基于数据画像的短视频领域中知识动员模型研究

姚伟 刘舒雯 柯平 张翠娟 陈思

摘 要：[目的/意义]收集相关短视频资料进行数据画像，挖掘短视频背后蕴含的知识动员模型。[方法/过程]以选择健身话题短视频的收看者和评论者为研究对象，依据数据的丰富性和多样性，采用数据画像方法对数据基本特征和运行状态进行探索，借助Maxqda12、Tableau、Gephi、Vosviewer工具，对梨视频中关于健身话题短视频的评论互动进行分析。[结果/结论]结果表明：短视频领域中知识动员会形成技术去中心化、局部协同的长期性和全景协同的不确定性、内驱力—外驱力—融驱力驱动的知识赋能、在地化实践场域，从而形成“技术流赋能—协同流赋能—知识流赋能—文化流赋能”模式。

关键词：知识动员;数据画像;知识赋能;文化赋能;技术赋能;Maxqda12

DOI：10.3969/j.issn.1008-0821.2020.07.007

〔中圖分类号〕G250.1 〔文献标识码〕A 〔文章编号〕1008-0821（2020）07-0063-11

Research on Knowledge Mobilization Model in

Short Video Based on Data Portrait

Yao Wei1，2 Liu Shuwen1 Ke Ping2 Zhang Cuijuan1，2 Chen Si1

（1.College of Economics and Management，Tianjin University of Science & Technology，

Tianjin 300222，China;

2.Business School，Nankai University，Tianjin 300071，China）

Abstract：[Purpose/Significance]The purpose of the research is to collect relevant short video data for data portrait，and mine the knowledge mobilization model behind the short video.[Method/Process]Viewers and commentators who choose short videos on fitness topics is taked as research objects.According to the richness and diversity of data，this paper explores the basic characteristics and running state of data by using data portrait method.With the help of Maxqda12，Tableau and Gephi tools，this paper analyzes the interaction of comments on short videos on fitness topics in pear videos.[Result/Conclusion]Results showed that：Knowledge mobilization in the field of short video formed technology decentralization，long-term nature of local coordination and uncertainty of panoramic coordination，knowledge empowerment driven by internal driving force-external driving force-melting driving force，the field of localization practice，so that the model of“technology flow empower-synergistic flow empower-knowledge flow empower-culture flow empower”was formed.

Key words：knowledge mobilization;data portrait;knowledge empowerment;culture empowerment;technology empowerment;Maxqda12

知识来源于社会实践，哲学层面上知识是人类的认知成果[1]。知识的获取与传播是知识学研究领域的重要内容，而知识动员是二者进行结构联系及演化规律的沟通桥梁。知识动员是包括知识共创和知识传播等环节的系统性非线性过程，强调互动和对话。知识动员由知识生产引致需求驱动，通过交流与联接，将知识转化为行动，目的是在知识供需方之间塑造文化，以便形成知识共创、知识社会化创新。在已知情境中，知识动员对可用知识进行活化，包括特定情境中知识的识别、认知、移动、积极使用等。作为一种社会活动，知识动员发生在个人、团队和组织等不同层面。实施知识动员倾向于采用自下而上的方式，这意味着知识动员是从个体规模衍生为群体规模、从个体行为演化为群体生态行为。

随着互联网技术和移动技术的发展，为适应人们碎片化、移动化场景，短视频媒体应运而生。短视频突出互动与交流，由供给及需求双重驱动，推动知识社会化和知识活化，成为面向个体、团队或组织的新型知识实践社区，为知识动员实施提供便捷可行的技术支持。短视频是更具个人色彩的知识身份认同构建与话语表达方式，是参与者自身知识意义的重塑，蕴含新传播语境下的知识文化隐喻[2]，它能实现知识动员，而知识动员借助短视频进行知识价值化。因此，收集相关短视频资料开展数据画像，挖掘短视频背后蕴含的知识动员模型，使人们更好地实现将自身知识价值化，正是研究问题所在。

