Advanced Search

数据分析与知识发现, 2019, 3(12): 10-20 doi: 10.11925/infotech.2096-3467.2018.1427

研究论文

突发事件情境下在线健康社区用户交互行为研究 *

胡哲1,2, 查先进,,1, 严亚兰3

1 武汉大学信息管理学院 武汉 430072

2 武汉大学图书情报国家级实验教学示范中心 武汉 430072

3 武汉科技大学恒大管理学院 武汉 430065

Interactive Behaviors of Online Health Community Users in Emergency

Hu Zhe1,2, Zha Xianjin,,1, Yan Yalan3

1 School of Information Management, Wuhan University, Wuhan 430072, China

2 Laboratory Center for Library and Information Science, Wuhan University, Wuhan 430072, China

3 Evergrande School of Management, Wuhan University of Science and Technology, Wuhan 430065, China

通讯作者: 查先进, ORCID: 0000-0001-6522-3414, E-mail:xianjinzha@163.com

收稿日期: 2018-12-18   修回日期: 2019-06-9   网络出版日期: 2019-12-25

基金资助: *本文系国家自然科学基金面上项目“认知转变和IT社会结构视角下互联网用户适应性信息行为影响规律及优化研究”.  项目编号: 71573195
国家自然科学基金面上项目“交流可见度和结构洞视角下交互记忆系统及知识行为研究”.  项目编号: 71774126
国家自然科学基金面上项目“社会连接和认知负荷视角下网络用户从众信息行为研究”.  项目编号: 71874124

Received: 2018-12-18   Revised: 2019-06-9   Online: 2019-12-25

摘要

【目的】探索突发事件情境下用户交互行为的规律。【方法】构建基于发帖和回帖的有向赋值矩阵(交互网络), 展现交互网络的整体网络结构图, 对交互网络进行小世界分析, 对中心性指标、结构洞指标与用户交互行为分别进行相关分析。【结果】整体网络结构表现出小世界效应, 特征向量中心性与发帖行为之间具有较大的正相关, 点度中心性与回帖行为之间具有较大的正相关, 结构洞与回帖行为之间具有较大的正相关。【局限】数据类型比较单一。【结论】本研究成果为推动在线健康社区的健康和可持续发展提供了参考和指导。

关键词: 中心性 ; 结构洞 ; 在线健康社区 ; 突发事件 ; 交互行为

Abstract

[Objective] This study explores the interactive behaviors of online health community users in emergency. [Methods] Firstly, we constructed a directed matrix based on the posts and replies and illustrated the structure of this interactive network. Then, we conducted a small-world, and correlation analysis for the centrality index, structural hole index and user interactive behaviors respectively. [Results] The whole network had a small-world effect. The eigenvector centrality had significant positive correlation with the number of posts and the degree centrality had significant positive correlation with the number of replies. Meanwhile, structural holes had significant positive correlations with the number of replies. [Limitations] The data types were not diversified. [Conclusions] This study provides useful references and guidelines for the development of online health communities.

Keywords: Centrality ; Structural Holes ; Online Health Communities ; Emergency ; Interactive Behaviors

PDF (1350KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

胡哲, 查先进, 严亚兰. 突发事件情境下在线健康社区用户交互行为研究 *. 数据分析与知识发现[J], 2019, 3(12): 10-20 doi:10.11925/infotech.2096-3467.2018.1427

Hu Zhe. Interactive Behaviors of Online Health Community Users in Emergency. Data Analysis and Knowledge Discovery[J], 2019, 3(12): 10-20 doi:10.11925/infotech.2096-3467.2018.1427

1 引 言

随着互联网应用向医疗健康领域的扩散和渗透, 传统以医生为中心的医疗健康服务模式逐渐向在线健康社区转变, 推动了用户对健康的自我管理和控制。在线健康社区为用户提供一个围绕健康相关问题进行信息交流、经验分享和情感支持的开放式网络平台[1]。与传统的线下社区相比, 在线健康社区打破了时间和空间的阻隔。目前, 国内在线健康社区的应用场景主要包括但不限于论坛、贴吧、在线问答社区等, 如好大夫在线、甜蜜家园(糖尿病交流社区)和百度贴吧等。2018年7月长春长生疫苗事件是典型的突发事件, 受到人们的密切关注, 在线健康社区用户在事件发生的当月和次月发布了大量的评论和观点, 带来了一定的社会恐慌。本文选取百度贴吧中的“疫苗吧”作为在线健康社区环境, 以长春长生疫苗事件发生的当月和次月的发帖和回帖作为研究对象。根据社会网络分析视角, 在这个期间发帖或回帖的用户可以作为网络节点, 回帖可以作为某用户指向另外一个用户的有向边, 从而使这两个用户产生关系, 关系强弱由回帖数决定。本文利用爬虫搜集数据, 构建基于发帖和回帖的有向赋值矩阵(交互网络), 结合社会网络理论对交互网络的整体网络结构进行剖析; 另外, 从个体行动者层面出发, 抽取相关社会网络指标并考察其与用户交互行为(发帖和回帖)的关系。本研究旨在推动在线健康社区的健康和可持续发展。

2 文献综述

2.1 在线社区用户交互行为

从信息传播的视角来看, 在线社区中用户有多种交互形式, 如发帖、评论、收藏、转发和点赞等。不同形式的交互方式能直接或间接地影响社区内的信息传递与知识扩散[2], 发帖行为、高回复率、评论行为能提高用户在社区中的参与度[3,4]。在微博社区中, 个体转发行为直接促进信息在全局网络中的扩散, 通过单个用户的转发行为能有效预测微博信息的传播路径[5], 基于用户在社区中的交互行为可以分析得到信源特征, 从而有助于更准确地发现微博网络中的信息传播过程[6]。齐云飞等[7]研究了知乎问答社区中用户的信息交互行为, 认为平台应当充分认识主体间的信息交互规律以优化信息交互过程, 从而提高社区的信息交互质量。

从交互模式的视角来看, 识别不同场景和不同情境下的用户交互模式是有益的。用户经历了人机交互-人信息交互-社会交互的发展阶段[8]。在新媒体环境下, 各个社区由于自身的独特性, 决定了社区的主要交互模式, 有的以分享信息为主, 有的侧重咨询以寻求社会和情感支持[9]。同一社区中相互联系的用户在行为兴趣方面会表现出一定的相似性, 这使得个性化推荐的精确度更高[10]。不同类型线上社区的用户交互模式是不同的, 识别社区中用户的交互模式能更好地帮助社区管理者完善平台的推荐功能, 以保持社区的活力[11]。此外, 发掘平台与用户间的交互模式也是有意义的[12]

借助社会网络分析方法, 用户的交互行为有助于建立网络拓扑关系, 从而识别和发现社区中的意见领袖或关键用户。意见领袖通常具有活跃度高、贡献度大的特点, 在社交媒体中发挥着越来越重要的作用, 对于线上社区而言, 识别某个话题下的意见领袖/关键用户对商业营销、网络舆情控制等有重要意义[13]。张继东等[14]基于用户交互行为及情感倾向提出一种比传统识别算法更有效的移动社交网络用户影响力评估模型。张凤娟等[15]将用户在社区中的交互强度和活跃度纳入影响力模型, 提高了整个模型的评估准确度。意见领袖的识别可以从影响范围和影响深度两个方面综合考虑, 基于用户在社会网络中的交互特点, 通过引入用户影响力扩散模型能够有效识别网络中的意见领袖[16]。网络中的意见领袖能够促进在线社区中的知识传播, 提升社区中其他用户的学习效果, 从而推动社区的健康发展[17]

2.2 在线健康社区用户交互行为

在线健康社区是指能够打破时间、空间的限制, 将病患、医生聚集在一起的线上平台, 用户可以通过该平台方便地交流和分享信息[18]。在线健康社区的兴起使得越来越多的学者开始关注这个领域, 例如, 在线健康社区的主题特征和情感分析[19,20], 在线健康信息披露[21], 虚拟健康社区的用户使用[22], 社会支持和个人目标对健康状况的影响[23]。专家问答、患者论坛以及健康类博客中用户交流互动的文本信息构成了在线健康社区的大多数健康主题内容[24]

在线健康社区不仅为用户、专家、病患等不同角色之间提供了交流互动和互助平台, 同时还是医疗健康知识传播的渠道[25]。在线健康社区, 用户可以通过发帖、回帖的形式将自己掌握的健康知识传递给其他用户, 实现知识的转化。这类知识贡献和获取行为促进社区知识的利用与创新, 实现知识的积累[26,27]。知识积累极大地提高了健康社区的服务能力; 而通过了解用户的知识互动特征, 又能为社区的持续知识共享和可持续发展提供指导, 提高社区中健康信息的传播效率[28,29]。此外, 用户交互网络的结构对用户行为的传播也有影响[30]

用户通过交流互动能在社区中获得所需的社会支持, 这既对用户自身健康产生积极影响, 也使其有持续参与互动的意愿, 有助于提高整个社区的活跃度[31]。社区中的参与成员之间往往具有较强的相似性, 大多是具有相似经历或病情的患者及患者家属, 他们在交流互动时往往会表现出对同类人群较强的同情心, 研究发现, 用户更偏向于对类型同质性的其他人进行回帖以及相互回帖[32], 来自他人的情感或信息支持更有利于用户长期在社区中参与互动[33], 对用户的积极性存在较强的正向推动作用[34]。在线健康社区中, 社会支持的需求大于社会支持的供应是较普遍的, 而且信息类社会支持是最经常被寻求和提供的类型, 如寻求建议和参考, 这也反映出在用户交互过程中, 提问用户比回答问题的用户更多, 这可能导致用户的流失, 不利于社区的长远发展[35]

综上, 鲜有研究结合突发事件情境探索在线健康社区用户交互行为的规律。突发事件是指突然发生的事件, 会给社会造成或者有可能造成严重危害, 需要采取应急处置措施予以应对。有理由认为, 健康领域的突发事件会对在线健康社区产生重要的影响。在线健康社区是通过用户的交互行为形成的社会网络, 用户在线下通常相互并不认识, 由于共同的兴趣、目标或者需求将他们在线上聚集在一起, 因此, 在线健康社区具有弱连接性和不稳定性。本研究基于社会网络相关理论, 通过整体网络结构分析和个体行动者层面的相关分析, 探索突发事件情境下在线健康社区用户交互行为规律, 从而拓展在线健康社区研究的场景和视角。

2.3 社会网络相关理论

小世界效应是社会网络分析的一个重要测度指标。小世界理论(Small World Theory), 又被称为六度分隔理论, 指一个人和任意一个陌生人之间的间隔人数最多不超过6个[36]。小世界现象最早的研究可追溯到20世纪60年代, 源于美国心理学教授Milgram[36]进行的一个连锁信件实验, 用于衡量世界上任意陌生人之间最多需要多少个中间人能建立联系, 这个开创性的实验表明人类社会是一个具有小世界特征的网络。Watts等[37]于1998年提出基于人类社会网络的W-S小世界网络模型及算法, 随后Newman等[38]进一步提出N-W模型。近年, 学者们对小世界理论展开大量研究, 涉及计算机、物理、神经科学和数学等领域, 提出大量的新理论和新模型[39]。这些研究为小世界理论在供应链[40]、互联网环境[41]、社会学[42]及生物医学领域[43,44]的应用提供宝贵借鉴。

网络中心性是社会网络分析的重要内容。网络中心性指标包括点度中心性(Degree Centrality)、中介中心性(Betweenness Centrality)、接近中心性(Closeness Centrality)和特征向量中心性(Eigenvector Centrality)。其中, 点度中心性受到研究者更多的关注, 例如, Lee等[45]考察了社会网络对情感承诺的影响, 基于两个政府部门的社会网络数据和员工调查数据, 发现点度中心性与情感承诺之间有倒U型关联; Wang等[46]基于微处理器制造业的专利数据, 考察了点度中心性对研发人员探索性创新的影响, 发现协同网络的点度中心性对探索性创新具有负的影响效果。

结构洞(Structural Hole)也是社会网络分析的重要内容。结构洞理论由美国社会学家Burt[47]Structural Holes: The Social Structure of Competition一书中首次提出, 认为在网络中一个节点所联结的另外两个节点没有直接联系时, 则该节点在这组节点关系中处于结构洞的位置, 即一个结构洞是两个行动者之间的非冗余联系。处于“结构洞”位置的节点通常具有较高的竞争优势, 能为其带来更多的信息利益和控制利益。同一个社会网络中可能存在多个不同的群体, 观点和行为在群体之内比在群体之间更具有同质性, 因此, 能跨群体联系的行动者(即中介行动者)会更熟悉其他群体的观点和行为, 而且更有可能表达有价值的观点, 这是中介行动者形成社会资本的机制[48]。Burt[49]认为结构洞会被周边的社会组织所强化, 如果结构洞被强化得越厉害, 那么连接结构洞的难度也越大。但是, 一个成功的连接(中介)将更有可能为处于结构洞两边的双方带来有价值的和全新的知识。

社会网络分析可以将现实复杂网络中的个体以及关系抽象成节点和节点之间的连线, 进而测量和发现个体的结构位置和网络的结构形态[50]。可见, 小世界理论、网络中心性指标和结构洞理论为本研究提供了坚实的理论支持。

3 数据收集和分析方法

3.1 数据集

2018年7月的长春长生疫苗事件是典型的突发事件, 当时成为民众密切关注的社会问题, 大量用户在各类社交平台和线上社区发布了相关的评论和观点。贴吧是百度旗下独立品牌, 其组建依靠搜索引擎关键词, 旨在聚集对同一个话题感兴趣的用户, 方便用户展开交流和相互帮助。与其他类型的贴吧相比, 医疗健康类贴吧具有询问病情、发现相似患者、组建支持小组以提供信息和情感支持等独特作用。本文选取百度贴吧“疫苗吧”作为在线健康社区环境, 利用Python开发爬虫代码并搜集“疫苗吧”2018年1月1日至2018年9月24日共计1 321条主题帖信息, 通过人工剔除无效帖子后, 共得到1 280条有效记录。统计和分析2018年各月份“疫苗吧”的主题帖数发现(如图1所示), 7月和8月两个月的发帖数占到发帖总数的86%, 这足以说明社区用户对长春长生疫苗事件讨论的热度和重视度, 表明突发事件情境下社区活跃度达到前所未有的高度。利用2018年7月和8月的1 101条主题帖的发帖和回帖信息作为构建和分析用户交互网络的样本数据, 涉及2 340个用户。

图1

图1   “疫苗吧”2018年1月至9月主题帖数


3.2 数据分析方法和工具

(1) 社群图分析

本文旨在研究在线健康社区的用户交互行为, 需要构建一个有向的用户交互网络, 可以利用矩阵代数和社群图对社会网络进行定量描述。首先, 将社区中的用户看作节点、用户回复看作一条有向的边(由回帖人指向发帖人), 借助Python中的networkx库将发帖、回帖信息构建成一个用户关系有向赋值矩阵, 矩阵中的行和列都代表完全相同的用户, 且用户排列顺序也完全相同, 矩阵中每个元素表达了两个用户是否“邻接”(非0则表明两者之间存在联系)以及联系的强弱(元素值越大, 联系越紧密)。以表1的示例矩阵为参考, 由于不考虑用户对自己发帖的回复, 所以矩阵的主对角线上的元素值均为0; 以A、B用户为例, 元素值用Xij (i表示行, j表示列)表示, X12 (A➜B)值为2, 表明用户A累计对用户B发帖的回复次数是2, 同理可知矩阵中其他元素值的含义。将此矩阵导入Gephi软件, 对用户关系进行可视化处理得到整体网络结构图(即社群图)。

表1   用户关系示例矩阵

用户ABCDE
A02412
B40103
C02024
D14401
E23520

新窗口打开| 下载CSV


(2) 小世界分析

以用户关系矩阵为基础, 借助Ucinet软件计算网络的各项指标。小世界指标主要包括聚类系数和平均路径长度, 利用Ucinet形成一个与样本网络图具有相同数目节点和近似相同数目边的随机图, 对比两个图的聚类系数和平均路径长度值的大小, 从而检验突发事件情境下“疫苗吧”社区是否具有小世界效应。

(3) 中心性指标

点度中心性用来测量网络中一个节点与其他所有节点联系的程度, 点度值越大, 表明该节点越处于中心位置[50]。中介中心性用来测量其他节点对某个节点的依赖, 是对潜在控制力的测量。如果一个节点位于许多其他节点对的捷径上, 可以认为该节点具有较高的中介中心性, 能够起到重要的“中介”作用, 处于该位置的节点可以通过控制或曲解信息的传递而影响整个群体[51]。接近中心性用来测量接近效率或者不依赖于中介带来的潜在控制的能力。中介中心性和接近中心性的计算都与最短路径相关[52]。特征向量中心性是根据相邻节点的中心性测量某个节点的中心性, 也就是说, 某个节点的特征向量中心性由其相邻节点的中心性来决定[53]。所有中心性指标都可以通过Ucinet进行计算, 例如, 对于中介中心性, 在Ucinet中, 沿着“Network ➜ Centrality ➜ Freeman Betweenness ➜ Node Betweenness”路径, 计算网络中各节点的中介中心性。

(4) 结构洞指标

结构洞的测量指标包括有效规模(Effective Size)、效率(Efficiency)、约束(Constraint)和层级(Hierarchy)。网络中一个节点的有效规模的值越大, 则冗余度越小, 越处于网络的核心地位, 那么该节点存在结构洞的可能性也就越大。网络中某个节点的效率等于该节点的有效规模除以该节点在个体网络中的实际规模, 用于描述某个节点对网络中其他节点的影响力, 节点的效率值越大, 表明该节点对网络中其他节点的影响就越大, 存在结构洞的可能性也就越高。约束是结构洞指标中最重要的一个指标, 指网络成员的联系在多大程度上是冗余的, 约束越大, 网络中存在的结构洞越少。层级指的是约束在多大程度上集中在一个节点上, 一个节点的层级越大表明该节点越受约束, 约束力越集中于该节点[47,48]。所有结构洞指标都可以通过Ucinet进行计算, 具体路径是“Network➜Ego-networks➜ Structural Holes”。

(5) 个体行动者层面的网络指标与用户交互行为的关系分析

通过Excel对相关数据进行统计和格式化处理, 借助SPSS分析用户的发帖数、回帖数与相关网络指标的相关性。

4 研究结果和讨论

4.1 用户交互网络的整体网络结构

在“疫苗吧”在线健康社区中, 用户通过发帖和回帖而产生交互。基于长春长生疫苗突发事件发生的当月和次月的发帖和回帖数据构建一个反映用户交互关系的有向赋值矩阵。基于这期间的1 101条主题帖的发帖和回帖信息, 该矩阵中包括2 340个用户。结合网络结构图和小世界效应, 对由2 340个用户交互形成的社会网络的整体网络结构进行剖析。

(1) 网络结构图

整体网络结构图是对用户关系矩阵的一种可视化展现方式, 图中的每个节点代表一个用户, 节点大小由该节点的点度确定, 越大表明该节点在网络中与其他节点存在更多的联系。点度包括入度和出度, 在本研究中, 入度表示被回复的次数, 出度表示回复他人的次数, 两者都反映了用户参与社区交流互动的活跃程度。边是有向的, 从回帖者指向发帖人, 边的粗细反映节点(用户)之间联系的强弱, 越粗说明连线两端的用户交互越频繁。综合考虑整体网络图的简洁性及可视程度, 最终将用户关系矩阵导入Gephi, 构建了一个含有2 340个节点、5 583条边的整体网络结构图, 如图2所示。

图2

图2   整体网络结构


可以看出, 用户基本上使用的都是非真实姓名, 表现出在线健康社区交流中的匿名性和网络的弱连接性。网络密度可以很好地反映社区群体成员之间的联系紧密程度和群体的结构形态, 从度量上来看, 网络密度是指网络实际拥有的连线数与最多可能存在的连线数之比。密度计算公式可表达为: $D=\frac{L}{N\times (N-1)}$, 其中L表示网络实际连线数, N表示网络中的节点数。密度的取值范围在0-1之间, 密度值为1表示图中任意一个节点与其他所有节点均有联系, 也称全联图。通常, 对于关系紧密的网络, 信息沟通较容易、合作行为较多; 对于关系疏松的网络, 信息沟通不顺畅、合作行为相对较少。通过计算得到, 图2的网络密度值为0.001, 接近于0, 表明突发事件情境下“疫苗吧”在线健康社区中的用户关系非常松散, 成员间的整体联系不紧密。另外, 从图2可以看到, 网络中表现突出的节点包括“剿匪总司令部”、“幼稚完阿峯”、“glj花自飘零”等, 表明这些节点(用户)在网络中与其他节点(用户)存在更多的联系。为了进一步展现这些节点的入度和出度, 表2列出了点度中心性排名前7的节点。

表2   用户点度中心性排名(部分)

用户名入度出度点度中心性
剿匪总司令部1906196
glj花自飘零1700170
幼稚完阿峯11144155
下辈子韩国9232124
liuxingyu6071140114
水果糖T_T375996
安医生81586

新窗口打开| 下载CSV


可以看到, 对于排名第1的用户, 其入度为190, 出度只有6; 对于排名第2和第5的用户, 他们出度为零; 对于排名第6的用户, 其出度为59, 明显高于排在前面的用户, 但由于其入度值不高而只能排在第6。可见, 在突发事件情境下, 用户的点度中心性更多地由入度而非出度决定。也就是说, 当用户的发帖能够在社群中产生共鸣并受到大量用户的关注和回复时, 他们的点度中心性位置便凸显出来。因此, 在线社群管理者应该特别关注处于前面点度中心性位置的用户所发的帖子本身的质量。这些帖子既然能够受到很多用户的回复, 它们也很有可能被转发分享到其他的社会网络中, 如由亲密朋友、亲戚、同学或同事等通过QQ群或微信群组成的强连接网络。在强连接网络中, 成员之间认识的时间更长、情感更强、交互更多, 这些帖子的信息会在强连接网络中得到快速的传播和扩散, 并进一步传播和扩散到更多的强连接网络中。

(2) 小世界效应分析

具有小世界现象的社区应该具备如下两个特征: 较高的平均聚类系数和较短的平均路径长度[54]。聚类系数用来测量整体网络结构图中节点的集聚程度, 平均路径长度用来测量网络任意两个节点间距离的平均值, 这两个指标分别反映了网络成员间的离散程度和连通程度, 是整体网络的重要测量指标[50]。为了探究突发事件情境下“疫苗吧”社区是否具有小世界现象, 需要构建一个与样本网络相同大小的随机网络进行对比。首先, 以本研究的样本网络为参考, 在Ucinet中沿着“Data➜ Random➜Sociometric”构建一个具有2 340个节点的随机有向网络, 然后, 以特定的概率对这2 340个节点随机重连, 使得该网络的边数接近样本网络边数5 583。通过计算得到该随机网络的平均聚类系数和平均路径长度, 两个网络的指标对比结果如表3所示。

表3   样本网络与随机网络的网络参数对比

对比项样本网络随机网络
节点数2 3402 340
边数5 5835 604
平均聚类系数0.0930.001
平均路径长度4.296.072

新窗口打开| 下载CSV


可以看出, 对于样本网络, 平均路径长度为4.29, 表明网络中一个节点连接到另一个节点的平均距离不超过5个用户, 这个值小于随机网络的平均路径长度(6.072)。网络的平均聚类系数取值范围在0到1之间, 对于平均聚类系数为0的网络, 所有节点都是孤立的; 对于平均聚类系数为1的网络, 网络是全局耦合的, 即网络中任意两个节点之间均存在联系[55]。与随机网络相比, 样本网络的平均聚类系数值较大。综上可以得出, 突发事件情境下“疫苗吧”社区的用户交互网络具有较高的平均聚类系数和较短的平均路径长度, 因此在整体网络结构上表现出小世界效应。

4.2 个体行动者层面的网络指标与用户交互行为的关系

在个体行动者层面, 中心性指标和结构洞指标反映了个体在社会网络中所处的位置和所占据的优势。社会网络的中心性研究可追溯到20世纪40年代, 中心性被认为与团队解决问题的效率、领导能力感知和个人满意度等产生关联[51]。结构洞理论于1992提出后, 研究者以结构洞理论为背景, 结合不同的问题和环境展开了大量研究, 主要体现在结构洞对行为的影响[56,57]和结构洞对创新的影响[58,59]。下面结合突发事件情境, 探索在线健康社区中网络指标(中心性和结构洞)与用户交互行为(发帖和回帖)的影响关系。

(1) 网络指标和交互行为的基本统计数据

将相关数据整理集中到一个数据集中, 数据集的字段包括中心性指标、结构洞指标、发帖数和回帖数。因本研究涉及2 340个节点(用户), 所以数据集中包括2 340条记录。这些字段的基本统计数据如表4所示。

表4   基本统计数据

指标或行为最小值最大值均值中位数标准差
中心性
指标
点度
中心性
01964.772111.495
中介
中心性
0116 689.52606.04304 597.974
接近
中心性
010.4890.2900.386
特征向
量中心性
010.01600.055
结构洞
指标
有效规模0191.064.512110.930
效率010.97010.088
约束0.011.840.71410.359
层级010.58410.466
交互
行为
发帖数0620.43501.922
回帖数0632.38614.688

新窗口打开| 下载CSV


可以看出, 中介中心性的最大值非常大, 实验结果数据集的2 340个节点中, 有2 136个节点的中介中心性的值为0, 且整个网络的中介中心势为2.12%, 说明中介中心性最大的用户“下辈子韩国”不能在很大程度上控制其他成员之间的交流, 核心用户的流失或变动不会对整个社区的连通性带来决定性的影响。层级的最大值即为中位数, 结合数据集, 发现整体网络中有1 286个节点的层级最高(均为1), 这些成员在网络中也处于边缘位置, 这些用户在社区中几乎不参与交流互动, 不利于整个社区的信息传播。

(2) 网络指标与用户交互行为的相关分析

在长春长生疫苗突发事件发生的当月和次月, 用户的发帖和回帖行为最终形成了图2中的网络整体结构。但是, 在这期间, 网络结构并不是静止不动的, 而是一个动态演化的过程。有理由认为, 某一天反映网络结构的网络指标(本文关注中心性指标和结构洞指标)会对当天的交互行为(发帖和回帖)产生影响, 基于发帖和回帖的交互行为又会改变原来的网络结构, 进一步地, 反映改变后的网络结构的网络指标会对第二天的交互行为产生影响, 依次类推, 使得网络指标和交互行为在网络结构的动态演化中相互影响。本研究涉及2 340个用户, 对于动态演化后所形成的最终网络结构, 不同的用户会具有不同的中心性指标和结构洞指标, 也会表现出不同的发帖和回帖行为。鉴于网络指标和交互行为在网络结构的动态演化中表现出相互的影响, 下面针对动态演化后所形成的最终网络结构, 基于个体行动者层面(2 340个用户), 对网络指标和交互行为进行相关分析。表5显示了网络指标与用户交互行为的相关系数。

表5   网络指标与用户交互行为的相关系数

网络指标交互行为
发帖数回帖数
中心性指标点度中心性0.495**0.605**
中介中心性0.493**0.565**
接近中心性-0.151**-0.082**
特征向量中心性0.554**0.313**
结构洞指标有效规模0.484**0.580**
效率-0.058**-0.147**
约束-0.282**-0.422**
层级-0.173**-0.279**

(注: **表示相关系数在0.01水平上显著(双尾)。)

新窗口打开| 下载CSV


可以看出, 考察所有相关系数均显著, 进一步验证了网络指标和交互行为之间存在相互影响。相关系数反映的是标准化处理后的结果。在中心性指标中, 除了接近中心性, 其他中心性指标都与交互行为具有正相关关系。对于发帖行为, 特征向量中心性与它的相关影响最大, 达到0.554, 表明当特征向量中心性发生一个单位的变化时, 发帖数会发生0.554个单位的变化; 或者反过来理解, 当发帖数发生一个单位的变化时, 特征向量中心性会发生0.554个单位的变化。特征向量中心性由相邻节点的中心性决定, 因此, 在突发事件情境下, 一个节点相邻节点的中心性会影响该节点的中心性, 从而使得该节点与发帖行为产生最大程度的相互影响。对于回帖行为, 点度中心性与它的相关影响最大, 达到0.605, 表明当点度中心性发生一个单位的变化时, 回帖数会发生0.605个单位的变化, 或者反过来理解, 当回帖数发生一个单位的变化时, 点度中心性会发生0.605个单位的变化。本文的研究对象是一个有向图, 一个节点的点度中心性包括入度和出度。因此, 在突发事件情境下, 入度和出度一起决定了该节点的点度中心性, 从而使得该节点与回帖行为产生最大程度的相互影响。

结构洞反映的是两个行动者之间非冗余的连接, 在结构洞指标中, 有效规模和约束是两个重要的指标, 并且约束被认为是最重要的一个指标。约束与回帖数的相关系数(-0.422)绝对值大于约束与发帖数的相关系数(-0.282)绝对值, 表明约束与回帖行为之间更有可能发生负向的相互影响, 也就是说, 当约束发生一个单位的变化时, 回帖数会发生-0.422个单位的变化, 或者反过来理解, 当回帖数发生一个单位的变化时, 约束会发生-0.422个单位的变化。根据结构洞理论, 有效规模大的节点越有可能存在结构洞, 而约束越大的节点越不可能存在结构洞, 因此, 有效规模和约束是从相反的方向对结构洞进行测量。有效规模和交互行为之间存在正向的相互影响, 约束和交互行为之间存在负向的相互影响, 因此, 在突发事件情境下, 拥有更多结构洞的节点更会实施发帖和回帖行为, 即发帖和回帖更多的节点更有可能拥有结构洞。

5 结 语

在线健康社区将具有共同兴趣、目标或需求的用户聚集在一起, 用户能够打破时空障碍, 围绕健康问题进行信息交流、经验分享和情感支持, 充分展现了一种全新的社会网络结构和健康服务模式。但是, 在线健康社区还处于发展初期, 很多因素会影响到它的健康发展。本文选取百度贴吧中的“疫苗吧”作为在线健康社区环境, 通过整体网络结构分析和个体行动者层面的相关分析, 探索突发事件情境下用户交互行为的规律。

本文的局限和未来研究方向主要表现在以下 方面。

(1) 运用爬虫代码搜集数据, 基于发帖和回帖构建反映用户关系的有向赋值矩阵, 数据量较大但数据类型比较单一, 未来研究可利用更多的方法如焦点访谈、扎根理论、问卷等进行数据搜集, 以从多种数据类型视角开展在线健康社区研究。

(2) 在线健康社区表现出匿名性、动态性、弱连接性和复杂性, 未来可结合在线健康社区的面板数据, 考察网络整体结构的动态演化规律, 以及网络中心性指标和结构洞指标与交互行为的动态演化规律。

(3) 2018年7月的长春长生疫苗事件是典型的突发事件, 本文以该事件发生的当月和次月的发帖和回帖作为研究对象, 具有一定的代表性, 未来研究可结合更多的健康领域的突发事件开展在线健康社区研究。这些研究将对本研究提供有力的补充, 共同推动在线健康社区的健康和可持续发展。

作者贡献声明:

胡哲: 参与研究设计, 搜集数据, 完成实验, 撰写论文;

查先进: 研究总体设计, 论文撰写及最终版本修订;

严亚兰: 参与研究设计, 撰写论文。

利益冲突声明:

所有作者声明不存在利益冲突关系。

支撑数据:

支撑数据由作者自存储, E-mail: 786341516@qq.com。

[1] 胡哲. dataset1_9.csv. 百度“疫苗吧”2018年1-9月主题帖数据集.

[2] 胡哲. user_relation.csv. 2340个用户关系有向赋值矩阵.

[3] 胡哲. user_id.xlsx. 用户编号与用户名对应关系.

参考文献

Maloney-Krichmar D, Preece J .

A Multilevel Analysis of Sociability, Usability, and Community Dynamics in an Online Health Community

[J]. ACM Transactions on Computer-Human Interaction, 2005,12(2):201-232.

[本文引用: 1]

张静, 郭伟, 王磊 , .

用户交互对产品知识认知扩散的影响及社区激励研究

[J]. 科技进步与对策, 2018,35(16):7-15.

[本文引用: 1]

( Zhang Jing, Guo Wei, Wang Lei , et al.

The Influence of User Interaction on the Cognition and Diffusion of Products Knowledge and Community Incentive Research

[J]. Science & Technology Progress and Policy, 2018,35(16):7-15.)

[本文引用: 1]

Khobzi H, Lau R Y K, Cheung T C H .

The Outcome of Online Social Interactions on Facebook Pages: A Study of User Engagement Behavior

[J]. Internet Research, 2019,29(1):2-23.

[本文引用: 1]

Fang J M, Li J, Prybutok V R .

Posting-Related Attributes Driving Differential Engagement Behaviors in Online Travel Communities

[J]. Telematics and Informatics, 2018,35(5):1263-1276.

[本文引用: 1]

项惠惠 .

在线社交媒体中用户信息传播行为预测研究

[D]. 南京: 南京邮电大学, 2018.

[本文引用: 1]

( Xiang Huihui .

Research on the Prediction of Users’ Information Transmission Behavior in Online Social Networks: Taking Micro-blog Users as an Example

[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2018.)

[本文引用: 1]

Wang C, Li Q, Wang L , et al.

Incorporating Message Embedding into Co-factor Matrix Factorization for Retweeting Prediction

[C]//Proceedings of the 2017 International Joint Conference on Neural Networks. IEEE, 2017: 1265-1272.

[本文引用: 1]

齐云飞, 张玥, 朱庆华 .

信息生态链视角下社会化问答用户的信息交互行为研究

[J]. 情报理论与实践, 2018,41(12):1-7, 26.

[本文引用: 1]

( Qi Yunfei, Zhang Yue, Zhu Qinghua .

Information Interaction Behavior of Users in Social Q&A Community from the Perspective of Information Ecology Chain

[J]. Information Studies: Theory & Application, 2018,41(12):1-7, 26.)

[本文引用: 1]

邓胜利 .

网络用户信息交互行为研究模型

[J]. 情报理论与实践, 2015,38(12):53-56, 87.

[本文引用: 1]

( Deng Shengli .

Research Model of Network User Information Interaction Behavior

[J]. Information Studies: Theory & Application, 2015,38(12):53-56, 87.)

[本文引用: 1]

王雪芬, 朱庆华, 常李艳 , .

虚拟求职社区的用户交互行为特点——以应届生求职论坛为例

[J]. 图书情报工作, 2018,62(10):62-69.

[本文引用: 1]

( Wang Xuefen, Zhu Qinghua, Chang Liyan , et al.

Characteristics of User Interaction Behaviors in Virtual Job-hunting Communities——Taking Ying Jie Sheng BBS as an Example

[J]. Library and Information Service, 2018,62(10):62-69.)

[本文引用: 1]

Bonchi F, Castillo C, Gionis A , et al.

Social Network Analysis and Mining for Business Applications

[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): Article No. 22.

[本文引用: 1]

Nepal S, Paris C, Pour P A , et al.

Interaction-Based Recommendations for Online Communities

[J]. ACM Transactions on Internet Technology, 2015,15(2):14-24.

[本文引用: 1]

王晰巍, 韦雅楠, 邢云菲 , .

新媒体环境下企业与用户信息交互行为模型及特征研究

[J]. 图书情报工作, 2018,62(18):6-15.

[本文引用: 1]

( Wang Xiwei, Wei Ya’nan, Xing Yunfei , et al.

Research on Enterprises and Users Information Interaction Behavior Model and Characteristics in New Media Environment

[J]. Library and Information Service, 2018,62(18):6-15.)

[本文引用: 1]

余重远, 李珊, 赵文 , .

基于SNA的网络舆论领袖确定方法研究

[J]. 科技信息, 2011(12):36-37.

[本文引用: 1]

( Yu Chongyuan, Li Shan, Zhao Wen , et al.

Research on Determining Methods of Internet Opinion Leader Based on SNA

[J]. Science, 2011(12):36-37.)

[本文引用: 1]

张继东, 杨杨 .

基于交互行为和情感倾向的移动社交网络用户影响力度量模型研究

[J]. 情报理论与实践, 2019,42(1):112-117, 93.

[本文引用: 1]

( Zhang Jidong, Yang Yang .

Measurement Model of Mobile Social Network Users’ Influence Based on Interactive Behavior and Emotional Tendency

[J]. Information Studies: Theory & Application, 2019,42(1):112-117, 93.)

[本文引用: 1]

张凤娟, 王濛, 周刚 .

基于活动网络的微博用户影响力分析

[J]. 计算机技术与发展, 2018,28(9):162-167, 171.

[本文引用: 1]

( Zhang Fengjuan, Wang Meng, Zhou Gang .

Analysis of User Influence in Microblog Based on Activity Network

[J]. Computer Technology and Development, 2018,28(9):162-167, 171.)

[本文引用: 1]

陈芬, 付希, 何源 , .

融合社会网络分析与影响力扩散模型的微博意见领袖发现研究

[J]. 数据分析与知识发现, 2018,2(12):60-67.

[本文引用: 1]

( Chen Fen, Fu Xi, He Yuan , et al.

Identifying Weibo Opinion Leaders with Social Network Analysis and Influence Diffusion Model

[J]. Data Analysis and Knowledge Discovery, 2018,2(12):60-67.)

[本文引用: 1]

王忠义, 张鹤铭, 黄京 , .

基于社会网络分析的网络问答社区知识传播研究

[J]. 数据分析与知识发现, 2018,2(11):80-94.

[本文引用: 1]

( Wang Zhongyi, Zhang Heming, Huang Jing , et al.

Studying Knowledge Dissemination of Online Q&A Community with Social Network Analysis

[J]. Data Analysis and Knowledge Discovery, 2018,2(11):80-94. )

[本文引用: 1]

Van Der Eijk M, Faber M J, Aarts J W M , et al.

Using Online Health Communities to Deliver Patient-Centered Care to People with Chronic Conditions

[J]. Journal of Medical Internet Research, 2013,15(6):190-200.

[本文引用: 1]

金碧漪, 许鑫 .

网络健康社区中的主题特征研究

[J]. 图书情报工作, 2015,59(12):100-105.

[本文引用: 1]

( Jin Biyi, Xu Xin .

Research on Theme Features in Online Health Community

[J]. Library and Information Service, 2015,59(12):100-105.)

[本文引用: 1]

于皓 .

脑血管病医疗论坛的主题与文本情感分析研究

[D]. 北京: 北京交通大学, 2016.

[本文引用: 1]

( Yu Hao .

Analysis on the Subject and Emotion of the Medical Forum of Cerebrovascular Disease

[D]. Beijing: Beijing Jiaotong University, 2016.)

[本文引用: 1]

张星, 陈星, 侯德林 .

在线健康信息披露意愿的影响因素研究: 一个集成计划行为理论与隐私计算的模型

[J]. 情报资料工作, 2016,37(1):48-53.

[本文引用: 1]

( Zhang Xing, Chen Xing, Hou Delin .

An Analysis of Online Health Information Disclosure Willingness Influencing Factors: An Integrated Model of TPB and Privacy Calculus

[J]. Information and Documentation Services, 2016,37(1):48-53.)

[本文引用: 1]

王文韬, 谢阳群, 刘坤锋 .

基于扎根理论的虚拟健康社区用户使用意愿研究

[J]. 情报资料工作, 2017,38(3):75-82.

[本文引用: 1]

( Wang Wentao, Xie Yangqun, Liu Kunfeng .

Research on Virtual Health Community Users Willingness Based on Grounded Theory

[J]. