視頻博客Vlog用戶的持續(xù)使用行為影響因素研究

黃煒 沈欣蕓 李偉卿

摘 要：[目的/意義]本文基于探索用戶持續(xù)使用行為原理，挖掘Vlog用戶持續(xù)使用行為狀態(tài)及影響因素。一方面幫助Vlog行業(yè)從業(yè)者擴(kuò)大用戶規(guī)模，加強(qiáng)用戶黏性，增加用戶信息共生;另一方面分析高質(zhì)量Vlog的特征，幫助平臺(tái)給博主提供更好的衡量指標(biāo)。[方法/過程]基于ECM-ISC及S-O-R范式，構(gòu)建Vlog用戶的持續(xù)使用行為概念模型。結(jié)合HMM模型方法探索不同影響因素對(duì)不同情況Vlog的差異。[結(jié)果/結(jié)論]用戶的信息關(guān)注和對(duì)視頻的滿意度會(huì)直接影響其Vlog使用決策。用戶對(duì)視頻整體體現(xiàn)的效果感受會(huì)直接影響用戶持續(xù)使用行為的判斷。由于不同視頻類型的差異，不同用戶的情感認(rèn)同和沉浸體驗(yàn)有明顯差異。

關(guān)鍵詞：視頻博客;用戶;持續(xù)使用行為;影響因素;隱馬爾可夫模型;B站

DOI：10.3969/j.issn.1008-0821.2022.06.007

〔中圖分類號(hào)〕G252.0 〔文獻(xiàn)標(biāo)識(shí)碼〕A 〔文章編號(hào)〕1008-0821（2022）06-0069-11

Abstract：[Purpose/Significance]Based on exploring the principle of users continuous use behavior，this paper excavates the status and influencing factors of vlog users continuous use behavior.On the one hand，it helps vlog industry practitioners expand the scale of users，strengthen user stickiness and increase the symbiosis of user information;On the other hand，analyze the characteristics of high-quality vlog to help the platform provide better measurement indicators for bloggers.[Methods/Process]Based on ecm-isc and S-O-R paradigm，a conceptual model of vlog users continuous use behavior was constructed.Combined with HMM model method，the differences of different influencing factors on vlog in different situations were explored.[Results/Conclusion]users attention to information and satisfaction with video will directly affect their vlog use decision.Users perception of the overall effect of the video will directly affect the judgment of users continuous use behavior.Due to the differences of different video types，the emotional identity and immersion experience of different users are significantly different.

Key words：Vlog;user;continuous use behavior;influencing factors;HMM model;Bilibili

近年來，Vlog作為年輕人偏愛的一種視頻表達(dá)方式，已成為網(wǎng)絡(luò)視頻的重要組成部分，并且其發(fā)展呈上升趨勢(shì)。據(jù)第47次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[1]顯示，至2020年12月，網(wǎng)絡(luò)視頻用戶規(guī)模達(dá)到了9.27億，與2020年3月相比增加7 633萬。Vlog作為網(wǎng)絡(luò)視頻的重要組成部分，其已成為新聞報(bào)道新選擇、電商平臺(tái)宣傳新標(biāo)配，其用戶數(shù)量也一直保持相當(dāng)高的水平且穩(wěn)定上升。這代表Vlog行業(yè)已經(jīng)度過初始接受階段，進(jìn)入持續(xù)使用階段，Vlog行業(yè)來到了一個(gè)關(guān)鍵節(jié)點(diǎn)。我國(guó)相較于國(guó)外Vlog產(chǎn)業(yè)起步較晚且缺少宣傳渠道，Vlog的播放量在很大一方面也取決于視頻發(fā)布者本身的流量。

對(duì)于OSN（Online Social Networks，在線社交網(wǎng)絡(luò)）而言，被用戶采納只是邁向成功的第一步，只有大量用戶的持續(xù)使用才是決定成功的關(guān)鍵[2]。當(dāng)前大部分研究都聚焦于Vlog被大眾市場(chǎng)采納的原因，而Vlog已被群眾廣泛接受，應(yīng)當(dāng)進(jìn)入下一階段的研究。本研究通過探索用戶持續(xù)使用行為原理，挖掘Vlog狀態(tài)及影響因素，一方面向Vlog行業(yè)從業(yè)者提供擴(kuò)大用戶規(guī)模的建議，加強(qiáng)用戶黏性，增加用戶信息共生[3];另一方面探索高質(zhì)量Vlog所具有的特質(zhì)，幫助平臺(tái)給博主提供更好的衡量指標(biāo)。

因此，本研究建立Vlog用戶持續(xù)使用行為模型，以Bilibili網(wǎng)站的Vlog用戶為例，收集相關(guān)核心視頻數(shù)據(jù)進(jìn)行實(shí)例分析。從內(nèi)外兩大方面因素出發(fā)，對(duì)Vlog相關(guān)數(shù)據(jù)進(jìn)行分類、參數(shù)估計(jì)和回歸分析。從數(shù)據(jù)出發(fā)，判斷出Vlog視頻所處的三大狀態(tài)及狀態(tài)間的關(guān)系，各狀態(tài)的影響因素的關(guān)系，并通過結(jié)果分析出結(jié)論。

1 相關(guān)研究進(jìn)展

1.1 視頻博客Vlog

Vlog（視頻博客）代替文本及圖片記錄，用視頻對(duì)生活進(jìn)行記錄。Vlog制作者多以第一視角拍攝生活中的片段或事件，國(guó)內(nèi)研究者大多將Vlog認(rèn)為是擁有人格化特點(diǎn)和記錄性的視頻[4]。Vlogger（視頻博主）通過其鏡頭語言凸顯個(gè)人性格特點(diǎn)、生活態(tài)度，制作成具有個(gè)人特色且具有時(shí)效性的視頻日記。Vlog日常化和第一人稱的特性使其與觀眾產(chǎn)生代入感與情感聯(lián)系[5]。Vlogger通過獨(dú)白將觀眾拉入視頻，并發(fā)布于社交平臺(tái)，提供了一個(gè)網(wǎng)友們交流的平臺(tái)。2AC46568-9043-4891-A42B-E92F97BB1D59

目前，對(duì)Vlog的研究大多集中在對(duì)其本身表現(xiàn)手法及形式、傳播形式的探究。Vlog作為一種傳遞情感的虛擬社交，用戶可以通過分享其真實(shí)形象直接實(shí)現(xiàn)社會(huì)資本的累積[6]。McClintock表示情感是滿意程度的心態(tài)表露，可作為交換資源直接參與交換。許多學(xué)者將情感作為資源的傳遞應(yīng)用于Vlog傳播的研究中。面向Vlog的理論分析已經(jīng)趨近飽和，目前主流觀點(diǎn)是，Vlog一方面風(fēng)格較小眾，內(nèi)容易同質(zhì)化;一方面創(chuàng)作自由度高，內(nèi)容易庸俗化。

當(dāng)前，在針對(duì)Vlog的眾多研究中，大多僅僅針對(duì)Vlog現(xiàn)狀進(jìn)行主觀的行業(yè)發(fā)展分析，缺少更客觀的研究，難以得出新鮮的結(jié)論，并且對(duì)Vlog的用戶行為研究還較為稀缺，本文將在此方面進(jìn)行針對(duì)性的研究。

1.2 持續(xù)使用行為

持續(xù)使用行為研究被國(guó)內(nèi)外學(xué)者廣泛應(yīng)用于產(chǎn)品、網(wǎng)站、品牌上，通過對(duì)用戶持續(xù)使用行為的研究，了解影響因素，由此進(jìn)行產(chǎn)品改良，促進(jìn)產(chǎn)業(yè)發(fā)展，盡可能多地留住用戶。其研究范圍十分廣泛，各個(gè)網(wǎng)絡(luò)平臺(tái)的使用，以及各種網(wǎng)絡(luò)產(chǎn)品的使用都有對(duì)持續(xù)使用行為的研究。基于這些研究，也已經(jīng)形成了一些持續(xù)使用行為判斷的體系、指標(biāo)、模型。其中最常用的有信息系統(tǒng)持續(xù)使用模型（ECM-ISC）、期望確認(rèn)理論（ECT）框架、“使用—滿足”理論、S-O-R（刺激—機(jī)體—響應(yīng)）范式。

S-O-R范式由Mehrabian A等[7]提出，描述了環(huán)境因素對(duì)用戶行為產(chǎn)生的影響機(jī)制，常被應(yīng)用于線上用戶行為、消費(fèi)行為和市場(chǎng)營(yíng)銷的研究。該模式描述了人類行為的一般模式，其理念為個(gè)體的認(rèn)知感受會(huì)受外界刺激影響，該影響又會(huì)使個(gè)體做出決策，進(jìn)行響應(yīng)。

ECM-ISC中持續(xù)使用行為被“期望確認(rèn)度”“感知有用性”“滿意度”3個(gè)因素所影響，其關(guān)系如圖1所示。

在持續(xù)使用行為的模型研究方面，Bhattacherjee A[8]突破了技術(shù)接受模型（TAM）的不足，在期望確認(rèn)理論的基礎(chǔ)上建立了ECM-ISC。Jeung-Tai E T等探討了在期望確認(rèn)理論中包含體驗(yàn)價(jià)值在研究博客網(wǎng)站持續(xù)使用中的價(jià)值，證明了其對(duì)博客研究的適用性[9]。孫建軍等以期望確認(rèn)模型為框架，建立了視頻網(wǎng)站持續(xù)使用模型[10]，并通過實(shí)證分析證明了感知娛樂對(duì)視頻網(wǎng)站持續(xù)使用意向有顯著影響[11]。由Kate E[12]提出的“使用—滿足”理論則廣泛應(yīng)用于對(duì)社交媒體用戶行為的研究，認(rèn)為用戶的需求基于外部社會(huì)環(huán)境與自身心理的共同影響，而非盲目選擇。如Hsu M H等[13]基于“使用—滿足”理論，加入了感知交互性變量，對(duì)Facebook用戶持續(xù)使用行為影響因素進(jìn)行了分析。

近年來，鄧君等以知乎為例研究了用戶的非持續(xù)使用行為，得出了各個(gè)因素對(duì)用戶意愿的影響[14];孫挺等通過研究社會(huì)化閱讀用戶的持續(xù)使用意愿，來探索社交因素對(duì)大學(xué)生群體和混合人群的影響作用機(jī)理[15];武慧娟等則對(duì)微閱讀用戶的持續(xù)使用行為影響因素及作用路徑進(jìn)行了深入研究[16]。

然而，當(dāng)前持續(xù)使用行為研究側(cè)重于對(duì)平臺(tái)、App[17-19]的研究，而面向某一產(chǎn)業(yè)的研究較少。研究構(gòu)建的模型大多比較偏向宏觀且往往缺乏相關(guān)的實(shí)驗(yàn)探索和持續(xù)行為的狀態(tài)變化描述。如ECM-ISC模型作為一個(gè)通用模型，雖提出了影響用戶持續(xù)使用行為的三大因素及其內(nèi)部影響關(guān)系，但并未表現(xiàn)出用戶的內(nèi)在動(dòng)機(jī)與需求。尤其對(duì)于Vlog這種注重讓觀眾產(chǎn)生代入感和情感聯(lián)系的表現(xiàn)形式來說，更多是其中的情感連接促使用戶產(chǎn)生持續(xù)使用行為。本研究將針對(duì)Vlog對(duì)其進(jìn)行進(jìn)一步探索。

2 Vlog用戶的持續(xù)使用行為影響因素分析及模型構(gòu)建

2.1 影響因素

正如用戶對(duì)產(chǎn)品的期望程度被企業(yè)的名聲、廣告宣傳、用戶的個(gè)人體驗(yàn)等外部因素所影響。勒溫（Kurt Lewin）提出了人類行為的一般公式：B=f（P，E），即人類行為（B）是受自身因素（P）和環(huán)境因素（E）影響的函數(shù)。用戶對(duì)Vlog的期望同樣被用戶個(gè)人認(rèn)知及Vlogger的粉絲量、播放量等外部因素所影響。Vlogger的個(gè)人魅力是吸引受眾的首要因素，其印象管理與在受眾話語權(quán)下給Vlogger帶來的額外人格賦魅，共同促使用戶持續(xù)觀看Vlog[26-27]。

基于當(dāng)前對(duì)Vlog影響因素的研究，總結(jié)出其影響的內(nèi)外因素，如表1所示。影響Vlogger用戶持續(xù)使用行為的因素大致可分為兩類。一類是內(nèi)因，即基于視頻的情感認(rèn)同、沉浸體驗(yàn)，以及影響最終決策的信息關(guān)注與滿意度;另一類是外因，即Vlogger個(gè)人魅力和用戶審美區(qū)隔心理對(duì)認(rèn)知的影響。此外，感知有用度和滿意度為用戶層面影響指標(biāo)，信息關(guān)注為Vlog持續(xù)使用層面影響指標(biāo)。

