社交媒体环境下智能推荐内容点赞行为影响机理研究

陆泽宇 查先进 严亚兰

(1.武汉大学信息管理学院，湖北 武汉 430072；2.武汉大学图书情报国家级实验教学示范中心，湖北 武汉 430072；3.武汉科技大学恒大管理学院，湖北 武汉 430065)

面对纷繁复杂的海量媒体数据，用户时刻面临着信息超载[3]和认知负荷[4]的挑战。在此背景下，智能推荐系统应运而生。这种系统技术能挖掘数据隐含价值，协调用户数据和项目属性以捕捉客户需求，从而提供个性化信息服务，让用户获取所需信息的同时提升数据利用率[5]。在社交媒体中，基于智能推荐系统的“推荐”频道或相关功能已对用户产生了广泛而深远的影响，其根据用户特征及用户在社交媒体中的浏览、搜寻、阅读、收藏等信息活动进行个性化信息推荐，如微博、知乎、B站、豆瓣、小红书的首页信息流及微信朋友圈、QQ空间的广告推荐等。智能推荐一方面协助解决了用户的信息超载等问题[6]；另一方面又带来了许多新的问题[7]，用户也从主动获取信息逐渐转变为被动接受信息。社交媒体平台不仅可以通过算法、挖掘、分析用户数据向用户推荐个性化信息[8]，亦可以通过技术手段运用用户数据不断反哺优化推荐算法[9]。

“点赞”作为一个重要的社交平台交互功能，其操作成本相对于其他多数用户行为较高，频率相对于评论等交互行为也较高[10]，较能体现用户对智能推荐内容的反应程度。随着中国互联网的发展与相关亚文化群体的壮大，“点赞”的本土化色彩愈发浓厚，其产生背后的行为逻辑也十分丰富，具有参考意义。因此，对社交媒体环境下智能推荐内容点赞行为的影响因素进行深入探讨，研究其影响机理，将有助于智能推荐算法的优化，进一步满足用户需求，对智能推荐系统建设乃至社交媒体平台治理具有重大价值。

综上，本文将具体探讨社交媒体环境下智能推荐内容点赞行为的影响因素，分析其影响机制及影响路径，进而构建社交媒体环境下智能推荐内容点赞行为影响机理理论模型，为未来的研究及实践提供参考。

1 文献综述

Web2.0时代以来，特别是近年来，随着社交媒体的发展壮大，用户投入时长不断增长，其对政治、经济、社会的影响日益凸显。在全球范围内，图书情报学、传播学、心理学、管理学、计算机科学等众多领域的专家学者对其进行了大量相关研究。在图书情报领域，学者们从社交媒体对市场营销[11-12]、医疗健康[13-14]、学术科研及知识共享[15-16]、紧急事件[17-18]等方面的影响开展了关联研究。

推荐系统于20世纪90年代开始发展[19-21]，并在发展中迅速投入互联网商业化运营[7](如1996年Yahoo推出的个性化的入口“My Yahoo!”、2003年Google投入使用的广告推荐系统)。随着社交媒体日益发展壮大，推荐系统也被引入，引发了学者的关注。如Nilashi M等[22]运用多标准评分，开发了一种用于电子旅游平台中的酒店推荐的新推荐方法；胡昌龙[23]基于社交媒体基因图谱对信息服务推荐开展了研究，构建基于社交媒体基因图谱的信息推荐模型；张继东等[24]基于社交媒体基因图谱提出了一种在线教育服务推荐方法；唐晓波等[25]利用可视化的方法生成用户的复杂信任网络图谱，提出了一种基于复杂信任网络的社会化媒体好友推荐模型。学者们亦对社交媒体中推荐系统的用户使用进行了探讨。如Kim M S等[26]针对有使用YouTube经验的受访者进行了一项在线调查，分析后发现，感知严重性对披露所有类型信息的意愿有显著的负面影响，应对效能对除反馈信息外的信息披露意愿有正向影响，自我效能感对披露反馈信息有正向影响；范梓腾等[27]基于数字鸿沟的视角考察了社交媒体用户对算法推荐内容的接受倾向，提出使用层次、心理效能、隐私保护担忧、信息准确度认知等因素会对用户算法推荐接受倾向产生影响；张雄涛等[28]在隐私视角下探究了社交媒体推荐对用户在线交互意向的影响机理，梳理了社交媒体推荐、感知收益、感知隐私风险、平台信任、感知信息控制与用户在线交互意向间的关系。

随着国内社交媒体平台的发展，对应国外社交媒体“Like”功能的“点赞”功能也逐渐完善。国内外学者对于点赞行为的研究较为丰富：Gerlitz C等[29]提出Facebook的点赞按钮支持不同参与者之间的多个数据流，有助于同时实现网络的去中心化和再中心化；Chin C Y等[30]提出，点赞的动机一般包括快乐动机、实用动机、顺从动机、从众动机、隶属动机等；Sumner E M等[31]通过研究用户在Facebook的点赞行为，讨论了点赞频率的一般预测因素、点赞表达具体含义等内容；Zhao H等[32]调研了微信用户点赞情况，建立了一个微信用户点赞行为的概念模型，提出内容(包括内容有用性与内容趣味性)、关系(包括给面子、人情、感情)分别通过积极情绪、预期关系收益间接影响点赞行为；Xu X等[33]借鉴“刺激—有机体—反应”模型(S-O-R模型)，提出人际关系的刺激与道德义务感影响用户在社交媒体的点赞行为；张瑜等[34]从传播心理学、人际传播、媒介经济3个维度分析了社交媒体中的点赞行为；曹冉[35]从媒介依赖角度提出“自我表露的心理动机”“新型传播媒介的自身优势”“基于社会认同的社交需要”“社会意见环境的不断推动”是影响点赞依赖的重要因素。

综上所述，学界目前对社交媒体环境下的智能推荐相关研究较少，对社交媒体环境下智能推荐相关的用户信息行为研究存在不足。关于社交媒体中用户点赞行为的研究多针对某个平台或从某个角度开展，未充分考虑平台、用户、情境等多个维度的综合影响，其主要采用的定量、定性方法缺乏质性研究性质的探索尝试，与社交媒体中智能推荐相结合的研究亦存在不足。因此，本文将采用扎根理论开展研究，尝试回答以下问题：针对社交媒体环境下智能推荐内容，用户的点赞行为会受何因素影响？其影响机理如何？有何启示？

据奥维云网（AVC）监测数据显示，2018年第三季度，嵌入式一体机全渠道均价4351元，同比下跌了8.4%，然而全渠道零售额同比涨幅却达到了99.0%。值得注意的是，当嵌入式一体机产品的均价呈现下跌态势，销售额竟出现了大幅增长。

2 研究设计

2.1 研究方法

扎根理论(Grounded Theory)由Glaser B G等提出[36]，是一种质性研究方法，作为情境化研究方法论的代表，日益得到学界的认可与接受[37]。扎根理论是一种在经验资料的基础上，研究者根据个人知识和经验对原始资料进行编码构建理论的方法[38]。因NVivo软件被大量使用于扎根理论的编码工作中[39-40]，其能够完整记录操作痕迹，协助完成文字资料的整理、分析与呈现，提升质性研究的严谨性与信实度[41]，本文研究采用NVivo进行编码工作。主要研究流程如图1所示。

2.2 访谈提纲设计

鉴于受访对象对研究主题的了解程度参差不一，本文的数据收集采用更便于开展的半结构化访谈方法进行。本文通过前期的文献调研、现象观察、借鉴相关研究经验，初步设计出访谈大纲，咨询领域专家加以调整后，分别邀请两名社交媒体资深用户(信息管理相关专业、有互联网工作经验、在社交媒体平台较活跃且有10年以上使用经验)及普通用户(非信息管理相关专业、无相关工作背景、社交媒体平台使用年限较少)开展预访谈，从不同用户的角度收集反馈意见并进行整理、讨论后对访谈提纲进行修正，最终确定正式访谈提纲，包括导语介绍、术语界定、受访者信息与核心问题4个方面，如表1所示。

表1 访谈提纲

2.3 研究样本选择

本文遵循目的性抽样[42]与理论饱和抽样[43]的原则开展研究样本选择。

本文参考目的性抽样原则，确定研究样本候选人应满足以下条件：①熟悉社交媒体且经常使用；②接触或体验过智能推荐系统相关服务，并接触或体验过对智能推荐内容的点赞功能；③可最大限度为访谈所提问题提供相关信息；④可充分理解访谈所提问题，有较丰富的知识储备与清晰地表达观点的能力；⑤在时间与精力等客观条件上符合访谈要求；⑥了解研究目的与相关保密规定后，同意访谈全程录音。

理论饱和抽样原则提出的访谈结束标准为：受访者不再提供新范畴与关系，在进行不少于3人的验证工作后，可以认为资料范畴达到饱和状态，并确定最终研究样本。经综合考量，本文以研究生群体作为主要研究样本目标群体，原因如下：①研究生群体经过科研训练，信息素养较高，可一定程度上保证访谈质量；②研究生群体接触互联网时间更长，相应的社交媒体使用经历更丰富，其访谈时输出的信息量相应也更充足。

在上述原则指导下，结合后续编码与理论饱和度检验结果，考虑样本抽取便利性与样本代表性，本文最终确定14名受访者为研究样本，如表2所示。

表2 研究样本

表2(续)

2.4 研究数据收集

本文研究数据收集工作历时两个月，线上受访者为3人，其余均为线下访谈。所有受访者均认同保密规定，并接受全程录音。正式访谈中，具体访谈内容亦会根据受访者回答进行适当调整。访谈结束后，首先通过“有道云笔记”对访谈录音进行初步识别转录，转录完成后进行初步人工整理，整理完成后由受访者本人指出需修改之处，修改确认无误后的文档即为后续研究资料。当访谈至第11名受访者并进行资料编码时，发现其与前10名受访者资料形成的范畴与关系相比，未提炼出新范畴与关系，直到访谈完第14名受访者时亦如此，已满足理论饱和抽样原则，随即停止访谈工作。根据完成修改确认的顺序，将14个文档资料命名为A～N。

3 扎根分析

3.1 开放性编码

本文对原始资料采用逐句分析方式进行编码，尽量使用“本土化”概念。在初始概念形成过程中，相同的概念仅编码一次；对于近似的概念，选择其中的一个作为初始概念。最终得到推荐内容经过别人筛选、展现形式比较好理解等216个初始概念。初始概念的形成过程举例如表3所示。

表3 初始概念的形成过程举例

本文对初始概念聚类进行范畴化处理，形成点赞行为、点赞意向、用户满意度等32个基本范畴。基本范畴与初始概念的对应关系及基本范畴的内涵与命名依据如表4所示。

表4 范畴化编码

表4(续)

表4(续)

3.2 主轴编码

本文对32个基本范畴进行归纳整合，共提炼出3个维度共12个主范畴，具体如表5所示。

表5 主轴编码

3.3 选择性编码

本文经过深入比较分析，将3个维度12个主范畴关系结构梳理出“故事线”如下：平台维度下的平台声誉、智能推荐信息质量、智能推荐服务质量、智能推荐系统质量，以及用户维度下的用户需求、用户感知通过用户满意度对点赞意向产生间接影响；同时，用户维度下的用户感知以及情境维度下的游戏化运营、社会影响、从众行为对点赞意向产生直接影响；最终，点赞意向直接影响点赞行为。其详细描述如表6所示。

综上所述，点赞意愿受众多主范畴直接或间接影响，最终再直接影响点赞行为。因此，本文将“点赞意向”确定为核心范畴，构建社交媒体环境下智能推荐内容点赞行为影响机理理论模型，如图2所示。

3.4 理论饱和度检验、可信度分析

据Francis J J等[70]的研究，最小样本量设置为10+3时很可能捕捉到几乎所有受访者提出的主观因素，当编码的过程不能再提供新的范畴和关系时(一般是10份访谈资料完成编码以后)，再对不少于3份资料进行编码验证，若仍不能发现新的范畴和关系，可认为编码所构建的理论已经饱和。本文遵循理论饱和原则进行样本选择，当样本量达到10+4时，连续4位受访者不能再提供新的范畴和关系便停止访谈，已经超过最小样本量标准，最终14个样本量的确定标志着理论饱和。

为了保证研究可信度，本文完成了以下工作：在访谈阶段，前期在文献调研、现象观察与经验借鉴的基础上开展预访谈，细致设计正式访谈提纲；进行访谈时采用线下为主、线上为辅的半结构化访谈模式，结合受访者实际经历鼓励其表达真实想法，并及时补充、追问，全程录音；后期通过软件转录和人工校对相结合的方式进行规范整理资料，并与受访者本人进行确认。在数据分析阶段，借助NVivo工具，有逻辑、成系统地记录编码痕迹；贴近受访者，尽量使用“本土化”概念对原始资料逐句分析、进行编码，减少信息噪声；基本范畴的界定充分参考已有成熟概念，有效提升范畴的解释度；严格遵循扎根理论编码程序规范，并充分参考成熟模型进行模型构建，有效提升理论可信度。

4 结论与讨论

4.1 研究结论与贡献

本文运用扎根理论，通过对半结构化访谈数据资料进行程序化的三级扎根分析，梳理了各概念、范畴间的结构和关系，构建了社交媒体环境下智能推荐内容点赞行为影响机理模型。本文研究发现，①在平台维度下的平台声誉(包括平台口碑、创作者口碑)、智能推荐信息质量(包括信息准确性、信息新颖性、信息完整性、信息呈现形式、信息标准化)、智能推荐服务质量(包括推荐时效性、推荐可控性、推荐个性化)、智能推荐系统质量(包括交互设计、隐私安全性)通过用户满意度对点赞意向产生间接影响；②用户维度下的用户需求(包括娱乐需求、隐私关注需求、信息需求、身份认同需求、社交需求、情感需求、功能需求、粉丝需求、表达需求)、用户感知(感知有用性、感知易用性、感知趣味性)通过用户满意度对点赞意向产生间接影响，同时用户感知也对点赞意向有直接影响；③情境维度下的游戏化运营、社会影响(压力冲突、他人评价、群体规范)、从众行为对点赞意向产生直接影响；④最终点赞意向将直接影响点赞行为。

本文研究主要贡献如下：①目前，对于社交媒体环境下的智能推荐相关的用户信息行为研究存在一定不足，关于社交媒体中用户点赞行为的研究未充分考虑平台、用户、情境等多个维度的综合影响。本文从社交媒体环境下智能推荐内容点赞行为入手，开展相关影响机理的研究，对现有研究不足进行了有益补充，丰富了研究主题；②现有智能推荐满意度或评价体系研究多为定量、定性研究，缺乏质性研究的探索尝试。本文采用扎根理论开展质性研究，有助于丰富研究维度、发现新的影响因素和评价指标，为日后相关研究提供有益借鉴；③在运用扎根理论研究过程中，验证了技术接受模型和D&M模型，部分延伸了两个模型的适用场景，为未来研究提供了新的思路与参考。

4.2 研究启示

社交媒体环境下，点赞行为可以一定程度上体现用户对于智能推荐内容的感知与满意度，亦可以反映出用户所处的情境因素。通过分析访谈材料、总结研究成果，本文从3个角度阐述启示如下：

从社交媒体治理角度而言，有关部门需联合专业力量，进一步健全对社交媒体平台监督、指导的专业性，完善相关数据分析研究机制。本研究在访谈中发现，大部分受访者认为平台的信息推送、信息采集等机制仍存在改进空间，其态度较为普遍地反映在了点赞等交互行为上。对此，监管部门应继续完善内容生产的相关规范，切实督促各社交媒体运营平台落实隐私保护要求，避免平台为提升用户留存与使用时长制造“算法陷阱”，从而保护用户权益；同时，应进一步联合领域专家、相关研究机构等专业力量，与社交媒体平台共同建立健全科学分析的研究机制、公开透明的规划机制、合作讨论的协商机制，在保护隐私的前提下，构建公共用户互动数据分析平台，为日后法律法规及政策制定、行业发展、科学研究提供有益参考与指导。

从社交媒体运营角度而言，社交媒体平台仍需以内容质量为核心开展信息推荐，进一步落实隐私保护承诺，完善优化与用户互动机制。本研究受访者普遍反映，智能推荐的整体质量对其满意度有较大影响。社交媒体平台若要有效提升用户对推荐内容的感知，需要鼓励内容创作者产出高质量内容，并在推荐算法上对高质量内容给予支持；要重视点赞等用户交互行为数据对智能推荐的整体提升作用，运用用户反馈的交互信息进行及时、精确、个性化的内容投放，提升智能推荐系统的关联推荐能力，使智能信息推荐具备更强的预见性与丰富性，让用户触及更多优质内容；在收集相关用户信息用于智能推荐时，需守好隐私保护底线，切实履行平台主体责任，营造良好的用户环境及口碑；综合参考用户交互数据制定运营策略，通过适当合理高质量的游戏化运营方式提升用户使用积极性。

从社交媒体使用角度而言，内容消费者需进一步提升消费者素养与信息素养，而内容创作者则需进一步提升内容质量与互动质量。内容消费者可结合口碑综合考虑需要选择的社交媒体，提升隐私意识，在被动接收智能推荐内容时充分行使用户作为消费者的权利，主动通过互动进行反馈，从而调整智能推荐内容；同时应注意智能推荐内容的“杀时间陷阱”及“信息茧房”效应，健康、合理使用社交媒体，扩大信息获取面，培养信息分析能力。内容创作者需以内容质量为中心开展创作，充分利用平台资源支持，提升受众满意度与自身影响力；可通过参与或发起形式丰富、激励合理的营销活动提升用户互动率，重视用户互动数据的分析运用，为内容策划提供有效参考。

4.3 研究不足与展望

本文研究存在以下不足：①即时通信及社交化的音视频媒体等功能型应用亦出现了智能推荐功能模块，本文对不同应用下用户行为呈现出的差异化趋势未做进一步梳理研究；②快速发展中的社交媒体产生了诸如“投币”等与点赞行为近似的概念，本文研究有进一步明晰界定、拓展内容的空间；③对研究的访谈对象的人口统计学特征分析不足，未充分考虑诸如地域与职业的差异；④并未对扎根理论建构的理论模型进行量化检验。

综上所述，未来研究将考虑：①针对各类应用下产生的用户行为数据进行对比分析、提炼；②对狭义的点赞行为范畴进行进一步界定、拓展；③增加不同地域、职业等特征的样本，并进一步分析人口统计学特征对其点赞行为的影响；④采用结构方程建模、回归分析等研究方法，对理论模型进行量化实证的检验。