： 133-142[引用日期]. http：//www.kmf.ac.cn/p/280/.

1 ?引言

隨著Web 2.0信息技術(shù)的發(fā)展，創(chuàng)新不再是獨立存在的，越來越多的知名企業(yè)基于互聯(lián)網(wǎng)建立了開放式創(chuàng)新社區(qū)（Open Innovation Community，OIC），吸引用戶參與到內(nèi)部產(chǎn)品的創(chuàng)意、研發(fā)和推廣等創(chuàng)新相關(guān)活動中，這類社區(qū)已經(jīng)成為企業(yè)產(chǎn)品創(chuàng)新的重要來源[1]。重混作為開放式創(chuàng)新社區(qū)的重要創(chuàng)新模式，一般是指將社區(qū)內(nèi)現(xiàn)有知識產(chǎn)品作為原材料或靈感來進(jìn)一步創(chuàng)新的“知識重用”過程，在基于互聯(lián)網(wǎng)的新型創(chuàng)新中發(fā)揮著至關(guān)重要的作用[2]。這種新型創(chuàng)新模式極大地活躍了社區(qū)的創(chuàng)新氛圍，產(chǎn)生的大量重混產(chǎn)品使得社區(qū)的創(chuàng)新成果翻倍，已成為除原創(chuàng)之外的第二大創(chuàng)新來源[3]。但隨著社區(qū)的發(fā)展，不同知識產(chǎn)品的重混貢獻(xiàn)出現(xiàn)了顯著差異，有些知識產(chǎn)品能夠被用戶多次重混，產(chǎn)生很多意想不到的重混產(chǎn)品，而有些知識產(chǎn)品卻無人問津。因此，深入挖掘什么樣的知識產(chǎn)品容易被重混，幫助社區(qū)快速識別那些具有高生成性的知識產(chǎn)品，發(fā)揮社區(qū)中已有創(chuàng)新的潛力，已經(jīng)成為當(dāng)前企業(yè)開放式創(chuàng)新社區(qū)可持續(xù)發(fā)展的重要問題。

目前學(xué)術(shù)界重混研究的對象主要包括在線音樂社區(qū)、網(wǎng)絡(luò)社區(qū)和開放式創(chuàng)新社區(qū)。關(guān)于重混影響因素的研究大多基于在線音樂社區(qū)和網(wǎng)絡(luò)社區(qū)。一方面，從作品內(nèi)容本身出發(fā)，G. Cheliotis等[4]以在線音樂社區(qū)ccMixter為對象，研究音樂作品重混的影響因素，發(fā)現(xiàn)作品流行度、衍生性和互文性對重混具有顯著影響;B.M.HilL等[5]以網(wǎng)絡(luò)編程社區(qū)Scratch為對象，探討編程作品重混的影響因素，發(fā)現(xiàn)作品復(fù)雜度、累積數(shù)對重混具有顯著影響。另一方面，創(chuàng)作者特征對重混具有一定的影響，用戶在選擇音樂作品進(jìn)行重混時，不僅受到發(fā)布時間的影響，還會受到創(chuàng)作者的身份地位、可識別性等因素影響[6]。基于開放式創(chuàng)新社區(qū)的研究主要集中于重混模式分析，M. Wirth等[7]以Thingiverse社區(qū)為對象，采用社會網(wǎng)絡(luò)分析的方法確定出線性進(jìn)化、合并、分叉等十種獨特的重混模式;少數(shù)學(xué)者基于開放式創(chuàng)新社區(qū)探討了知識重混的影響因素，如Y. Han等[8]探究了創(chuàng)新知識重用過程中流行主題、編碼元知識對重混的影響;譚娟等[9]基于創(chuàng)新擴(kuò)散理論探討了網(wǎng)絡(luò)創(chuàng)新社區(qū)中受關(guān)注度、知識復(fù)雜度對知識產(chǎn)品重混的影響。

綜上所述，現(xiàn)有關(guān)于開放式創(chuàng)新社區(qū)中重混研究主要集中在重混模式分析以及知識本身特征對重混的影響，較少考慮作為知識貢獻(xiàn)者的用戶個體特征，尤其是知識貢獻(xiàn)者的社交網(wǎng)絡(luò)如何影響重混。其次，現(xiàn)有文獻(xiàn)尚未有一個明確的理論框架，將知識特征和知識貢獻(xiàn)者特征結(jié)合起來共同探究開放式創(chuàng)新社區(qū)中知識重混的影響因素。因此，本研究采用精細(xì)加工可能性模型，以Thingiverse社區(qū)3D Printing模塊為研究對象，從知識特征和知識貢獻(xiàn)者特征兩個方面實證分析開放式創(chuàng)新社區(qū)中知識重混的影響因素，進(jìn)一步拓展開放式創(chuàng)新社區(qū)中重混創(chuàng)新研究的理論體系，并為企業(yè)開放式創(chuàng)新社區(qū)的用戶創(chuàng)新和可持續(xù)發(fā)展提供建議指導(dǎo)。

2 ?理論基礎(chǔ)與研究假設(shè)

