视频UGC流行度影响因素研究—基于Bilibili网站数据

□李良强 廖觅燕 刘 璐 杨 亮 方佳明

[1. 四川农业大学 成都 611830；2. 电子科技大学 成都 611731]

引言

用户生成内容（User Generated Content，UGC）是Web 2.0环境下一种新兴的网络信息资源组织模式，反映出以用户为主导的内容生产思想。UGC可以分为文字、图片或视频等多种形式，近年来，随着数字设备的快速发展和社交分享平台的不断升级，视频类UGC蓬勃发展。视频类UGC的流行极大地改变了市场格局，逐渐从由传统媒体主导过渡到赋能用户成为有影响力的人。生成和共享在线内容的数量急剧增加，成为重要的信息生产与传播方式，不仅为用户提供表达观点与自我展示的机会，也促进了平台活跃度，甚至还成为了品牌宣传的有效工具[1]。2018年，视频博客（Video Blog，Vlog）作为视频类UGC的传播形式得以迅速发展，具有真实性与生动性的Vlog拥有更加丰富的信息量，且能够满足用户自我呈现、社交互动及印象管理的需求，使用户更加生动地进行感情表达与互动，因此受到许多用户的追捧。艾媒咨询（iiMedia Research）最新的调查数据显示，2019年中国Vlog用户规模达2.49亿人，未来Vlog用户规模仍将保持稳定增长态势[2]。

Vlog的迅速发展离不开平台的推动与用户的积极创作与交流，已有关于Vlog的研究集中关注Vlog的分享动机及传播影响。区别于传统文本博客和短视频，Vlog通过使用视频媒介提供了更丰富的社交场景，以分享用户的日常生活和发表某一事件的观点为主的Vlog更加展示自我，同时，发布者通过言语内容和非言语内容共同传达信息，具有真实性和多样性的特点[3]。同时，Vlog发布者与观看者的对话促进了交流与社交联系[4]，通过展示生活化的日常，Vlog甚至能够促进语言能力与跨文化交流方面[5]。此外，Vlog能够对品牌营销策略产生影响，尤其是Vlog发布者的个人声誉及专业性对消费者购买意愿均具有正向影响[6]。

尽管用户群体与发布数量的显著提升，但并非所有的Vlog都具有显著的传播效果，在海量信息传播的社交平台，同时间发布的Vlog由于受到各类因素的影响，后续的流行度有显著差异。有效识别Vlog流行度的影响因素，对促进个人自我需求与社交平台活跃度都有着重要意义。目前针对Vlog流行度的影响因素的研究却较为缺乏，仅少部分文献分别探索了Vlog发布者受欢迎程度的影响因素[7]以及挖掘视频内容特征[8～9]，但未同时考虑视频特征与发布者特征。而在Vlog传播过程中，视频信息与发布者信息均展示在平台中以吸引用户点击观看，用户对这些信息会进行判断以决定是否点击，两种信息均会影响观看者的选择。因此，将视频特征与发布者特征同时纳入研究更能全面揭示流行度的形成过程。

综上，本文将基于信号理论，从视频特征与发布者特征构建Vlog流行度的计量模型，并通过实证分析得出其影响机制，旨在补充已有关于Vlog流行度的相关研究，并为平台与个人的发展提供可行性建议。

一、文献回顾

本文旨在探索Vlog流行度的影响因素，并基于信号理论，从视频特征及发布者特征构建计量模型。针对以上研究内容，本文主要从Vlog流行度研究与信号理论相关研究两个方面展开文献梳理。