1 文献回顾

21世纪初，加拿大社会科学及人文委员会创新性地提出了知识动员理论[3]。知识动员关注创新与服务，是基于知识客体（知识需求者）的需求驱动，为实现知识的价值延伸和创新性增值，采取有效的机制，结合知识主、客体所处背景而采取行动的社会过程[4]。知识动员克服了知识传递不及时、分享传播困难等问题[5]，侧重在相互作用中进行知识的理解和创造，是不同利益相关者之间的知识交互，支持知识的双向和多向协同构建[6]。知识动员是复杂、迭代、非线性的社会过程，涉及群体或环境之间的互动[7]。在教育研究中，知识动员能够帮助改善教育体系并努力探寻构建教育网络结构的均衡点，以提高教学水平[8]。此外，社会医疗领域也逐步使用知识动员理论[9]。经由科学性研究，汇总经验知识，形成学术性理论，最终传播分享研究成果[10]。

短视频媒体具有独特性，包括社会资本推广度高、知识聚集凝练度强、传播结构权变度快、知识时效性强、便于形成阈下意识正强化等特点，这些独特性加速了知识延伸优化，加快知识价值化的进程。技术打破了信息时效性、影响性与地域性等限制，即使最微弱的关联也意味着交往关系建构的可能[11]。知识动员聚焦于人们的真实所知，而不是假设所知[12]，是向知识需求者或组织提供知识的过程[13]。短视频媒体通过扁平化的传播方式满足现代人展示自我个性、互动过程中的自我满足、日常生活娱乐化等用户心理[14]。因此，在短视频媒体中进行知识动员，知识生产者将自有知识向需求者或组织提供，可以高效地使用户知识价值化，满足用户尊重或自我价值实现的需求。但现有研究中，短视频媒体的研究主要集中于用户心理、内容、政策、营销、与传统媒体比较、传播价值等方面[15-16]，对于如何在短视频中进行用户知识动员的研究较少，需要进一步系统研究，以便更好指导实践。

2 研究对象及数据

2.1 研究对象选取

本研究以短视频软件使用者和评论发表者为研究对象，选择用户人数多、互动频率高、评论回复数据量大的梨视频作为数据样本库。这个数据样本库信息量大，同时关注新闻资讯和社会故事，用户参与知识动员活动更积极且具有代表性。选择“健身话题短视频”主要原因为健身是人们关注自身健康必不可少的活动，健身话题适应人群范围广泛，对健身短视频进行知识动员研究可以使更多人关注自身健康，通过知识动员能够更好地使人们将自身健身的知识价值化，以提升身体素质。

2.2 数据收集

本研究收集用户评论数据。记录字段包括：视频标题、视频发布时间、视频发布者ID、评论转发条数、赞同人数、评论者ID、评论内容、评论时间、对于评论者评论内容的赞同数。利用“八爪鱼”爬虫软件从“梨视频”爬取“关于健身话题短视频”信息共收集364条，时间为2017年6月-2018年3月，表1是用“八爪鱼”爬虫软件收集的有效数据的具体信息。针对收集的数据，分别从内容维度、时间维度、空间维度，运用扎根理论、时间序列、社会关系网络分析等方法，利用Maxqda12、Tableau、Gephi等工具进行分析。

3 数据画像及研究发现

结合相关学者的研究[17-19]，数据画像充分考虑了数据的丰富性和多样性、数据提取方法的可伸缩性。数据画像是数据的形成、聚集和提炼。国内学者姚伟将数据画像定义为：以数据科学的相关理论和技术为支撑，依据数据属性进行针对性地多维度分析，其目的是进行数据基本特征和运行状态的可视化、具体化及立体化展现，进而挖掘或探索数据背后的规律、机制及路径等。

3.1 时间维度：用户活跃度分布形态

对选定的特定话题（健身）短视频的用户评论时间及评论条数、点赞数量进行统计分析，绘制时间序列图。利用Tableau软件进行分析，得到时间序列可视化图例。经数据导入软件，设置评论发表的日期（距离短视频发布日的天数）为横轴、左侧纵轴为赞同人数、右侧纵轴代表评论人数，得到如图1所示的时间序列散点图。