2.1 ?精細(xì)加工可能性模型及其應(yīng)用研究

精細(xì)加工可能性模型（Elaboration Likelihood Model，ELM）是由著名的社會心理學(xué)家 R. E. Petty 和J. T. Cacioppo提出，用于解釋說服性信息加工過程中可能導(dǎo)致態(tài)度變化的理論框架[10]。該模型認(rèn)為信息接收者處理信息過程中的態(tài)度與行為的改變主要受到中心路徑和邊緣路徑的影響。在中心路徑中，信息接收者往往需要投入較多的認(rèn)知努力，對與信息質(zhì)量相關(guān)的論據(jù)線索進(jìn)行仔細(xì)分析思考，從而做出相應(yīng)認(rèn)知判斷;在邊緣路徑中，信息接收者通常無需耗費太多努力，只需要根據(jù)與信息內(nèi)容相關(guān)的啟發(fā)式線索來評估信息，從而做出相應(yīng)的推理判斷[11]。目前精細(xì)加工可能性模型已廣泛應(yīng)用在信息采納、知識傳播和知識付費等線上行為方面的研究。如C. Huo等[12]基于ELM，探討了社交媒體上健康信息采納的影響因素，發(fā)現(xiàn)信息質(zhì)量和信息源可信度通過信任這一中介變量對信息采納產(chǎn)生正向影響。王志英等[13]基于ELM構(gòu)建安全應(yīng)急知識傳播模型，發(fā)現(xiàn)知識質(zhì)量和知識源特征對安全突發(fā)事件中安全應(yīng)急知識傳播具有顯著影響。魏武等[14]基于ELM研究了線上知識付費用戶繼續(xù)付費意向的影響因素，發(fā)現(xiàn)知識產(chǎn)品的內(nèi)容質(zhì)量和來源可信度正向影響線上知識付費用戶的繼續(xù)付費意向。

重混的本質(zhì)是開放式創(chuàng)新社區(qū)用戶對現(xiàn)有知識產(chǎn)品不斷加工處理的一個過程，類似于說服的過程，與信息采納相似。在開放式創(chuàng)新社區(qū)知識重混的過程中，用戶不僅會分析知識本身的質(zhì)量，還會關(guān)注知識貢獻(xiàn)者的可信度。因此，本文基于ELM來解釋開放式創(chuàng)新社區(qū)中知識重混的過程，將與知識有關(guān)的特征作為中心路徑，與知識貢獻(xiàn)者有關(guān)的特征作為邊緣路徑，深入探討開放式創(chuàng)新社區(qū)中知識重混的影響機(jī)制。

2.2 ?中心路徑假設(shè)

ELM所指的中心路徑主要是對于知識質(zhì)量的判斷，知識質(zhì)量一般與知識本身的特征有關(guān)。本文以Thingiverse社區(qū)為例進(jìn)行研究，主要根據(jù)知識受關(guān)注度、復(fù)雜度和繼承性來衡量知識質(zhì)量。

2.2.1 ?受關(guān)注度對知識重混的影響

受關(guān)注度是指知識產(chǎn)品獲得其他社區(qū)用戶關(guān)注的程度。相關(guān)研究表明，關(guān)注度越高的創(chuàng)新產(chǎn)品越有可能成為優(yōu)勢產(chǎn)品[9]。OIC用戶參與知識重混的主要動機(jī)是學(xué)習(xí)，在知識重混的過程中選擇具有相對優(yōu)勢的知識產(chǎn)品會導(dǎo)致更好的學(xué)習(xí)結(jié)果[2]。OIC用戶通過學(xué)習(xí)和理解具有相對優(yōu)勢的知識產(chǎn)品，增加自身的知識儲備，進(jìn)而在未來提升自身創(chuàng)新能力，刺激重混產(chǎn)品的產(chǎn)生。個人使用也被認(rèn)為是知識重混的一個重要動機(jī)[15]——利用已有創(chuàng)新知識，創(chuàng)造出新的知識，滿足自身需求，從中獲益。這種務(wù)實的動機(jī)會刺激用戶盡最大努力去挖掘現(xiàn)有優(yōu)勢知識產(chǎn)品并不斷改進(jìn)。因此，與低關(guān)注度的知識產(chǎn)品相比，被高度關(guān)注的知識產(chǎn)品具有的相對優(yōu)勢更高，更容易吸引到其他社區(qū)用戶的注意，促進(jìn)社區(qū)用戶評估和改進(jìn)該知識產(chǎn)品，從而提高知識重混的可能性。故本文提出以下假設(shè)：

H1：OIC中，受關(guān)注度對重混具有正向影響。

2.2.2 ?復(fù)雜度對知識重混的影響

復(fù)雜度是指社區(qū)用戶理解和使用現(xiàn)有知識的難度。在開放式創(chuàng)新社區(qū)中，用戶的認(rèn)知能力是有限的，往往難以理解復(fù)雜度較高的知識產(chǎn)品。OIC 用戶在選擇知識產(chǎn)品進(jìn)行重混時，會充分考慮創(chuàng)新過程中的可行性和實用性。簡單的知識更容易被社區(qū)用戶理解和掌握，為社區(qū)用戶后續(xù)改進(jìn)減少了諸多限制，為未來重混創(chuàng)新的發(fā)展提供了更開放的可能性。如Linux開源軟件，早期階段發(fā)布的項目較為簡單，細(xì)節(jié)不完善，更容易被潛在貢獻(xiàn)者理解和構(gòu)建，也為用戶后續(xù)改進(jìn)提供更多參與的途徑[5]。而復(fù)雜度較高的知識雖然本身的潛在價值很高，但很大程度上會造成社區(qū)用戶的認(rèn)知和理解困惑，并且在后續(xù)使用方面可能會存在諸多限制，其可行性較低，難以吸引其他用戶的關(guān)注和參與。因此，本文提出以下假設(shè)：