（一）Vlog流行度研究

流行度亦可称为受欢迎程度，在更开放的网络环境下，网络视频的传播、流行已成为个人提升自我、服务或产品的基本方式[10]。从概念上看，流行度指操作在社交网络上的某种网络行为的数量度量，反映了某一时间内发布内容的受关注程度[11]。而已有关于用户生成内容的流行度的度量指标则因研究情境不同存在差异。例如，发布内容的点击率被多数研究定义为流行度最基本的衡量参数[12～15]。此外，由于一些平台无法提供文本图片形式的UGC的点击次数，研究将转发数和评论数作为流行度指标，因为转发行为能够提高扩散度[16]，评论则体现了用户愿意花费时间发表意见并参与讨论，同样可以揭示影响力或流行度。例如，Yang和Li基于小米在线共创社区收集的客观数据，检验了影响消费者生成内容受欢迎程度的因素，其中评论总数被用作用户生成内容流行度的衡量指标，因为其揭示了影响力，表明同行消费者花费了时间和精力来提供意见和想法[17]。Vlog作为视频UGC的新形式，本文借鉴Hill等的研究，将Vlog的在线社交功能（Vlog的观看次数）作为流行度的衡量指标[18]。

最初针对UGC流行度的影响因素的研究，其研究对象多为文字和图片等形式，并指出发布内容的不同类型、发布的时间范围以及社交互动与流行度有关[19～21]。而关于视频UGC流行度的讨论近年来逐渐受到关注。Mcauley指出评论的潜在主题等对网络视频评分及点播量有影响[22]。此外，区别于文字和图片，视频UGC的时长增加了信息内容的丰富性，平台提供的弹幕功能更加强了用户之间的互动与视频内容重要程度、趣味程度[23]。除了视频自身内容的影响，少量研究指出发布者的个人特性会影响视频的流行度。Ferchaud等利用定量内容分析来探索最受欢迎的YouTube人物的视频，指出Vlog是最受欢迎的形式，因为其高自我披露度隐含了真实感[8]。Frobenius探索了Vlog中个人与观众的互动、语言暗示、目光注视等均能更好地吸引更多的关注[24]。

（二）信号理论

信号理论（signaling theory）从信息经济学的角度解释了信息不对称的情况，指出信号是一方发给另一方的信息提示，以促成期望的结果出现[25]。同时，信号理论主要包括信号、信号发送者和信号接受者三大要素[26]。在本文中可以对应Vlog、Vlog发布者和Vlog观看者。作为发布者展示自我日常生活的视频形式，优质的、富有趣味性的Vlog通常会得以快速转载和传播。在Vlog展示页面，发布者将通过传递Vlog相关信息线索吸引用户的关注，因此本文选择信号理论作为影响Vlog流行度的理论基础。

信号理论已被广泛运用到线上场景中。例如，线上众筹的研究揭示了关于社会资本信号的情景，Bi等研究了质量信号和网络口碑对资助者的投资决策具有显著的积极影响，其中较多的介绍字数和视频数使资助者感觉项目质量更高，较高的点赞数使资助者感觉该项目具有良好的网络口碑[27]。同样，Kromidha和Robson基于信号理论调查了众筹成功的前因，结果表明筹款人与其支持者在论坛中交换更多项目所传递的信号，有更高的众筹支持率[28]。在网络营销背景下，信号理论集中应用于消费者信任和购买意愿的影响，如品牌可信度[29～30]、卖方信息[31]、网站质量[32]等作为信号，均影响产品质量和购买意愿。同时，少量研究基于信号理论探索了产品受欢迎程度影响在线产品质量，例如，Mou和Shin采用信号理论和基于实验室的眼动追踪设计，调查了流行度和时间稀缺性对产品态度的影响，结果发现社会知名度对于消费者的信任、感知产品质量和感知价值很重要，此外，时间稀缺性仅对感知产品质量和感知价值产生影响[33]。

通过上述两方面的相关文献梳理，可以发现，已有关于Vlog流行度的测量较少考虑发布者特征。Vlog作为新兴的视频UGC形式，想要在传播过程中获得更多的关注，发布者有必要向观看者传递高品质的信息线索，从而提升Vlog流行度。而发布者特征可以从平台个人主页展示自我，吸引用户对其作品的关注。因此，借鉴已有研究信号理论的相关文献，结合Vlog情境，将Vlog的视频特征作为信号，发布者的个人特征作为发布者信号，用户的观看行为作为接受者信号，以此探究Vlog流行度的影响因素。

二、研究假设

基于信号理论并结合本文的研究情境，本文将Vlog流行度的影响因素分为了视频特征与发布者特征两大类。视频特征是反映Vlog内容的直接因素，包括视频时长、视频质量以及弹幕数量。发布者特征则展示了个人吸引力对Vlog流行度的影响，包括专业性、个人声誉以及个人等级。

（一）视频特征

与传统的图片、文字不同，视频UGC具有媒介丰富性的特征，是影响受众观看最直接的因素。同时平台赋予了视频内容的新形式，例如弹幕的嵌入丰富了Vlog的信息内容，本文将从Vlog时长、视频质量、弹幕数量三个方面作为视频特征进行分析。

1. 视频时长

视频内容对传播的效果具有很大影响[34]。其中，视频时长作为核心特征，一定程度上能够反映Vlog的内容。时长作为影响流行度的因素已受到一些研究的关注，但其影响受众观看效果的研究结果具有矛盾性。一些研究认为时长与观看行为呈正相关，李永宁等研究中提出短视频时长相对传统视频较短，更长的视频能体现更多信息量，短视频时长对流行度产生正向影响[35]。同样，Zhu等以微博秒拍短视频为例，研究讨论了短视频时长作为内容特征指标对流行度的影响[36]。然而另一些研究却持相反的态度，认为短视频的兴起正是由于时间短内容丰富的特性，时长对受众浏览行为具有负向影响。Slemmons等通过实验的方式研究教学视频时长对学生观看的影响，结果显示观看较短的视频后，内容的保留率更高，观看较短的视频时具有更高的参与度和专注度[37]。本文认为在碎片化以及快节奏的时代，过长的Vlog会导致受众不愿点击，视频时间更短更受青睐。事实上，接收视频时长过长的Vlog增加了用户对信息过载的感知，用户对信息过载的感知导致观看者产生消极情绪并降低其观看Vlog的意愿。基于此，本文提出以下假设：

H1：视频时长负向影响Vlog流行度。

2. 视频质量

在信息过载的网络时代，受众对观看的信息会进行初步筛选，以期观看高质量的视频，其他用户与视频的互动信息便是视频质量的重要参考依据。由于Vlog展示页面中没有评分这一直接反映质量的信息，能够反映Vlog质量的互动信息包括收藏数量、投币数量、转发数量以及点赞数量。收藏数量反映用户认为视频质量高，具有多次收看的价值[38]。投币数量和点赞数量则体现了观看者对Vlog的喜爱和支持程度，是对发布者精心制作视频的一种高度认可。Jia等将用户所捐赠的投币数量视为显性受欢迎程度，能够对视频的流行产生影响[15]。彭晨明等研究了微信帖子内容特征对点赞数量的影响，提出用户点赞行为的产生是由于认可微信帖子的价值。此外，转发行为在社交平台中是影响传播效果的重要因素[39]。同收藏数量、投币数量以及点赞数量一样，转发数量表达出对视频的认可度，更重要的是转发行为能够扩散信息的传播量，是用户进行二次传播的重要行为，使更多人点击信息[40～41]。从观看者的角度来看，关于Vlog视频质量的信号代表了一种有价值的信息，可以形成观看者的态度并促进Vlog流行度。提供视频质量的相关信息有助于减少Vlog发布者与观看者之间的信息不对称。可以看出，四个指标所传递出对视频的评价均有一定相似性与相关性，因此，本文将四个指标视为反映视频质量的一级指标，对Vlog流行度产生影响。基于此，本文提出以下假设：

H2：视频质量正向影响Vlog流行度。

3. 弹幕数量

弹幕是以观看者评论作为流动字幕，实时同步在视频中飞过的一种新功能，反映了观看者对视频的情感、态度。同时弹幕还具有实时性，极大促进了观看者之间的交流互动，能够带来愉悦感和临场感[42]。近年来包含弹幕的视频受到了极大追捧，王德胜和杨园园的研究中提到受众观看各类视频内容的主要影响因素正是由于弹幕视频的娱乐性、日常化、仪式感以及真实感等[43]。弹幕与流行度的关系也获得一定关注，梁晨将视频弹幕与评论进行文本分析，将其分为正向、负向以及中性三种情感类型，通过实证分析验证了网络视频弹幕对视频流行度具有正向影响[12]。Adele等将弹幕作为视频新的社交功能，对UGC视频网站中的流行度预测问题进行了分析，结果指出弹幕的数量仅表示视频受到的关注程度，而并不能表示关注的情感性质[15]。基于已有文献对弹幕特点及影响效果的研究，结合本文研究情境，观看者在Vlog展示页面无法看到弹幕的内容及情感倾向，仅能通过弹幕的数量感知他人愿意花费时间进行实时互动的意愿，从而感知该视频传递出的热度信息。基于此，本文提出以下假设：

H3：弹幕数量正向影响Vlog流行度。

（二）发布者特征

在Vlog分享社区中，个人主页除了提供用户自身的名字、性别和个人简介等基本身份信息，并展示了用户的动态，促进用户之间了解与交流。发布者相关信息是影响视频播放总量的重要因素[44]，而专业知识，吸引力和可信度则可以作为信息来源的三个属性[7～45]。借鉴已有相关研究，本文将从专业性、声誉、等级三个方面作为发布者特征进行分析。

1. 发布者专业性

专业性反映了个人在某一领域所拥有的知识、经验及能力，并影响他人对其的评价感知。Bayón研究发现，信息接收者越了解信息源的专业知识，信息传播的影响就越大[46]。在网络社区中，发布者已有的作品数量可以作为专业性的衡量指标，因为通常许多用户是“潜水党”，仅少部分的用户进行内容创造，作品的数量能够反映出发布者对社区的贡献程度。已有关于作品数与流行度之间联系的研究中，Liu等探究了影响起点中文网的小说流行度的三方面因素，其中，累计作品数能够反映作者的专业性进而影响小说流行度[47]。孙婷婷研究中同样指出投稿数越多传播效果越好[48]。可以看出，关于发布者的作品数量对流行度的积极影响得到了一定的验证。Vlog作为一种新兴视频形式，涉及后期剪辑等相关技术问题，制作具有一定的技术要求。因此，总的视频投稿数能够反映出发布者的历史参与程度与前期的经验积累情况，并对传递信息的质量产生正向影响，对Vlog流行度有积极影响[49]。基于此，本文提出以下假设：

H4：发布者专业性正向影响Vlog流行度。

2. 发布者声誉

另一个影响Vlog流行度的发布者特征是声誉。作为虚拟社区中的一员，Vlog发布者的声誉基于绩效，被定义为“来自他人的综合意见”，反映了社区中其他人对该用户的评价[50]。从影响层面上来讲，个人声誉可以作为显示其内在特质的一种信号，该信号具有可传递性，其他主体能够通过该信号甄别该个体的行为属性和类型[51]，最终形成个人在社区中的地位。例如在知识共享平台中，发布者可以通过吸引其他用户关注、点赞来增强自己的社区声誉[26]。施艳萍等同样以知乎平台为例，提出用户获得赞同数、获得感谢数、回答被收藏数、粉丝数等能够直接反映社区影响力[52]。除此之外，关于电子口碑情境的文献指出声誉徽章标识[50]、用户评分[53]和礼物数[54]等均能衡量个人声誉。结合Vlog研究情境，本文的个人声誉由粉丝数和个人点赞数表示。粉丝数体现发布者拥有的吸引力[55]，点赞数则体现用户对发布者所发布的内容的认同感[56]，两者均对发布者的Vlog质量产生正向影响，从而促使用户点击观看。基于此，本文提出以下假设：

H5：发布者声誉正向影响Vlog流行度。

3. 发布者等级

个人等级是平台赋予用户的身份信息，平台制定详细的规则作为衡量等级的指标，例如用户的使用时长、发布的作品数、平台参与的活跃程度等都能提升等级，因此，等级的高低一方面反映了用户与平台的亲密程度[57]，另一方面是用户自身能力提升的体现[58]。金晓玲等基于信息源的视角，采用实证研究分析了微博用户的信息分享与传播的影响因素，其中就包括用户等级[56]。金燕和闫婧根据用户的创建、评价、转发等历史行为，建立用户信誉等级模型，并指出用户信誉等级能够预测UGC质量[59]。可以发现，发布者等级能够传递出所分享的Vlog的质量信号，高用户等级向其他用户表明发布者在社交平台上获得了专业知识。在信号理论的背景下，以发布者等级的形式显示发布者贡献了一定数量的受欢迎的Vlog，从而影响Vlog最终的传播效果。基于此，本文提出以下假设：

H6：发布者等级正向影响Vlog流行度。

三、实证分析结果

（一）数据来源

目前国内许多平台都纷纷布局Vlog，并出台激励政策鼓励用户参与创作。本文选择Bilibili作为数据来源的平台，原因在于：第一，Bilibili是国内最大的视频分享社区，Vlog作为UGC新形式的在Bilibili获得了广泛推广，数据具有代表性。第二，Bilibili有专门的Vlog社区，不同于一些平台会根据用户偏好自动推送用户感兴趣的视频，Vlog社区每日所展示的热门Vlog均是当日所上传，具有随机性，避免了其他因素对播放量的干扰。在获取数据时使用了Python网络爬虫技术，对Vlog社区中的热门视频进行爬取，于2020年4月获取了19 583条数据，剔除完全重复以及部分内容缺失的数据后，最终有效样本数据为18 431条。数据的描述性统计如表1所示。

表 1 数据描述性统计

（二）研究变量定义

首先，考虑发布时间对播放量的影响，即存在发布时间越长播放量越多，本文采用了日播放量作为因变量。其次，对假设模型中提出的视频质量与个人声誉进行潜变量的计算。已有的研究主要有两种方法，一是直接将观测变量求和或求均值，但是这种方式具有一定的弊端，未考虑不同观测变量之间的权重关系。本文选择第二种方法：主成分分析法，其能够使相关性很高的变量提取为同一公因子，且考虑了因子之间的权重[60～61]。本文利用SPSS软件的因子分析功能，采用主成分分析法对初始数据进行处理，结果显示六个主成分因子里，第一个成分包括收藏数量、转发数量、投币数量与点赞数量，第二个成分由个人点赞数与粉丝数构成，结果与预期相符，详细结果如表2所示。

表 2 主成分分析结果

因此，本文采用前两个因子得分值分别作为视频质量与个人声誉的衡量指标。根据因子得分系数矩阵得出公因子得分公式，如公式（1）与公式（2）所示。F1代表视频质量，F2代表个人声誉。

其次，从爬取的数据描述性统计分析可以看出，除了个人等级的标准差小于均值以外，其余变量的标准差极大，呈现偏态分布，倘若不加以预处理，将难以满足实证分析阶段线性模型的要求。因此，对播放量、视频时长、弹幕数以及专业性进行对数处理，使数据更加平稳。详细的变量信息如表3所示。

表 3 模型变量概述

（三）相关性分析

相关性分析不能反映因果关系，但能初步判断变量之间的关系，因此对观测变量进行处理后，将六个自变量与因变量进行相关性分析。本研究采用皮尔逊相关系数（Pearson Correlation Coefficient）检验变量之间的相关关系。将所有解释变量与被解释变量代入SPSS相关性分析中，选择Pearson分析方法，并依据变量之间的系数大小、正负以及显著性判断两两变量之间的关联。最终结果如表4所示，结果显示自变量之间的相关性系数均小于0.5，表现出弱相关性，初步排除了多重共线性的干扰。此外在自变量与因变量的相关关系中，视频时长与播放量相关系数为负值，视频质量、弹幕数、专业性、个人声誉以及个人等级与因变量呈正向相关。

表 4 相关性分析

（四）假设检验

在对观测变量进行处理后，结合本文提出的研究假设，建立了影响vlog流行度的计量模型，如公式（3）所示：

上式中，除前文已经定义的解释变量与被解释变量外，b1～b6表示解释变量的回归系数，b0与Ɛ分别表示常数项与随机误差项。采用多元线性回归模型检验结果，如表5所示。R2=0.468说明模型有良好的拟合效果，统计检验中容差与VIF值能够对自变量之间的多重共线性进行检验，结果显示各变量的VIF均小于判定值5，不存在多重共线性。视频特征的三个变量均显著影响了Vlog流行度，假设H1、H2与H3成立。发布者特征中，专业性与个人声誉对Vlog流行度具有显著的正向影响，假设H4与H5成立，而发布者等级尽管对Vlog流行度影响显著，但其回归系数为负值，这与本文提出的假设相悖，H6不成立。

表 5 模型估计结果

（五）稳健性检验

为了确保假设检验结果的稳健性，本文借鉴四分位数法将总体数据样本拆分为四部分，选择上四分位数与下四分位数的样本分别对模型进行重新估计，结果如表6所示。两个样本检验结果中，视频时长、视频质量、弹幕数量、专业性与个人声誉均显著正向影响流行度，个人等级的标准化回归系数依然为负值。因此，实证结果基本没有发生改变，进一步佐证了总体样本的数据分析结果，假设总结如表7所示。

表 6 稳健性检验结果

表 7 研究假设总结

四、结论与讨论

（一）讨论

本文基于信号理论，探索Vlog的视频特征（视频时长、视频质量以及弹幕数量）与发布者特征（专业性、个人声誉以及个人等级）对Vlog流行度的影响，构建了关于Vlog流行度影响因素的计量模型。通过爬取Bilibili的18 431条Vlog有效数据，采用实证分析方法对模型进行了验证。结果表明，视频时长对Vlog流行度产生负向影响，视频质量、弹幕数量、专业性以及个人声誉具有显著的正向影响，而个人等级对Vlog流行度正向影响不显著。

根据实证分析结果，进一步提升了关于Vlog流行度影响因素的认识。首先，我们的研究证实了视频特征的三个变量对Vlog流行度的显著影响。值得一提的是过去针对视频时长流行度的研究具有矛盾性，而在本文情境下，证实了在信息过载的时代，短视频时长越短，会提高用户的点击量。视频质量与弹幕数量的作用则反映出Vlog视频本身对用户的吸引力。其次，发布者特征中，专业性与声誉的正向影响与先前的研究一致，而发布者等级却未对Vlog流行度产生正向影响。尽管研究结果与假设预期不符，但是却反映出一个有趣的现象。结合本文情境，发布者等级的高低是由平台根据经验值作为评定依据。而经验值受到注册平台的时间及历史活跃度影响。本文认为Vlog作为一种新型UGC形式，在Bilibili发展的时间不长，平台激励Vlog发展政策吸引了许多新用户，一些热衷于拍摄并发布Vlog的用户进入平台的时间短，他们的等级可能不会太高。同时，本文所选取的平台为Bilibili，该平台受众群体主要是年轻人，这部分群体对创作者的等级或者头衔等个人指标不太看重，这些因素对Vlog流行度的影响很小。总之，我们的研究将视频特征与发布者特征结合起来，并且也证实了两种信息来源对Vlog流行度产生显著影响。

（二）理论启示

1. 目前对Vlog流行度影响因素研究多考虑视频特征，较少考虑发布者特征。本文创新性地将信号理论应用到Vlog研究情境下，以视频特征与发布者特征的六个变量作为影响Vlog流行度的因素，建立了Vlog流行度影响因素的计量模型。研究结果揭示了不同变量对Vlog流行度的影响机制，丰富并完善了已有关于Vlog流行度的研究体系。

2. 由于研究情境的差异及用户偏好的改变，已有文献对视频时长影响受众观看行为的研究结果存在差异性。本文通过实证分析支持了视频时长负向影响Vlog流行度的假设，即在信息超载的时代，受众更倾向于观看时间更短的Vlog，这一结果为已有关于视频时长作为影响因素提供了理论上的借鉴。

（三）管理启示

1. 视频特征的三个变量均显著影响Vlog流行度，这为Vlog创作者提供了实践依据。首先，视频时长负向影响Vlog流行度，说明过长的Vlog可能会导致用户不愿点击，因此，Vlog创作者在后期剪辑时要精简所分享的内容，重点控制时长。其次，视频质量能够通过收藏数量、投币数量、转发数量以及点赞数量反映出来，同时，弹幕数量与Vlog流行度呈正向影响，这些内容是通过用户之间的互动所形成，发布者可以积极主动的传递出互动的信号，例如在Vlog简介中加入“求点赞”“求支持”“求关注”等信息，提高与用户的互动性。

2. 发布者特征的专业性与个人声誉对Vlog流行度影响显著。一方面，Vlog发布者应该提高自己发布视频的数量，为Vlog社区内容生产做出贡献，传递给受众自身具有Vlog制作的经验积累信息。另一方面，粉丝数与个人点赞数的提升同样需要发布者提升参与度，并在Vlog社区中加强与其他用户的互动。而个人等级并不会对Vlog流行度产生积极影响，说明受众对高等级的信息不太看重，发布者不必花大量时间特地去提升自己的等级。同时也从侧面鼓励了一些入驻平台时间不长的Vlog创作者，即使等级不高，Vlog依然会受到欢迎。

3. 从Vlog平台的角度，本文的结果能够让平台提供更好的激励措施来促进Vlog的流行，以增强用户的粘性。一方面，社交功能对流行度具有重要影响，例如弹幕的使用，平台可以增强弹幕的乐趣，例如加入多样化的表情符号。同时提高用户发送弹幕的便捷性，例如弹幕发送框内设置特定的语句或表情供用户选择，省去了用户自行编辑弹幕的时间，使观看者更愿意发送弹幕。另一方面，平台可以根据视频特征及发布者的特征，在后台运营和网页展示上做规划，展示质量更优、传播效果更佳的Vlog来促进平台活跃度。

（四）研究不足与未来展望

本文仍然存在一些局限性。首先，数据的选择上，本文的数据来源为Bilibili平台，仅使用了一个网站的数据，未包含其他用户分享平台的Vlog数据，平台之间的差异可能会造成结果的不同。未来可以收集其他平台关于Vlog的数据，对不同平台进行比较，从而探索平台之间是否存在差异。其次，本文的因变量以播放量作为衡量指标，模型中的变量之间可能会存在一定的内生性问题，播放量可能会影响用户之间的互动数量，如点赞数量、转发数量及弹幕数量等。今后可以尝试利用面板数据进行研究，进行深入分析以减少内生性问题，使研究结果更具有稳健性。同时，未来可以利用面板数据建立包含时间因素的计量模型，以更加深入全面地了解Vlog流行度的影响因素。最后，本文所建立的模型中，尚未考虑一些调节因素的影响，例如视频类型，本文未对各个视频类型进行细分，视频类型的加入可能会导致影响机制的差异。未来可以尝试对标题或Vlog简介进行文本分析，得出每条Vlog的主题及类型，检验视频类型的调节作用。