1）情感認(rèn)同為衡量用戶對(duì)Vlog內(nèi)容接受度的內(nèi)部感知因素。Vlog作為以情感傳遞為核心的娛樂方式，通過“準(zhǔn)社會(huì)關(guān)系”給用戶帶來積極的情感體驗(yàn)。相較同樣帶來情感體驗(yàn)的社交網(wǎng)絡(luò)，社交網(wǎng)絡(luò)中很多信息是被動(dòng)呈現(xiàn)的，且容易發(fā)生消極社會(huì)比較[31]。Vlog的信息獲取則是主動(dòng)的，用戶觀看Vlog時(shí)產(chǎn)生的情感認(rèn)同，是用戶進(jìn)行持續(xù)使用行為的主要判斷因素。

2）沉浸體驗(yàn)為衡量用戶娛樂需求滿足程度的內(nèi)部感知因素[23]。Vlogger與用戶之間的互動(dòng)能令用戶體會(huì)到真實(shí)的社會(huì)情感交流，與Vlog中角色進(jìn)行擬社會(huì)人際互動(dòng)時(shí)，易發(fā)展出“幻覺式親密關(guān)系”[24]，從而促使用戶產(chǎn)生持續(xù)使用意向。

3）Vlogger人格賦魅為衡量用戶娛樂需求滿足程度的外部表現(xiàn)因素，是用戶持續(xù)觀看Vlog的核心驅(qū)動(dòng)力。Vlog因?yàn)閂logger的人格化特點(diǎn)而被新一代年輕人所廣泛接受[27]，此特點(diǎn)使用戶更易達(dá)成情感認(rèn)同，獲得沉浸體驗(yàn)，并使用戶產(chǎn)生積極的娛樂體驗(yàn)，從而對(duì)Vlogger更多的內(nèi)容產(chǎn)出產(chǎn)生期待，外顯為被Vlogger人格魅力所吸引。

4）審美區(qū)隔心理為衡量用戶對(duì)視頻質(zhì)量評(píng)判的外部表現(xiàn)因素，會(huì)直接影響用戶對(duì)視頻的信息關(guān)注。審美作為一種隱性的“區(qū)隔”力量，使文化資本占有者對(duì)各個(gè)階層的審美活動(dòng)進(jìn)行軟性支配和引導(dǎo)。人與人之間的審美與喜好是有個(gè)體差異的，尤其是在Vlog內(nèi)容同質(zhì)化嚴(yán)重的情況下，用戶觀看不同質(zhì)量的Vlog達(dá)成的情感認(rèn)同和沉浸體驗(yàn)程度有明顯差異，從而影響用戶地選擇，由此外顯為不同審美“質(zhì)量”的Vlog在用戶反饋數(shù)據(jù)上的差異。2AC46568-9043-4891-A42B-E92F97BB1D59

5）滿意度是用戶綜合體驗(yàn)，也是用戶即時(shí)體驗(yàn)的衡量標(biāo)準(zhǔn)。Vlog用戶的滿意度是觀看完Vlog后最直觀的感受，會(huì)影響用戶觀看后的行為。如直接退出或進(jìn)行點(diǎn)贊、投幣等促進(jìn)信息關(guān)注的可觀測(cè)行為，與信息關(guān)注從即時(shí)和長(zhǎng)遠(yuǎn)影響角度對(duì)用戶持續(xù)使用行為產(chǎn)生影響。

6）感知有用度為對(duì)Vlogger人格賦魅和審美區(qū)隔心理進(jìn)行概括的概念性指標(biāo)。該指標(biāo)綜合體現(xiàn)了用戶對(duì)Vlog的價(jià)值判斷，即通過Vlog是否達(dá)到了娛樂或情感互動(dòng)效果。

7）信息關(guān)注是各因素影響結(jié)果的一個(gè)重要衡量標(biāo)準(zhǔn)。對(duì)于通過平臺(tái)傳播信息的Vlogger來說，信息關(guān)注度影響著平臺(tái)算法，決定了視頻的推廣程度和曝光度，高信息關(guān)注度是Vlogger長(zhǎng)遠(yuǎn)發(fā)展的重要指標(biāo)。

2.2 模型構(gòu)建

本研究基于S-O-R（Stimulus-Organism-Response，刺激—機(jī)體—響應(yīng)）范式，結(jié)合信息系統(tǒng)持續(xù)使用模型（ECM-ISC）和相關(guān)研究建立了Vlog用戶持續(xù)使用行為理論模型。

S-O-R范式由表示外部環(huán)境因素的前因變量Stimulus（刺激）、表示個(gè)體的情感和認(rèn)知反應(yīng)的中介變量Organism（機(jī)體），以及表示個(gè)體態(tài)度或行為上的反應(yīng)的結(jié)果變量Response（反應(yīng)）三部分組成，核心理念為個(gè)體的情緒狀態(tài)會(huì)受到環(huán)境刺激的作用而產(chǎn)生相應(yīng)變化，這一情緒狀態(tài)又使得個(gè)體執(zhí)行趨近或規(guī)避行為。

本研究將內(nèi)部因素及外部因素作為前因變量，內(nèi)部因素通過用戶感知轉(zhuǎn)化為外部因素。中間因素和信息關(guān)注作為中介變量，是對(duì)用戶感受的綜合評(píng)判指標(biāo)。產(chǎn)生的持續(xù)使用判斷過程為結(jié)果變量，反映了用戶決策過程。此外，觀看和互動(dòng)對(duì)情感和行為忠誠(chéng)都有著正向影響，即對(duì)持續(xù)使用行為存在正向影響。在變量對(duì)感知有用性、滿意度的多重作用下，促使用戶花費(fèi)更多的時(shí)間，產(chǎn)生對(duì)Vlog的持續(xù)觀看行為，而用戶對(duì)Vlog的反饋會(huì)體現(xiàn)在評(píng)論、彈幕、點(diǎn)贊、收藏、播放等可觀測(cè)數(shù)據(jù)上。

彈幕表現(xiàn)實(shí)時(shí)的情緒，評(píng)論表現(xiàn)Vlog觀看后的期望結(jié)果。點(diǎn)贊量表現(xiàn)用戶對(duì)Vlog的喜愛。同時(shí)，收藏與投幣量將會(huì)給予Vlog正反饋，平臺(tái)的視頻推薦機(jī)制會(huì)給視頻更多被看到的機(jī)會(huì)，從而獲得更高的播放量，且質(zhì)量高的視頻會(huì)被多次觀看。粉絲基數(shù)則更多地影響Vlog的播放量，充足的粉絲基數(shù)能保證Vlog的基礎(chǔ)播放量且通過推薦機(jī)制吸引更多的人觀看Vlog?；诖?，對(duì)Vlog持續(xù)使用行為進(jìn)行因素上的完善，如圖2所示。

3 基于HMM的Vlog用戶持續(xù)使用行為量化分析

3.1 HMM模型方法

HMM模型為Baum L E等[32]和Egon提出的一種統(tǒng)計(jì)模型，它包括一組隱含狀態(tài)序列和一組觀測(cè)序列，用來描述一個(gè)含有隱含未知參數(shù)的馬爾可夫過程。作為一種十分成熟的概率統(tǒng)計(jì)模型，HMM模型可以考慮時(shí)間序列的影響，因此在描述動(dòng)態(tài)隨機(jī)過程上有突出的優(yōu)勢(shì)[33]。HMM模型最初被廣泛應(yīng)用于信號(hào)處理，現(xiàn)已被推廣到語音、行為、文字識(shí)別和故障識(shí)別等多個(gè)領(lǐng)域[34]。其用來研究一個(gè)含有隱含狀態(tài)的馬爾可夫過程，通過隱藏狀態(tài)來表示該過程的潛在變化，并識(shí)別狀態(tài)間的轉(zhuǎn)換[35]。Vlog用戶在進(jìn)行持續(xù)使用決策時(shí)，心理和感知的狀態(tài)是難以直接觀測(cè)的[36]。

使用λ=（S，U，C）三元組來表示一個(gè)隱馬爾可夫模型，S表示初始持續(xù)使用行為狀態(tài)概率向量，U表示持續(xù)使用行為狀態(tài)轉(zhuǎn)移概率矩陣，C表示持續(xù)使用行為決策概率矩陣。

1）初始持續(xù)使用行為狀態(tài)概率向量S

S={s1，s2，…，sN}，N為隱狀態(tài)個(gè)數(shù)（其中1表示最初級(jí)狀態(tài)，N表示最高級(jí)狀態(tài)），s1為其初始狀態(tài)，sN表示處于第N狀態(tài)持續(xù)使用行為的初始概率。

2）持續(xù)使用行為狀態(tài)轉(zhuǎn)移概率矩陣U

U=U（w，t，t+1）=（Uwij）N×N（1）

Uwij=P（gwt+1=j|gwt=i）

Uwij表示觀看者w在時(shí)刻t處于狀態(tài)i的條件下，在時(shí)刻t+1轉(zhuǎn)移到狀態(tài)j的概率。該公式用來描述Vlog各個(gè)狀態(tài)間轉(zhuǎn)移的概率，通過參數(shù)估計(jì)對(duì)持續(xù)使用行為中各狀態(tài)的變化情況進(jìn)行具體分析。

持續(xù)使用行為狀態(tài)在相鄰時(shí)刻有提升（gwt+1>gwt）、下滑（gwt+13）持續(xù)使用行為決策概率矩陣C

C（w，n）表示Vlog視頻w在時(shí)刻t的可觀測(cè)的持續(xù)使用行為決策概率矩陣，其定義如下：

C（w）=（cwik）N×H

其中cwik=P（xwt=vk|gwt=i），cwik是觀看者w在時(shí)刻t基于狀態(tài)i條件下生成持續(xù)使用行為決策vk的概率。

3.2 滿意度與信息關(guān)注函數(shù)

設(shè)Awt+1i表示Vlog視頻w處于狀態(tài)i條件下在時(shí)刻t+1的滿意度，Collectionwt+1、Goodwt+1、Coinwt+1分別表示Vlog視頻w在時(shí)刻t+1的收藏、點(diǎn)贊、投幣，3個(gè)變量的因果關(guān)系用效用函數(shù)表述如式（2）所示。

Awt+1i=ρi1Collectionwt+1+ρi2Goodwt+1+ρi3Coinwt+1 i∈{1，2，…，N}（2）

其中ρi表示持續(xù)使用狀態(tài)為i時(shí)，各因素對(duì)滿意度的影響程度。

設(shè)Bwt+1i表示Vlog視頻w處于狀態(tài)i條件下在時(shí)刻t+1的信息關(guān)注度，Watchwt+1、Repostwt+1分別表示Vlog視頻w在時(shí)刻t+1的觀看、轉(zhuǎn)發(fā)，兩個(gè)變量的因果關(guān)系用效用函數(shù)表述如式（3）所示。

Bwt+1i=αi1Watchwt+1+αi2Repostwt+1 i∈{1，2，…，N}（3）

其中αi表示持續(xù)使用狀態(tài)為i時(shí)，各因素對(duì)信息關(guān)注的影響程度。

式（2）、（3）詳細(xì)地對(duì)內(nèi)部決策因素滿意度和信息關(guān)注進(jìn)行了量化定義，并通過下文實(shí)驗(yàn)分析中的相關(guān)性分析對(duì)滿意度和信息關(guān)注進(jìn)一步定義，對(duì)持續(xù)使用行為的用戶體驗(yàn)因素和促進(jìn)程度進(jìn)行了體現(xiàn)與衡量。

3.3 狀態(tài)影響函數(shù)

觀看者的持續(xù)使用行為決策會(huì)受到信息關(guān)注（Attentionwt）、情感認(rèn)同（Emotionwt）、沉浸體驗(yàn)（Immersewt）、滿意度（Satisfywt）等內(nèi)部變量的影響，構(gòu)建狀態(tài)影響函數(shù)，如式（4）所示。

cwik=βi1Attentionwt+βi2Emotionwt+βi3Immersewt+βi4Satisfywt i∈{1，2，…，N}（4）

其中，βi=（βi1，βi2，βi3，βi4）表示各因素變量對(duì)Vlog狀態(tài)的影響程度。

該公式展示了4個(gè)因素對(duì)Vlog狀態(tài)的影響情況。

3.4 BIC準(zhǔn)則

BIC準(zhǔn)則是被Schwarz G E[37]提出的一種識(shí)別模型標(biāo)準(zhǔn)的信息量準(zhǔn)則，應(yīng)用十分廣泛，可確定HMM模型的隱含狀態(tài)個(gè)數(shù)。其計(jì)算公式為：

BIC（J）=-2logL（J）+nplog（R）（5）

其中，L為該模型的極大似然函數(shù)值，np為該模型中自由參數(shù)的數(shù)量，R為觀測(cè)的樣本數(shù)，BIC準(zhǔn)則的基本思想為似然函數(shù)最大化和模型復(fù)雜程度最小化。

該準(zhǔn)則確定了數(shù)據(jù)集的Vlog狀態(tài)數(shù)。

4 實(shí)驗(yàn)分析——以Bilibili為例

4.1 樣本來源與數(shù)據(jù)處理方法

本次實(shí)驗(yàn)分析選擇了目前國(guó)內(nèi)最大的Vlog作品集聚地——Bilibili。根據(jù)2021年《嗶哩嗶哩Q2財(cái)報(bào)》，B站月均活躍用戶達(dá)2.37億，移動(dòng)端月均活躍用戶達(dá)2.2億，生活類更是作為最受用戶歡迎的內(nèi)容品類。作為“中國(guó)版YouTube”，Bilibili聚集了眾多自媒體，Vlog日均產(chǎn)量達(dá)上千條。

數(shù)據(jù)集選取B站2017年7月11日—2021年1月17日的100個(gè)Vlog數(shù)據(jù)，爬取數(shù)據(jù)包括“UP主”“視頻標(biāo)題”“粉絲量”“播放量”“彈幕量”“收藏?cái)?shù)”“硬幣數(shù)”“轉(zhuǎn)發(fā)數(shù)”“點(diǎn)贊數(shù)”，以及每個(gè)視頻的約1 500條“彈幕”和1 000條“評(píng)論”數(shù)據(jù)，總計(jì)約150 000條彈幕和100 000條評(píng)論。調(diào)用百度Api進(jìn)行情感分析，對(duì)文字信息進(jìn)行量化，得出評(píng)論的情感傾向“Sentiment（評(píng)論）”、彈幕的主觀性“Confidence（彈幕）”?；谝雅廊〉臄?shù)據(jù)對(duì)其相關(guān)性進(jìn)行分析，依據(jù)其相關(guān)性對(duì)信息關(guān)注度及滿意度指標(biāo)進(jìn)行定義。基于HMM模型，通過Python代碼及最小BIC值原理選取最佳擬合模型并進(jìn)行數(shù)據(jù)分類。按照分出的3個(gè)類型，利用最小二乘法進(jìn)行具體分析。

本文數(shù)據(jù)主要使用Python爬蟲在嗶哩嗶哩網(wǎng)站進(jìn)行數(shù)據(jù)爬取，導(dǎo)入百度Api使用Python代碼進(jìn)行分類和情感分析，利用Hmmlearn模型實(shí)現(xiàn)Baum-Welch算法[38]對(duì)HMM模型進(jìn)行參數(shù)估計(jì)，使用Spss26.0進(jìn)行Pearson相關(guān)性及回歸分析。

4.2 變量及因素的量化定義

播放量作為用戶行為的最終以及關(guān)鍵表現(xiàn)因素，通過皮爾遜相關(guān)性實(shí)驗(yàn)得出其與其他各個(gè)表現(xiàn)因素的相關(guān)關(guān)系，實(shí)驗(yàn)結(jié)果如表2所示。依據(jù)各個(gè)變量相對(duì)于播放量的相關(guān)性及式（2）、（3）得出各個(gè)變量的衡量指標(biāo)表如表3所示。

4.3 外部變量

在HMM模型中，外部變量包括Vlogger個(gè)人魅力和用戶審美區(qū)隔心理，其中：①Vlogger人格賦魅是Vlogger對(duì)用戶影響力、聲譽(yù)的主觀折射;②用戶審美區(qū)隔心理是指用戶受Vlogger風(fēng)格的影響，會(huì)影響后續(xù)用戶的點(diǎn)擊率。

1）Vlogger人格賦魅

Vlog在Bilibili表現(xiàn)出了明顯的“粉絲經(jīng)濟(jì)”，粉絲是內(nèi)容消費(fèi)者，也是內(nèi)容產(chǎn)出者。頂層Vlog的博主自身具備一定的流量，有充足的粉絲基礎(chǔ)。UP主們?yōu)槠脚_(tái)提供優(yōu)質(zhì)內(nèi)容，吸引更多粉絲加入，粉絲們通過點(diǎn)贊、發(fā)彈幕、評(píng)論等互動(dòng)行為激勵(lì)UP主持續(xù)創(chuàng)作。內(nèi)容的產(chǎn)出者與消費(fèi)者彼此促進(jìn)，形成完美的良性循環(huán)，使UP主創(chuàng)作出更多的優(yōu)質(zhì)作品，從而獲得更多的關(guān)注[39]。

因此，基于數(shù)據(jù)集在此進(jìn)行播放量與粉絲量的相關(guān)性分析。分析得其顯著性為0.000，在0.01級(jí)別相關(guān)性顯著。Pearson相關(guān)系數(shù)為0.512，說明粉絲量與播放量存在明顯的正相關(guān)關(guān)系。

2）用戶審美區(qū)隔心理

用戶在觀看Vlog時(shí)，總會(huì)期望從視頻制作者的作品中找到共鳴。尤其在當(dāng)代，年輕人格外渴望尋求自己與他人的不同。Vlog與短視頻相比，其畫面、文字、配樂更加精良，更加符合當(dāng)代年輕人的審美趣味。Vlog內(nèi)容涵蓋旅游、娛樂、美食等多個(gè)領(lǐng)域，而Vlog中表達(dá)的正能量的生活也正與年輕人對(duì)美好生活的向往不謀而合，也象征著人們對(duì)高審美和生活品質(zhì)的追求。用戶審美區(qū)隔心理則作為個(gè)人之間存在的差異，對(duì)用戶的感受產(chǎn)生影響。

4.4 內(nèi)部變量

在HMM模型中，內(nèi)部變量包括情感認(rèn)同、沉浸體驗(yàn)、滿意度和信息關(guān)注4個(gè)指標(biāo)。其被各種中間變量所決定，中間變量樣本特征如表5所示。

4.4.1 HMM訓(xùn)練與參數(shù)估計(jì)

基于HMM模型定義，確定其隱含狀態(tài)。根據(jù)BIC準(zhǔn)則的計(jì)算公式，如式（5）所示，結(jié)果如表6所示。根據(jù)最小BIC值準(zhǔn)則[40]，N=3時(shí)HMM模型的擬合度最優(yōu)，所以下述分析將采用1階段能力狀態(tài)的HMM模型，此時(shí)CK={1，2，3}，狀態(tài)集中的3種狀態(tài)分別表示為“初級(jí)狀態(tài)”“中級(jí)狀態(tài)”和“高級(jí)狀態(tài)”。2AC46568-9043-4891-A42B-E92F97BB1D59

本文中Baum-Welch算法利用Python的隱馬爾可夫HMMLearn庫進(jìn)行實(shí)現(xiàn)。對(duì)數(shù)據(jù)集中的樣本數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建多維連續(xù)HMM模型。對(duì)Vlog不同狀態(tài)觀測(cè)值進(jìn)行參數(shù)估計(jì)[41]，結(jié)果如表7所示。本研究從初始概率向量來看，大部分Vlog集中于狀態(tài)2，狀態(tài)1與狀態(tài)2相對(duì)較少。從狀態(tài)間轉(zhuǎn)移概率看，轉(zhuǎn)移過程中，狀態(tài)幾乎不變，十分穩(wěn)定，相對(duì)狀態(tài)1有較小可能發(fā)生變化。

4.4.2 結(jié)果分析與討論

對(duì)不同狀態(tài)集進(jìn)行數(shù)值實(shí)驗(yàn)。基于式（4），對(duì)其進(jìn)行回歸分析，結(jié)果如表8所示。

1）基礎(chǔ)信息分析及討論

根據(jù)上表及內(nèi)部變量隨狀態(tài)變化趨勢(shì)，如圖3所示，觀測(cè)得：

a.狀態(tài)1為初級(jí)狀態(tài)，即Vlog滿意度較低，播放量相對(duì)較少（幾萬～幾十萬量級(jí)）。處于該狀態(tài)的視頻博主擁有一些粉絲基礎(chǔ)，但并沒有穩(wěn)定的高質(zhì)量視頻輸出。

b.狀態(tài)2為中級(jí)狀態(tài)，即Vlog滿意度中等，處于該狀態(tài)的視頻博主已經(jīng)處于Vlog行業(yè)的核心地帶，并保持著長(zhǎng)期的高質(zhì)量水平輸出，擁有較豐富的粉絲基礎(chǔ)。

c.狀態(tài)3為高級(jí)狀態(tài)，即Vlog滿意度較高，處于該狀態(tài)的視頻博主與狀態(tài)2的視頻博主有部分重合。

由數(shù)據(jù)集分類結(jié)果和內(nèi)部變量隨狀態(tài)變化趨勢(shì)，如圖3所示，可以得出以下觀點(diǎn)。

①用戶的信息關(guān)注和對(duì)視頻的滿意度會(huì)直接影響其Vlog使用決策。信息關(guān)注決定了用戶是否會(huì)在博主下一次更新時(shí)及時(shí)關(guān)注，而長(zhǎng)期的信息關(guān)注會(huì)使用戶對(duì)博主產(chǎn)生依賴心理[42]。滿意度則決定了該博主視頻對(duì)用戶的吸引力。二者共同作用，使觀看Vlog演變?yōu)榱?xí)慣，習(xí)慣促使用戶在空閑時(shí)間主動(dòng)尋找Vlog觀看，從而產(chǎn)生持續(xù)使用行為。

②滿意度隨狀態(tài)的提升上升。滿意度對(duì)初級(jí)和高級(jí)狀態(tài)Vlog均有相對(duì)顯著的直接正向影響，而中級(jí)狀態(tài)大部分都保持著穩(wěn)定的滿意度。用戶對(duì)視頻整體體現(xiàn)的效果感受會(huì)直接影響用戶持續(xù)使用行為的判斷。

③僅憑借內(nèi)部變量，從初級(jí)狀態(tài)到中級(jí)狀態(tài)的概率很小，而中級(jí)狀態(tài)到高級(jí)狀態(tài)的突破幾乎是不可能的。這也說明如果要實(shí)現(xiàn)狀態(tài)突破，需要外部變量，即極高的粉絲量或極具價(jià)值的視頻內(nèi)容的助力。

④情感認(rèn)同對(duì)初級(jí)狀態(tài)Vlog的信息關(guān)注有顯著負(fù)向影響，而其他狀態(tài)影響不明顯。一方面其原因可能是，初級(jí)狀態(tài)Vlog的內(nèi)容更趨向于小眾化，不具備代表性，難以形成情感認(rèn)同;另一方面，Vlog表現(xiàn)形式具有時(shí)間限制，觀看時(shí)間不充足導(dǎo)致難以形成情感認(rèn)同。

⑤沉浸體驗(yàn)對(duì)高級(jí)狀態(tài)Vlog的信息關(guān)注有顯著負(fù)向影響，而其他狀態(tài)不明顯。該結(jié)論與陳明紅[42]的結(jié)論一致，但與其他相關(guān)研究不一致。其原因可能是，處于高級(jí)狀態(tài)的Vlog比起日常生活的記錄，更趨向于對(duì)人生關(guān)鍵節(jié)點(diǎn)的“非日?！庇涗?，并且一部分用戶是被熱度所吸引，并非基于本身興趣。用戶沒有主觀對(duì)Vlog的認(rèn)同，難以形成沉浸體驗(yàn)。初、中級(jí)狀態(tài)則因?yàn)橛^看Vlog時(shí)間的“碎片化”，難以形成沉浸體驗(yàn)。

2）優(yōu)勢(shì)積累

從初級(jí)狀態(tài)向高級(jí)狀態(tài)躍遷的過程，即視頻博主長(zhǎng)期滿足用戶需求的Vlog通過高信息關(guān)注的優(yōu)勢(shì)累積，從而達(dá)到粉絲與視頻播放量的雙重增長(zhǎng)。因而，從用戶角度，用戶期待Vlog與自身的情感契合、長(zhǎng)期的優(yōu)質(zhì)產(chǎn)出、Vlogger的個(gè)人魅力。從視頻博主角度，Vlogger期待用戶長(zhǎng)期的高信息關(guān)注和粉絲量的增長(zhǎng)。只有用戶與博主的雙向作用，才有可能躍遷到高級(jí)狀態(tài)，成為Vlog流量大V，如圖4所示。

5 總結(jié)與展望

針對(duì)Vlog用戶持續(xù)使用行為，通過文獻(xiàn)梳理和數(shù)據(jù)分析，以S-O-R為基礎(chǔ)架構(gòu)，推論出Vlog用戶持續(xù)使用模型?；诖?，對(duì)其進(jìn)行情感分析、Pearson相關(guān)分析、參數(shù)估計(jì)等，進(jìn)行模型驗(yàn)證。以下從用戶層面影響因素，Vlogger層面及Vlog層面對(duì)其進(jìn)行深度挖掘，得出結(jié)論如下：

1）用戶的信息關(guān)注和對(duì)視頻的滿意度會(huì)直接影響用戶是否選擇繼續(xù)觀看Vlog，以及是否將觀看Vlog作為娛樂習(xí)慣。由于Vlog的時(shí)長(zhǎng)限制，“碎片化”的觀看令用戶難以形成情感認(rèn)同與沉浸體驗(yàn)，并且流量過高的視頻吸引來的部分用戶會(huì)拉低視頻的數(shù)據(jù)質(zhì)量，視頻內(nèi)容僅僅是“個(gè)人”生活體驗(yàn)的Vlog流量往往較低。

2）Vlogger要想成為頭部博主，需要經(jīng)過前期長(zhǎng)期穩(wěn)定的優(yōu)質(zhì)內(nèi)容輸出以及運(yùn)氣加成和后期粉絲量的累積，才能獲得穩(wěn)定的高質(zhì)量數(shù)據(jù)?！俺鋈Α钡腣log則需要滿足兩點(diǎn)要求，一是博主本身具備較高熱度;二是視頻內(nèi)容與熱點(diǎn)話題結(jié)合，有“爆點(diǎn)”，讓用戶有分享欲。

3）經(jīng)數(shù)據(jù)集分類結(jié)果總結(jié)，用戶Vlog類型偏好為：日常記錄類<搞笑類<“非日常”記錄類。這說明用戶更偏愛內(nèi)容新穎、信息充實(shí)、有現(xiàn)實(shí)意義的Vlog。從博主方面，做出高熱度視頻的博主大多主職其他類別視頻，而并非專職Vlogger，而專職Vlogger視頻內(nèi)容易同質(zhì)化，具有一定限制。

在國(guó)際市場(chǎng)，Vlog已經(jīng)經(jīng)過了9年的考驗(yàn)。而在國(guó)內(nèi)，Vlog作為舶來品，于2016年才受到廣泛的關(guān)注，正處于發(fā)展的關(guān)鍵點(diǎn)。目前，Vlog的發(fā)展蒸蒸日上，在各個(gè)自媒體，各領(lǐng)域視頻創(chuàng)作者都有逐漸向Vlog博主轉(zhuǎn)型的趨勢(shì)，并且Vlog創(chuàng)作不受領(lǐng)域限制。Vlog的制作是低門檻的，它展示人們的生活，這方面與其他需要專業(yè)知識(shí)的視頻不同。但從另一方面，高質(zhì)量的Vlog制作的難度也極大。

Vlog的未來發(fā)展需要持續(xù)高質(zhì)量的輸出，提高Vlog的整體檔次，壓縮低質(zhì)Vlog的市場(chǎng)。按照Vlog現(xiàn)在的發(fā)展趨勢(shì)以及一些高效Vlog制作軟件的出現(xiàn)，在未來，Vlog有機(jī)會(huì)沖擊現(xiàn)今短視頻的“全民參與”地位，代替圖片作為一種更鮮活的生活記錄方式。但同時(shí)，Vlog若想向高普及率發(fā)起沖擊，對(duì)Vlogger的要求極高。Vlogger需要制作出滿足更多人對(duì)美好生活向往的Vlog，其自身也必須十分優(yōu)秀以及擁有獨(dú)特的生活體驗(yàn)。從文字到圖像，再到影像，人們的記錄方式越來越先進(jìn)，這不僅僅是一種生活的記錄，更是一種文化的記載。隨著科技的發(fā)展，VR、AR技術(shù)的出現(xiàn)也許在未來能給Vlog的發(fā)展帶來新的生機(jī)，從二維平面影像變?yōu)槿S全息立體影像。Vlog也將從積極情緒的傳遞，變?yōu)槌两饺松w驗(yàn)。2AC46568-9043-4891-A42B-E92F97BB1D59

本研究仍存在一定的局限性，研究模型或許不夠完善，獲取數(shù)據(jù)有限，只能從宏觀方面進(jìn)行分析，未從用戶角度深入探究，后續(xù)研究可在情感認(rèn)同和沉浸體驗(yàn)方面，進(jìn)一步探索用戶心理。

參考文獻(xiàn)

[1]CNNIC.第47次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[EB/OL].http：//www.gov.cn/xinwen/2021-02/03/content_5584518.htm.

[2]楊善林，王佳佳，代寶，等.在線社交網(wǎng)絡(luò)用戶行為研究現(xiàn)狀與展望[J].中國(guó)科學(xué)院院刊，2015，30（2）：200-215.

[3]陽長(zhǎng)征.突發(fā)事件中社交媒體用戶黏性與情感負(fù)荷對(duì)信息共生行為影響研究[J].情報(bào)學(xué)報(bào)，2021，40（6）：640-655.

[4]張昕.Vlog的特點(diǎn)與發(fā)展趨勢(shì)——從視覺說服視角[J].青年記者，2018，（17）：98-99.

[5]Wang Y W.Humor and Camera View on Mobile Short-form Video Apps Influence User Experience and Technology-adoption Intent，an Example of TikTok（Dou Yin）[J].Computers in Human Behavior，2020，110：106373.

[6]鄧勝利，楊璐伊，付少雄.基于自我差異理論的社交網(wǎng)絡(luò)用戶自我披露行為研究[J].情報(bào)理論與實(shí)踐，2021，44（3）：122-130.

[7]Mehrabian A，Russell J A.An Approach to Environmental Psychology[M].US：MIT，1974：43.

[8]Bhattacherjee A.Understanding Information Systems Continuance：An Expectation-Confirmation Model[J].Mis Quarterly，2001，25（3）：351-370.

[9]Jeung-Tai E T，Chi-Hui C.Integrating Experiential Value of Blog Use Into the Expectation-Confirmation Theory Model[J].Social Behavior and Personality：AnIinternational Journal，2010，38（10）：1377-1389.

[10]孫建軍，裴雷，劉虹.基于期望確認(rèn)模型的視頻網(wǎng)站持續(xù)使用模型構(gòu)建[J].圖書情報(bào)知識(shí)，2013，155（5）：82-88，45.

[11]劉虹，裴雷，孫建軍.基于期望確認(rèn)模型的視頻網(wǎng)站用戶持續(xù)使用的實(shí)證分析[J].圖書情報(bào)知識(shí)，2014，159（3）：94-103.

[12]Katz E，Blumler J G.The Uses of Mass Communication：Current Perspectives on Gratifications Research[J].American Journal of Sociology，1974，3（6）：318.

[13]Hsu M H，Chang C M，Lin H C，et al.Determinants of Continued Use of Social Media：The Perspectives of Uses and Gratifications Theory and Perceived Interactivity[J].Information Research，2015，20（2）：671.

[14]鄧君，魏瑤，李蛟，等.在線知識(shí)社區(qū)用戶非持續(xù)使用意愿研究——以知乎為例[J].情報(bào)科學(xué)，2021，39（5）：138-145，155.

[15]孫挺，夏立新，李雪，等.社會(huì)化閱讀用戶持續(xù)使用意愿影響因素的薈萃分析[J].情報(bào)科學(xué)，2021，39（7）：153-161.

[16]武慧娟，尚冰琦，孫鴻飛，等.微閱讀用戶持續(xù)使用行為影響因素及作用路徑研究[J].情報(bào)科學(xué)，2020，38（6）：76-82，102.

[17]張大權(quán)，朱泓飛，孫笑.基于扎根理論的高校新媒體平臺(tái)信息用戶持續(xù)關(guān)注行為影響因素分析[J].情報(bào)科學(xué)，2021，39（3）：113-119.

[18]龐立君，楊洲.虛擬品牌社區(qū)中信息交互對(duì)用戶參與行為的影響研究[J].情報(bào)科學(xué)，2021，39（7）：108-115.

[19]張敏，龍貝妮，邵欣，等.短視頻APP用戶持續(xù)使用意愿之形成機(jī)理及其治理展望——基于擬態(tài)陪伴的分析視角[J].現(xiàn)代情報(bào)，2021，41（7）：49-59.

[20]Tajfel H.Differentiation Between Social Groups：Studies in the Social Psychology of Intergroup Relations[J].London：Academic Press，1978.

[21]熊勵(lì)，郭慧梅.基于動(dòng)機(jī)認(rèn)知理論的突發(fā)事件網(wǎng)絡(luò)信息分享行為影響因素研究[J].情報(bào)雜志，2021，40（5）：125-131.

[22]歐陽宏生，胡畔.交互傳播中的移情效應(yīng)及其實(shí)現(xiàn)途徑[J].西南民族大學(xué)學(xué)報(bào)：人文社科版，2017，38（1）：174-178.

[23]張寧，袁勤儉，朱慶華.個(gè)體認(rèn)知專注與虛擬社區(qū)參與關(guān)系的元分析[J].情報(bào)學(xué)報(bào)，2018，37（2）：161-171.2AC46568-9043-4891-A42B-E92F97BB1D59

[24]Horton D，Richard W R.Mass Communication and Para-social Interaction[J].Psychiatry，1956，19（3）：215-229.

[25]Katz E，Haas H，Gurevitch M.On the Use of the Mass Media for Important Things[J].American Sociological Review，1973，38（2）：164-181.

[26]彭蘭.連接與反連接：互聯(lián)網(wǎng)法則的搖擺[J].國(guó)際新聞界，2019，41（2）：20-37.

[27]王德勝，楊園園.共情撫慰、整合歸屬與人格賦魅：對(duì)年輕群體Vlog觀看動(dòng)機(jī)的研究[J].中國(guó)編輯，2020，（Z1）：45-49.

[28]魏抒.Vlog的受眾心理與優(yōu)化策略探析[J].傳媒，2020，（11）：52-54.

[29]季亞萍，萬棋民.傳播學(xué)視角下短視頻APP用戶的個(gè)體表達(dá)——以小咖秀為例[J].新聞研究導(dǎo)刊，2016，7（23）：70-71.

[30]Gao L，Bai X.An Empirical Study on Continuance Intention of Mobile Social Networking Services：Integrating the IS Success Model，Network Externalities and Flow Theory[J].Asia Pacific Journal of Marketing and Logistics，2014，26（2）：168-189.

[31]甘春梅，林晶晶，肖晨.社交網(wǎng)絡(luò)用戶間歇性中輟行為的影響因素研究[J].情報(bào)理論與實(shí)踐，2021，44（1）：118-123.

[32]Baum L E，Petrie T.Statistical Inference for Probabilistic Functions of Finite State Markov Chains[J].Annals of Mathematical Statistics，1966，37（6）：1554-1563.

[33]廖雯竹，李 丹.基于SAEM-HMM的設(shè)備狀態(tài)診斷模型研究[J].系統(tǒng)工程理論與實(shí)踐，2017，37（7）：1910-1918.

[34]張瑞，董慶興.基于LDA-HMM的知識(shí)流動(dòng)模式發(fā)現(xiàn)研究[J].情報(bào)科學(xué)，2020，38（6）：67-75.

[35]韓冬梅，夏麗華.基于HMM模型的MOOCs持續(xù)使用行為影響因素研究[J].情報(bào)科學(xué)，2020，38（12）：70-77.

[36]Huang Y，Singh P V，Ghose A.A Structural Model of Employee Behavioral Dynamics in Enterprise Social Media[J].Management Science，2015，61（12）：2825-2844.

[37]Schwarz G E.Estimating the Dimension of a Model[J].The Annals of Statistics，1978，6（2）：461-464.

[38]Rabiner L R.A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77（2）：257-286.

[39]黃仲山.隱性“區(qū)隔”與顯性支配——論審美趣味與審美權(quán)力的雙向建構(gòu)[J].山東大學(xué)學(xué)報(bào)：哲學(xué)社會(huì)科學(xué)版，2014，（6）：147-152.

[40]Wasserman L.Bayesian Model Selection and Model Averaging[J].Journal of Mathematical Psychology，2000，44（1）：92-107.

[41]Singh P V，Tan Y，Youn N.A Hidden Markov Model of Developer Learning Dynamics in Open Source Software Projects[J].Information Systems Research，2011，22（4）：790-807.

[42]陳明紅，鄭潔萍，漆賢軍.移動(dòng)社交媒體用戶信息共享持續(xù)意愿研究[J].情報(bào)理論與實(shí)踐，2017，40（4）：37-43.

（責(zé)任編輯：陳 媛）2AC46568-9043-4891-A42B-E92F97BB1D59