H2：OIC中，復(fù)雜度對重混具有負(fù)向影響。

2.2.3 ?繼承性對知識重混的影響

繼承性是指現(xiàn)有知識產(chǎn)品繼承或傳遞了上一代知識產(chǎn)品的屬性或功能[16]。繼承創(chuàng)新過程中對知識產(chǎn)品進(jìn)行了多次加工和迭代，不受約束條件的限制，使其沿著原有的繼承鏈繼續(xù)重混創(chuàng)新。在線音樂社區(qū)ccMixter中，通過繼承得到的歌曲往往匯聚了許多用戶的努力和專業(yè)知識，對進(jìn)一步重混具有更強(qiáng)的吸引力[17]。在開放式創(chuàng)新社區(qū)中，繼承得到的創(chuàng)新知識產(chǎn)品相比源創(chuàng)新具有更好的兼容性[18]。從創(chuàng)新擴(kuò)散理論來看，與之前想法相兼容的創(chuàng)新知識更符合OIC用戶現(xiàn)有的認(rèn)知模式和思維范式，更有可能受到社區(qū)用戶的歡迎，獲得用戶的接納和認(rèn)可，從而有利于進(jìn)一步改進(jìn)現(xiàn)有創(chuàng)新知識。因此，本文提出以下假設(shè)：

H3：OIC中，繼承性對重混具有正向影響。

2.3 ?邊緣路徑假設(shè)

ELM中的邊緣路徑主要是對于信源可信度的判斷，信源的可信度主要來源于信息來源的可靠性、權(quán)威性和專業(yè)性[19]。相應(yīng)地，在知識重混的過程中，知識貢獻(xiàn)者作為知識的來源，其特征會對重混產(chǎn)生重要影響。在Thingiverse社區(qū)中，可靠性來源于知識貢獻(xiàn)者參與度帶來的知識資本獲得的信任感;權(quán)威性根據(jù)知識貢獻(xiàn)者社交網(wǎng)絡(luò)帶來的社會資本來判斷[20];專業(yè)性來源于知識貢獻(xiàn)者的專業(yè)知識水平。

2.3.1 ?參與度對知識重混的影響

參與度是指知識貢獻(xiàn)者在OIC社區(qū)中發(fā)布知識產(chǎn)品的數(shù)量。用戶發(fā)布知識產(chǎn)品的數(shù)量代表用戶參與創(chuàng)新社區(qū)的積極性。發(fā)布知識產(chǎn)品數(shù)量多的知識貢獻(xiàn)者可能擁有更多的知識資本，更加值得信任。相關(guān)研究表明，網(wǎng)絡(luò)創(chuàng)新社區(qū)中用戶發(fā)布的產(chǎn)品數(shù)量越多，產(chǎn)品知識認(rèn) 知擴(kuò)散的廣度越大，深度越高[21]。知識貢獻(xiàn)者發(fā)布的知識產(chǎn)品數(shù)量越多，獲得的反饋越多，通過與社區(qū)其他用戶的互動和思想交流更有利于促進(jìn)知識貢獻(xiàn)者積累更多的知識資本[22]。知識貢獻(xiàn)者積累的知識資本越多，越有利于其更清晰地了解現(xiàn)有產(chǎn)品以及市場，進(jìn)一步提高其創(chuàng)新能力。隨著知識貢獻(xiàn)者對產(chǎn)品以及市場的了解，該知識貢獻(xiàn)者發(fā)布的知識產(chǎn)品越可能具有操作性及經(jīng)濟(jì)價值，越有可能被社區(qū)用戶重混。因此，本文提出以下假設(shè)：

H4：OIC中，參與度對重混具有正向影響。

2.3.2 ?社交網(wǎng)絡(luò)對知識重混的影響

社交網(wǎng)絡(luò)是指社區(qū)內(nèi)兩個不同用戶之間社交關(guān)系的強(qiáng)度[23]。已有研究表明，社交網(wǎng)絡(luò)可以用網(wǎng)絡(luò)中心度來衡量，分為內(nèi)向網(wǎng)絡(luò)中心度和外向網(wǎng)絡(luò)中心度[24]。內(nèi)向網(wǎng)絡(luò)中心度可以直接反映出用戶在社交網(wǎng)絡(luò)中占據(jù)的中心地位，內(nèi)向網(wǎng)絡(luò)中心度高的用戶往往處于社交網(wǎng)絡(luò)的核心地位，具有較高的聲望和社區(qū)影響力[25]。如基于視頻網(wǎng)站在線數(shù)據(jù)的實證研究表明，社交網(wǎng)絡(luò)在用戶創(chuàng)作視頻的擴(kuò)散與影響過程中起到重要作用，視頻創(chuàng)作者的訂閱者越多，內(nèi)向網(wǎng)絡(luò)中心度越高，那么其創(chuàng)作的視頻傳播與擴(kuò)散的速度越快[26]。在Thingiverse社區(qū)中，創(chuàng)新用戶也可以選擇關(guān)注社區(qū)中感興趣的其他用戶，關(guān)注用戶的數(shù)量可以衡量外向網(wǎng)絡(luò)中心度。外向網(wǎng)絡(luò)中心度高的用戶能夠從關(guān)注的用戶那里獲得更多有用的創(chuàng)新信息，獲取創(chuàng)新信息的渠道更為廣泛。綜上所述，內(nèi)向網(wǎng)絡(luò)中心度高的用戶在社區(qū)中的影響力更大，發(fā)布的創(chuàng)新更容易受到其追隨者的關(guān)注和參與。外向網(wǎng)絡(luò)中心度高的用戶可以從其關(guān)注用戶的知識分享中學(xué)習(xí)，提升自己的知識和技能儲備，彌補(bǔ)自身缺陷，進(jìn)而提高創(chuàng)造力，刺激用戶發(fā)布更多的高質(zhì)量創(chuàng)新知識，吸引其他用戶關(guān)注。因此，本文提出以下假設(shè)：

H5a：內(nèi)向網(wǎng)絡(luò)中心度對知識重混具有正向影響。

H5b：外向網(wǎng)絡(luò)中心度對知識重混具有正向影響。

2.3.3 ?專業(yè)知識水平對知識重混的影響

專業(yè)知識水平是指知識貢獻(xiàn)者對相關(guān)專業(yè)知識、經(jīng)驗和技能的掌握程度。在開放式創(chuàng)新社區(qū)中，用戶基于自我知識水平積極發(fā)表創(chuàng)意、參與互動。范哲等研究發(fā)現(xiàn)專業(yè)知識的掌握程度會積極影響用戶的社區(qū)貢獻(xiàn)行為，具有更高專業(yè)知識水平的用戶對社區(qū)的貢獻(xiàn)更大，其權(quán)威性也更高[27]。在Thingiverse社區(qū)中，用戶會被要求填寫3D設(shè)計技能水平，包括初級、中級和高級。用戶的專業(yè)知識水平能夠很好地解釋創(chuàng)新知識來源的可靠性，使知識的權(quán)威性得到認(rèn)同。相關(guān)研究表明，開放式創(chuàng)新社區(qū)中用戶的個體專業(yè)知識水平?jīng)Q定了其在社區(qū)發(fā)表的創(chuàng)新質(zhì)量[28]。用戶的專業(yè)知識水平越高，掌握的知識、經(jīng)驗和技能越豐富，其提供的產(chǎn)品質(zhì)量越高、說服力越強(qiáng)，越能夠吸引社區(qū)用戶的關(guān)注，從而獲得社區(qū)用戶的信任，提升用戶的感知價值，并最終影響重混的可能性。因此，本文提出以下假設(shè)：

H6： OIC中，專業(yè)知識水平對重混具有正向影響。

基于上述理論分析和研究假設(shè)，本文構(gòu)建了如圖1所示的開放式創(chuàng)新社區(qū)中知識重混影響因素ELM模型。

3 ?研究設(shè)計

3.1 ?數(shù)據(jù)來源

Thingiverse是目前全球領(lǐng)先的3D打印模型設(shè)計OIC社區(qū)，自社區(qū)2008年11月創(chuàng)建以來，用戶根據(jù)開放許可協(xié)議已經(jīng)發(fā)布160多萬個3D打印設(shè)計，并允許其他社區(qū)成員對設(shè)計進(jìn)行評論、打印、制作和重混等。該OIC社區(qū)設(shè)定了“Remixed From”標(biāo)簽記錄該設(shè)計從哪些產(chǎn)品繼承而來，“Remixes”標(biāo)簽記錄該設(shè)計被其他用戶吸收改進(jìn)后再創(chuàng)新的情況。因此，Thingiverse社區(qū)是測試本文假設(shè)的理想場所。本文選取Thingiverse社區(qū)中3D Printing 模塊作為數(shù)據(jù)來源，通過八爪魚爬蟲軟件采集了該社區(qū)成立至2021年8月20日的3D Printing 模塊的設(shè)計產(chǎn)品信息和設(shè)計產(chǎn)品貢獻(xiàn)者信息。為保證數(shù)據(jù)有效性，剔除重混次數(shù)為0以及空值或異常值的數(shù)據(jù)，共獲取6 051條有效數(shù)據(jù)。