由图1可知，关于健身的短视频互动程度变化呈山丘状分布，其活跃期有特定的生命周期，经历了从评论者对短视频内容做出包含其独有见解的评论，到其他评论者对这一新观点所蕴含的知识或内容做出评论、进行采纳或是提出异议的过程。每一个活跃期的新评论都会经历从提出、高潮到衰落的过程规律，且这些评论的活跃期往往互相连接，有些评论的衰落期甚至直接作为下一评论的发起期。同时可以发现，关于健身的短视频中，评论、赞同的分布密度呈现一种不均匀的态势，存在局级集聚和协同现象（图1中虚线椭圆处），但是动员过程存在生命周期，伴随着生命周期会出现知识动员的不同形态，进而形成知识动员生态圈。

由评论用户活跃度折线图（如图2所示）可以发现，用户赞同人数和评论数在第2周突然上升，说明用户活跃度提升，大批评论者开始参与到知识动员中，并对短视频内容做出评论，进而创造出新知识和新观点，再将这些新知识与短视频中蕴含的知识一同传播、分享给新用户或新评论者，从而形成知识的社会共创。第9周期间，赞同数和评论数这两项数据均开始回落，分别降至35和15左右，后期仍逐步下降。16周時，开始缓慢回升，保持几周后又再一次出现回落。这一过程中，赞同数出现一次大幅度的上涨，然对应的评论条数呈现下降趋势。对照这一时段的评论内容，可以发现当时的用户评论包含专业性知识，对短视频所蕴含的知识与存在的问题做出高度概括与总结，并提出新观点，得到参与者的广泛认同，参与者对评论所传递分享的知识持肯定态度，评论内容也多为支持和称赞。

通过图2可以发现，关于健身换题的短视频经历了发起、成长、高潮、衰退的知识动员生命周期。第二周至第七周这段时间达到峰值，这与该健身短视频登上微博热搜的时间正好相契合，说明媒体曝光率、社会推广度及视频关注度与知识动员的频发度密切相关。

随后的回复评论人数呈下降趋势，是因为人们了解健身视频的内容之后对其兴趣程度下降。造成这一现象的原因可能是经过知识动员后，评论者开始实施行动，亲身去练习瘦身动作，但因个人体质不同、瘦身效果不同、健身时长不足或锻炼姿势有误等，导致部分评论者在健身锻炼之后没能成功减脂或是未达到视频中宣传的效果，所以表现出如图3所示的活跃度明显下降。但是，评论人数与点赞人数从十六周之后缓慢回升，说明高质量健身话题的短视频具有相当的影响力和传播度，其生命周期持久，经历短暂的低谷衰落之后，仍有可能再次成长并达到新的高潮。

3.2 空间维度：活动参与者网络结构分析

探究短视频领域中知识动员模型，首先必须理清知识动员过程中各参与者（评论者）之间的社会化关系及角色差异，即明确知识动员的核心发起者和知识的主要传播者。在搜集到的数据中，对健身话题短视频的评论者和回复者进行分析，建立两者间的社会关系网络。

评论中有其他用户做出回复即表明这一知识社区中的某些成员曾经阅读过此条评论，并且对该评论内容所传递的知识信息持有相同或相异观点，他们往往也会表明自己对于评论内容的观点是否赞同，或是引入新的相关话题知识与评论者进行讨论。经由一次评论回复完成一次知识动员（从短视频发布者转移到评论者，之后又从评论者转移到回复者）。在这一系列过程中，知识不断向外扩散、传播，并且在参与者讨论交流的过程中，会出现新的知识或观点，进而完成知识交流和更新，而这也正是知识动员活动中知识的延伸与价值化。

分析开始前，剔除不必要的数据，只保留评论者用户ID、评论人数和回复者ID几项数据，将数据汇总整合到Excel表格中，规范化整理为CSV格式，导入Gephi软件中进行深度分析，如图3所示。

图3可以看出，“周萌然然”“绿孩子Johnny”“北巷橘猫-”等在评论中最为积极和具有影响力，他们会依据自身的影响力形成局部知识动员。利用社会网络关系分析法，对搜集到的数据进行可视化加工，将参与者ID作为节点，评论者与回复者之间的互动作为知识动员连线，研究参与话题交流传播的用户间的关联度，得到如图3所示的社会网络关系图。

利用Gephi软件的ForceAtlas2布局算法进行分析，对参与者间的交互关系进行动态网络分析，深度加工后生成图5所示的星云图。图4中外围散点为交互性较小的沉默者或是不积极参与者，图4形成了以核心评论发起者为中心，主要知识传播者为桥梁，连接外围散点（不积极参与者）的知识动员结构形态。其中，节点越大，说明其评论内容越吸引人，评论回复条数越多，蕴含的知识越有深度;连线颜色越鲜艳则表明其交互度越高。这一结构形态说明，在短视频领域中，少数评论发起者（意见领袖）所提出或传播分享的知识，决定了整个话题的用户交互关系，能够影响知识动员开展的整个过程。此外，从图4中还可以看出，短视频领域中开展的知识动员，有部分用户参与的主动性不高，说明短视频评论参与者间的知识动员存在不均衡性和非对称性。在后期知识动员过程中，需特别注意这一点，提出解决方案，实施改进措施，鼓励参与者积极进行知识动员活动。

利用Vosviewer的分析功能，构建话题评论非沉默参与者的壳体层、幔层、核心层的3层生态圈结构图，如图5所示。对评论交互度极高的评论者进行分析，可以看出其交互度也有从中心向外逐渐降低的趋势，并可以清楚地看到评论者活跃度存在分层——高活跃度、高交互度的参与者处在核心生态圈，中间生态圈是活跃度和交互度相对较低的参与者，而最外层生态圈则是活跃度与交互度最低的参与者，这和地球内部结构相一致，分别对应着地心、地幔和地壳。

通过图5可以看出，参与者“周萌然然”“绿孩子Johnny”“北巷橘猫-”位于核心生态圈，属于意见领袖，其评论内容分别是关于“运动的同时，也要注意合理的饮食，并引出了自己的瘦身食谱”和“运动的时长与动作的规范性讨论”，这两条评论充分调动了参与者知识动员的积极性，积极推动知识动员活动，并使其自身处于核心层地位。核心生态圈是支撑网络的主要结构，而处于核心生态圈的参与者便成为话题的发起者和知识动员推动者[20]。核心生态圈参与者在健身话题短视频的知识动员过程中起着高度凝聚作用，能推动健身话题的知识动员活动进一步发展，并在短时间内形成意见领袖和光圈效应，聚集更多人关注这一特定话题短视频，进而创造、产生和分享更多的相关知识。最终，这一话题的网络结构也会逐步趋于稳定，核心生态圈的用户会成为这一特定话题短视频知识动员社区中的领导者，最外层生态圈的低活跃度与低交互度用户会从参与者演变成只关注点赞、但不做出评论的关注者，3层生态圈的层次分化也愈加显著。这说明其动员结构存在内外生态圈，生态圈内部趋于协同，形成知识活化和价值化，生态圈外部趋于分散，需要对生态圈外部的成员进行知识赋能。这就是“大聚居”，即从整体而言，整个知识动员活动存在大壳体层、大幔层、大核心层。“小聚居”是指作为意见领袖的“周萌然然”“绿孩子Johnny”“北巷橘猫-”等人，在其自身的影响范围内，也呈现小型的3层生态圈，即小核心层，分别以不同的意见领袖为核心。小幔层是指围绕不同意见领袖形成的活跃度和交互度相对较低的参与者形成的生态圈。小壳体层是指围绕不同意见领袖形成的活跃度和交互度极低的参与者形成的生态圈。

3.3 内容维度：短视频知识动员内容分析

3.3.1 短视频知识动员主题分析

对特定话题（健身）短视频的评论内容进行文本分析，剔除无关信息（短视频标题、发布者ID、赞同数目、评论数目、评论时间、评论赞同数），仅导入评论内容及回复内容两项文本数据，提取其中高频词，如图6所示。话題的关键词主要集中在“运动”“热量”“食谱”“减脂”“跑步”“动作”“消耗脂肪”等方面，而这些关键词也正是该话题短视频的主体知识价值。健身短视频是否含有以上因素或相应知识信息会影响用户参与知识动员的意愿，是用户实施或开展知识动员时最关注的问题。

3.3.2 基于扎根理论的质性研究内容分析

本研究选取Maxqda12软件进行质性分析，主要原因有以下两方面：一是其具有强大的编码功能，可以直接在软件中生成理论关联，无需手动计算Pearson相关系数和建立理论关联。二是该软件可创建各数据间的关系和矩阵数据，并可在矩阵浏览器功能下直接浏览和加工数据信息，操作便捷，数据呈现更为直观。

（1）数据编码

将数据导入Maxqda12软件中，采用文本挖掘的方法对文本的关键因素进行提取，在分析资料基础上，根据扎根理论使用Maxqda12软件对评论资料进行仔细编码与分析。首先，从收集到的400多条数据中，选取485个参考点，即初级编码（自由节点）;然后，将这些自由节点整合归纳到19个树节点中;最后，提炼概括出短视频领域中知识动员的7个主要因素，即知识精益内涵、知识开放式创新、知识个性化推荐、媒介知识情怀、知识认知强化、知识体验感知、知识多元协同，如图7所示。

（2）代码矩阵分析

选择软件中“可视化工具”，启用“代码矩阵浏览器”功能，对树状节点进行可视化分析。对矩阵进行设置，选取要分析的7个主要节点，分析结果如图8所示。可以看出，“体验反馈”对应的数据颜色最鲜艳，说明其所包含的自由节点最多，其权重也最高，对应的编码数量为56，这表明在短视频领域的知识动员过程中，体验反馈是用户最关注的内容，也是知识动员参与者间讨论交互频次最高、涉及相关话题知识最广的一项关键因素。同理，涉及“经验交流”“情感认同”内容的评论，也是知识动员参与者关注的焦点。

（3）子代码的统计数据

表2所示短视频领域中知识动员编码表，涉及初级编码、次级编码和高级编码。由于代码较多，为直观查看主要维度，需要对子代码进行统计，创建统计图表。将次级代码和高级代码导入“子代码统计数据”功能进行分析，得到高级编码的数据统计表，这7个高级编码分别为：知识多元协同、知识体验感知、知识认知强化、媒介知识情怀、知识个性化推荐、知识开放式创新和知识精益内涵。

由于图表较多，本研究选取“知识多元协同子代码统计数据”作为代表进行展示（如图10所示）。用软件自带图片转换功能将统计数据转换为可视化统计图（如图9所示），图例是经过加工处理的可视化数据饼状图。

3.4 内容维度的理论关联

由图10短视频领域中知识动员代码变量图所展示的数据统计可知，短视频领域中知识动员分为3层。位于最内层核心位置的是理论名称;处于中间层是短视频领域中影响知识动员的7个关键因素，即知识精益内涵、知识开放式创新、知识个性化推荐、媒介知识情怀、知识认知强化、知识体验感知和知识多元协同;最外层是对应中间层所呈现的每个次级编码的细化分类。

通过分析挖掘，得出短视频领域中知识动员的理论关联，如图11所示。核心层与中间层间连接桥梁上的数字代表短视频领域中知识动员与7个主要因素间的相关系数，相关系数的绝对值越大，相关性越强。一般情况下，相关强度取值标准如下：系数在0.8（包含0.8）至1之间为极强相关，在0.6（包含0.6）至0.8之间为强相关，在0.4（包含0.4）至0.6之间为中等程度相关，在0.2（包含0.2）至0.4之间为弱相关，在0.2以下为无关[21]。依据上述标准可以看出，知识多元协同为极强相关，知识个性化推荐、媒介知识情怀、知识体验感知为强相关性，而知识精益内涵、知识开放式创新、知识认知强化的相关性为中等水平。此外，中间层与最外层连线上的百分数为细分后的因素对7个主要因素的构成占比，百分比越大，说明其权重越大，在理论关联构建过程中越重要，越需要重点关注。如在知识多元协同方面，知识需求是影响短视频领域中知识动员的主要影响因素;在知识体验感知方面，经验交流是影响短视频领域中知识动员的主要影响因素。以此类推，可以得出在7个主要因素中的知識需求、经验交流、知识体验、知识质量、知识原创、体验反馈、情感认同等因素为影响知识动员的重要细分因素。

4 结 论

依据扎根思想，即扎根于实际研究、资料、数据、田野之中，不是空想或臆想，从实践中形成的研究思维、研究意识及思想等，从而探索数据及现象背后的规律、理论。本研究扎根于现实知识动员实践社区，扎根于短视频及其评论的资料中，对数据的多维属性进行数据画像，探索其背后的知识动员模型。依据数据画像的探索得出如下结论：

（1）移动技术赋能空间：技术赋能是通过应用新兴移动信息技术，形成具有鲜明时效性，且不受时空限制的路径，激发和强化知识需求者的能力[22]。移动技术赋能在连接参与者、连接数字内容、连接知识、连接服务的平台上，进一步形成更

适合未来发展趋势的社交、内容、知识服务与技术的融合。移动技术赋能强调技术本身的设计、技术与人的互动，从而形成差序格局鲜明的网络社区态势。移动技术在赋能过程中发挥如下作用：①知识库的接口，保障众多知识具有实效性和综合性;②知识桥梁与连接器;③知识个性化推荐：从共性式群体互动到个性化的定制互动;④媒介知识情怀：技术媒介理性与知识价值融合形成媒介知识情怀;⑤技术赋能能力：技术辐射力和影响力的合力形成赋能能力。技术因素带来的价值正向影响用户的行为。移动技术赋能使知识动员社区参与者能够在不确定情况下通过有效途径获取到正确的或者需要的知识。移动技术赋能使知识动员社区去中心化变为可能，去中心化会形成知识动员的内在动机。在面对不确定的知识动员情境下，移动技术增强了赋能的敏捷性和适应性。移动技术使得获得知识的人能够超越时空限制拥有相应的知识和视野，并在此基础上依据获取的知识采取明智的行动。由于移动技术是不断升级和迭代的，技术的更新推动赋能的实施，所以也可以称为技术流赋能。

（2）非对称协同空间，即局部协同的长期性和全景协同的不确定性。非对称协同是由知识不对称效应所导致。知识生产者和知识需求者之间存在知识不对称效应，知识不对称效应使得知识在知识主体与知识客体之间形成分布不均衡现象，从而形成知识差。知识差的形成推动了知识多元协同。通过分析发现，在知识不对称和知识动员之间存在非对称协同机制，即局部协同的长期性和全景协同的不确定性。局部协同的长期性是指在例如在核心层，各参与者之间存在非线性的相互作用，从而产生协同效应，使得核心层由混沌走向有序、自组织乃至自适应。局部协同满足了需求者的动态知识需求。全景协同的不确定性是由于知识需求者的个体特征及其意愿，使其具有个性化知识需求及知识过滤网，从而获取个性化的知识，彼此之间会存在知识认知偏差，从而导致存在“核心—幔层—壳体层”3种身份属性。全景协同的不确定性为知识动员带来机遇与挑战，需要在局部协同和全景协同之间找到平衡点，或者在“核心层—核心层不稳定边缘、幔层—幔层不稳定边缘、壳体层—壳体层不稳定边缘”找到最佳平衡点。

非对称协同及不稳定边缘会形成内生态协同与外生态赋能。外生态赋能是短视频知识互动的实践过程，在网络社区中形成动态化的交互关系与开放性的形态。内生态协同与外生态赋能是针对“核心生态圈—幔层生态圈—壳体生态圈”而言。相对于幔层而言，核心生态圈是内生态协同，这一层面中各个参与者之间存在协调与合作的行为。参与者之间的交互、协调、协作形成拉动效应，带动内生态知识圈的形成，从而达到正向知识体验感知和知识认知强化。相对于核心层而言，幔层生态圈是外生态。外生态与内生态边界及外生态认同缺乏稳定对应关系。这种稳定对应关系的缺乏会超越参与者个体或局部性交互，使得内生态圈对外生态圈赋能，而外生态赋能一旦突破“生态边界”，便融入更大的知识生态中。由于这种不对称协同也是动态变化的，因此可以成为协同流赋能。