圖1 ?開放式創(chuàng)新社區(qū)中知識重混影響因素ELM理論模型

3.2 ?變量測量

為了驗證所提研究假設(shè)，本文對因變量、自變量、控制變量的測量與解釋見表1。

3.2.1 ?因變量

本研究的因變量為重混的次數(shù)，使用Thingiverse社區(qū)中設(shè)計主頁顯示的Remixes數(shù)量來表示。

3.2.2 ?自變量

（1）知識特征。知識特征包括受關(guān)注度、復(fù)雜度和繼承性。受關(guān)注度通過該設(shè)計獲得的點贊數(shù)和評論數(shù)來表示。Thingiverse社區(qū)用戶會通過點贊、評論行為來表示自己對設(shè)計產(chǎn)品的偏好，點贊數(shù)和評論數(shù)越多，說明該設(shè)計受到的關(guān)注度越高。復(fù)雜度通過設(shè)計頁面中可下載文件數(shù)量來表示。文件是打印設(shè)計的必要條件，復(fù)雜的知識產(chǎn)品通常比簡單的知識產(chǎn)品需要打印的文件數(shù)量多，耗費時間長。繼承性通過虛擬變量來表示設(shè)計本身是否是通過繼承之前的設(shè)計而生成，0不是，1是。

（2）知識貢獻(xiàn)者特征。知識貢獻(xiàn)者特征包括參與度、內(nèi)向社交網(wǎng)絡(luò)中心度、外向社交網(wǎng)絡(luò)中心度和專業(yè)知識水平。參與度通過用戶主頁顯示的設(shè)計數(shù)來表示。內(nèi)向社交網(wǎng)絡(luò)中心度通過知識貢獻(xiàn)者擁有追隨者的數(shù)量來表示，外向社交網(wǎng)絡(luò)中心度通過知識貢獻(xiàn)者關(guān)注其他用戶的數(shù)量來表示。專業(yè)知識水平通過用戶主頁顯示的3D設(shè)計技能水平來表示。在Thingiverse社區(qū)中，用戶會被要求填寫3D設(shè)計技能水平，包括初級、中級和高級，本文將這三種情況分別編碼為三個虛擬變量，DSL1表示初級，DSL2表示中級，DSL3表示高級。

3.2.3 ?控制變量

設(shè)計發(fā)布的時間越長，被用戶瀏覽到的可能性越大，越可能被重混。因此，為避免由于設(shè)計發(fā)布時間長短而導(dǎo)致的重混次數(shù)差異，本文選取設(shè)計發(fā)布時長作為控制變量，并通過數(shù)據(jù)采集與發(fā)布設(shè)計時間的間隔月數(shù)來表示。

3.3 ?回歸模型選擇

由于本文因變量重混的數(shù)量為計數(shù)變量，涉及的自變量為數(shù)值變量和分類變量，因此對樣本采用計數(shù)模型進(jìn)行處理。計數(shù)模型分為泊松模型和負(fù)二項模型。由于泊松模型要求因變量均值與標(biāo)準(zhǔn)差相等，而本文樣本數(shù)據(jù)中因變量均值小于標(biāo)準(zhǔn)差，并且存在過度離散現(xiàn)象，因此本文選擇負(fù)二項回歸模型進(jìn)行假設(shè)檢驗比較合適。

4 ?實證分析

4.1 ?描述性統(tǒng)計

本研究使用Stata15.1對因變量、自變量與控制變量進(jìn)行描述性統(tǒng)計，其具體結(jié)果如表2所示：

由表2可知，除了繼承性、專業(yè)知識水平和發(fā)布時長變量外，其他自變量數(shù)據(jù)離散程度較大，為了控制潛在離群值的影響，使回歸結(jié)果更加穩(wěn)健，本研究對受關(guān)注度中的點贊型受關(guān)注度（Likes）、評論型受關(guān)注度（Comments）、復(fù)雜度（Files）、參與度（Designs）、內(nèi)向社交網(wǎng)絡(luò)（Followers）、外向社交網(wǎng)絡(luò)（Following）進(jìn)行對數(shù)化處理，分別定義為lnLike、lnCom、lnFile、lnDes、lnFol1、lnFol2。若處理過程中，變量中有零值，不能直接進(jìn)行對數(shù)化處理，則進(jìn)行l(wèi)n（x+1）處理。

4.2 ?回歸分析

本研究使用Stata15.1對假設(shè)進(jìn)行回歸分析及檢驗，具體回歸結(jié)果見表3。根據(jù) Log likelihood Ratio顯著性和 Pseudo R2的值可知，本研究模型的擬合優(yōu)度較好。

根據(jù)上述模型的回歸結(jié)果，具體分析討論如下：

（1）中心路徑對知識重混的影響。①受關(guān)注度中點贊型受關(guān)注度的回歸系數(shù)為0.553，P值小于0.001，評論型受關(guān)注度的回歸系數(shù)為0.241，P值小于0.001，表明點贊型受關(guān)注度、評論型受關(guān)注度對重混均具有顯著正向影響，故假設(shè)1得到支持，且點贊型的受關(guān)注度比評論型的受關(guān)注度影響更大。②復(fù)雜度的回歸系數(shù)為-0.134，P值小于0.001，表明復(fù)雜度對重混具有顯著負(fù)向影響，這說明復(fù)雜度越高，越容易造成用戶理解認(rèn)知困難，重混的可能性越小，故假設(shè)2得到支持。③繼承性的回歸系數(shù)為0.173，P值小于0.001，表明繼承性對重混具有正向影響，在繼承創(chuàng)新過程中，繼承行為對創(chuàng)新知識的優(yōu)化和改善屬于對源創(chuàng)新的重要優(yōu)化和完善，會得到更多用戶關(guān)注并進(jìn)一步創(chuàng)新，故假設(shè)3得到支持。

（2）邊緣路徑對知識重混的影響。①知識貢獻(xiàn)者參與度的回歸系數(shù)為0.037，P值小于0.05，表明參與度對重混具有顯著正向影響，故假設(shè)4得到支持。②內(nèi)向社交網(wǎng)絡(luò)中心度的回歸系數(shù)為0.034，P值小于0.001，表明內(nèi)向社交網(wǎng)絡(luò)中心度顯著正向影響重混，故假設(shè)5a得到支持。但外向網(wǎng)絡(luò)中心度的回歸系數(shù)為-0.016，P值大于0.05，表明外向網(wǎng)絡(luò)中心度不會對重混產(chǎn)生影響。原因可能是如果一個知識貢獻(xiàn)者擁有追隨者越多，其往往可能是社區(qū)領(lǐng)導(dǎo)者，擁有較高的專業(yè)知識技能，所發(fā)布的知識產(chǎn)品具有的潛在價值越高，更容易吸引社區(qū)用戶的關(guān)注并進(jìn)一步創(chuàng)新;而關(guān)注人數(shù)較多的知識貢獻(xiàn)者往往可能是社區(qū)跟隨者，擁有較低的專業(yè)知識技能，發(fā)布知識產(chǎn)品的價值較低，不容易獲得用戶的關(guān)注和信任。因此，假設(shè)5b不成立。③以中級專業(yè)知識水平的知識貢獻(xiàn)者為參照組，初級專業(yè)知識水平貢獻(xiàn)者的回歸系數(shù)為-0.072，P值小于0.05，這表明初級專業(yè)知識水平的知識貢獻(xiàn)者對重混的影響低于中級專業(yè)知識水平的知識貢獻(xiàn)者;高級專業(yè)知識水平貢獻(xiàn)者的回歸系數(shù)為0.396，P值小于0.001，這表明高級專業(yè)知識水平的知識貢獻(xiàn)者對重混的影響高于中級專業(yè)知識水平的知識貢獻(xiàn)者。這說明知識貢獻(xiàn)者的專業(yè)知識水平越高，其掌握的知識、經(jīng)驗和技能越豐富，發(fā)布的知識產(chǎn)品具有的潛在價值越高，更容易吸引社區(qū)用戶的關(guān)注，獲得社區(qū)用戶的信任并進(jìn)一步創(chuàng)新，故假設(shè)6得到支持。

根據(jù)負(fù)二項回歸模型分析結(jié)果，本研究所提假設(shè)的驗證結(jié)果匯總?cè)绫?所示：

5 ?結(jié)論與展望

5.1 ?研究結(jié)論

本研究基于精細(xì)加工可能性模型，從知識特征和知識貢獻(xiàn)者特征兩個方面構(gòu)建開放式創(chuàng)新社區(qū)中知識重混的影響因素模型，通過收集Thingiverse社區(qū)3D Printing模塊的真實數(shù)據(jù)，對理論模型進(jìn)行實證分析，分析結(jié)果表明，在中心路徑中，受關(guān)注度、繼承性對知識重混具有顯著正向影響，復(fù)雜度對知識重混具有負(fù)向影響;在邊緣路徑中，知識貢獻(xiàn)者參與度、內(nèi)向社交網(wǎng)絡(luò)中心度、專業(yè)知識水平對知識重混均具有顯著正向影響。本研究對開放式創(chuàng)新社區(qū)中重混創(chuàng)新等相關(guān)領(lǐng)域的研究有著重要的理論和實踐貢獻(xiàn)。

在理論方面，本研究采用精細(xì)加工可能性模型為分析框架，以一個新的視角構(gòu)建開放式創(chuàng)新社區(qū)中知識重混的影響因素模型，并不同于以往的研究，從知識特征和知識貢獻(xiàn)者特征兩個維度探究開放式創(chuàng)新社區(qū)中知識重混的影響因素，豐富了開放式創(chuàng)新社區(qū)中重混的研究內(nèi)容，也為今后探討重混領(lǐng)域的相關(guān)研究提供了理論參考。

在實踐方面，本研究為OIC用戶創(chuàng)新與社區(qū)管理提供相關(guān)對策及建議，具體如下：

（1）為OIC用戶創(chuàng)新提供一定的指導(dǎo)。 ①用戶應(yīng)該多發(fā)布精準(zhǔn)簡潔、符合其認(rèn)知水平、可理解性較高的知識產(chǎn)品，以提高它們被重混的可能性。②用戶應(yīng)該積極學(xué)習(xí)相關(guān)專業(yè)性知識，努力提高自己的專業(yè)知識水平和認(rèn)知能力，以獲得社區(qū)其他用戶的認(rèn)可。

（2）為OIC社區(qū)管理者引導(dǎo)用戶重混提供一些建議。①社區(qū)管理者應(yīng)重視受關(guān)注度較高的優(yōu)勢知識產(chǎn)品，按照點贊數(shù)和評論數(shù)對其進(jìn)行排序，采用這種排序系統(tǒng)引導(dǎo)用戶圍繞受關(guān)注度高的優(yōu)勢產(chǎn)品進(jìn)行觀察學(xué)習(xí)和改進(jìn)創(chuàng)新，進(jìn)一步創(chuàng)造出更有價值的重混產(chǎn)品。②社區(qū)管理者應(yīng)注重對知識復(fù)雜度的精細(xì)化管理，簡化用戶對知識產(chǎn)品的認(rèn)知理解過程，通過設(shè)計更為精細(xì)化的分享機(jī)制提升創(chuàng)新知識的可理解性和可行性。③社區(qū)管理者應(yīng)注重對社區(qū)繼承知識產(chǎn)品的管理，積極引導(dǎo)社區(qū)用戶對“Remixed From”標(biāo)簽的關(guān)注。④社區(qū)管理者應(yīng)注重對用戶的關(guān)注行為進(jìn)行引導(dǎo)，幫助社區(qū)用戶擴(kuò)大個人在社區(qū)的社交網(wǎng)絡(luò)。⑤社區(qū)管理者應(yīng)重視積極參與創(chuàng)新和高級專業(yè)知識水平的用戶群體，通過設(shè)計多元化激勵機(jī)制，鼓勵他們不斷創(chuàng)新，營造一個積極的創(chuàng)新氛圍。

5.2 ?研究展望

本研究仍存在一些不足之處：①本研究僅選取了Thingiverse社區(qū)中3D Printing一個模塊進(jìn)行實證研究，數(shù)據(jù)收集范圍有限，所得的研究結(jié)果可能無法反映出完全真實的情況。后續(xù)研究可以收集更全面的數(shù)據(jù)，也可以選取同類社區(qū)進(jìn)行驗證研究，提高研究結(jié)論的普適性。②本研究探討的知識重混影響因素不夠全面，未來的相關(guān)研究可以考慮更多的因素，如評論質(zhì)量或情感等因素對重混的影響。③本研究未考慮各個因素之間的關(guān)系，各個影響因素之間的交互作用以及它們對知識重混的影響機(jī)制也是值得關(guān)注的研究方向。

參考文獻(xiàn)：

[1] 王松， 楊洋， 劉新民. 基于圖注意力網(wǎng)絡(luò)的開放式創(chuàng)新社區(qū)用戶創(chuàng)意潛在價值發(fā)現(xiàn)研究[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn)， 2021， 5（11）： 89-101.

[2] STANKO M A. Toward a theory of remixing in online innovation communities[J]. Information systems research， 2016， 4（27）： 773-791.

[3] FLATH C M， FRIESIKE S， WIRTH M， et al. Copy， transform， combine： exploring the remix as a form of innovation[J]. Journal of information technology， 2017， 32（4）： 306-325.

[4] CHELIOTIS G， HU N， YEW J， et al. The antecedents of remix[C]//Proceedings of ACM conference on computer supported cooperative work & social computing. New York： ACM ， 2014： 1011-1022.

[5] HILL B M， MONROY-HERNANDEZ A. The remixing dilemma： the trade-off between generativity and originality[J]. American behavioral scientist， 2013， 57（5）： 643-663.

[6] CALEFATO F， GIUSEPPE I， FILIPPO L， et al. Investigating crowd creativity in online music communities[C]//Proceedings of the ACM on human-computer interaction. New York： ACM， 2018， 2： 61-70.

[7] WIRTH M， FRIESIKE S， FLATH C M， et al. Patterns of remixes or where do innovations come from： evidence from 3D Printing[C]// Proceedings of the european conference on information systems. Münster： ECIS， 2015： 1-10.

[8] HAN Y， OZTURK P， NICKERSON JEFFREY V. Leveraging the wisdom of the crowd to address societal challenges： revisiting the knowledge reuse for innovation process through analytics[J]. Journal of the association for information systems， 2020， 21（5）： 1128-1152.

[9] 譚娟， 谷紅， 苗冬青. 網(wǎng)絡(luò)創(chuàng)新社區(qū)知識產(chǎn)品重混影響因素的實證研究[J]. 科技管理研究， 2020， 40（3）： 8-13.

[10] PETTY R E， CACIOPPO J T. The elaboration likelihood model of persuasion[J]. Advances in experimental social psychology， 1986， 19： 123-205.

[11] 張夢雅， 王秀紅. 精細(xì)加工可能性模型研究現(xiàn)狀及應(yīng)用領(lǐng)域分析[J]. 圖書情報研究， 2018， 11（4）： 73-79.

[12] HUO C， MIN Z， MA F. Factors influencing people’s health knowledge adoption in social media： The mediating effect of trust and the moderating effect of health threat[J]. Library hi tech， 2018， 36（5）： 129-151.

[13] 王志英， 鄧航宇， 王念新， 等. 問答社區(qū)信息安全突發(fā)事件應(yīng)急知識傳播模型研究[J]. 情報雜志， 2019， 38（10）： 136-145.

[14] 魏武， 謝興政. 線上知識付費用戶繼續(xù)付費意向影響因素研究[J]. 數(shù)據(jù)分析與知識發(fā)現(xiàn)， 2020， 4（8）： 119-129.

[15] KHEDHAOURIA A， JAMAL A. Sourcing knowledge for innovation： knowledge reuse and creation in project teams[J]. Journal of knowledge management， 2015， 19（5）： 932-948.

[16] OEHLBERG L， WILLETT W， MACKAY W E. Patterns of physical design remixing in online maker communities[C]//Proceedings of the 33rd annual ACM conference. New York： ACM ， 2015： 639-648.

[17] CHELIOTIS G， Yew J. An analysis of the social structure of remix culture[C]//Proceedings of the fourth international conference on communities & technologies. New York： ACM， 2009： 165-174.

[18] ORLIKOWSKI W J. Sociomaterial practices： exploring technology at work[J]. Organization studies， 2007， 28（9）： 1435-1448.

[19] CHANTHIKA P. The persuasiveness of source credibility： a critical review of five decades’ evidence[J]. Journal of applied social psychology， 2004， 34（2）： 243-281.

[20] 單英驥， 邵鵬. 在線教育社區(qū)主播網(wǎng)絡(luò)嵌入與付費知識持續(xù)分享效果研究[J]. 現(xiàn)代情報， 2020， 40（6）： 68-75.

[21] 張靜， 郭偉， 王磊， 等. 用戶交互對產(chǎn)品知識認(rèn)知擴(kuò)散的影響及社區(qū)激勵研究[J]. 科技進(jìn)步與對策， 2018， 35（16）： 7-15.

[22] 王楠， 陳詳詳， 祁運麗， 等. 基于詳盡可能性模型的用戶創(chuàng)新社區(qū)創(chuàng)意采納影響因素研究[J]. 中國管理科學(xué)， 2020， 28（3）： 213-222.

[23] STEFFES E M， BURGEE L E. Social ties and online word of mouth[J]. Internet research， 2009， 19（1）： 42-59.

[24] SMITH T， COYLE J R， LIGHTFOOT E， et al. Reconsidering models of influence： the relationship between consumer social networks and word-of-mouth effectiveness[J]. Journal of advertising research， 2007， 47（4）： 387-397.

[25] FREEMAN L C. Centrality in social networks： conceptual clarification[J]. Social network， 1979， 1（3）： 215-239.

[26] 彭衛(wèi)， 宋蘇娟. “互聯(lián)網(wǎng)+”環(huán)境下在線教育視頻流行度的影響因素研究——以bilibili網(wǎng)站教育視頻為例[J]. 河南工業(yè)大學(xué)學(xué)報（社會科學(xué)版）， 2020， 36（5）： 39-45.

[27] 范哲， 張乾. MOA視角下的問答網(wǎng)站用戶貢獻(xiàn)行為研究[J]. 圖書與情報， 2015（5）： 123-132.

[28] 虞潔攀， 李海剛. 內(nèi)外生雙視角下虛擬社區(qū)用戶共創(chuàng)績效的影響因素[J]. 科技管理研究， 2021， 41（4）： 205-210.

作者貢獻(xiàn)說明：

高 ?天：負(fù)責(zé)確定論文研究思路、整理與分析數(shù)據(jù)及撰寫論文初稿;

任 ?南：負(fù)責(zé)指導(dǎo)論文選題，檢查論文邏輯結(jié)構(gòu)及修改論文細(xì)節(jié)。

Research on Influencing Factors of Knowledge Remixing in Open Innovation Communities： Taking Thingiverse as an Example

Gao Tian ?Ren Nan

School of Economics and Management， Jiangsu University of Science and Technology， Zhenjiang 212000

Abstract： [Purpose/Significance] This study explores the influencing factors of knowledge remixing in open innovation community， so as to provide some guidance and reference for user innovation and sustainable development of open innovation communities. [Method/Process] Based on the elaboration likelihood model， this paper constructed the influencing factor model of knowledge remixing in open innovation communities from two aspects of knowledge characteristics and knowledge contributor characteristics. Through crawling the objective data of 3D printing module of Thingiverse， this paper conducted empirical research on the influencing factors by using negative binomial regression. [Result/Conclusion] The results show that in the central path， attention and inheritance have a significant positive impact on knowledge remixing， but complexity has a negative effect on knowledge remixing; In the marginal path， knowledge contributor participation， inward social network centrality and professional knowledge level have a significant positive impact on knowledge remixing.

Keywords： open innovation community ? ?elaboration likelihood model ? ?knowledge remixing ? ?influencing factors

基金項目：本文系國家自然科學(xué)基金面上項目“企業(yè)信息技術(shù)雙元能力構(gòu)建過程中CIO-TMT知識交互的作用機(jī)理研究”（項目編號：71971101）研究成果之一。

作者簡介：高天，碩士研究生，E-mail：815687935 @qq.com;任南，教授，博士，碩士生導(dǎo)師。

收稿日期：2021-11-29 ? ? ? ?發(fā)表日期：2022-03-11 ? ? ? ?本文責(zé)任編輯：劉遠(yuǎn)穎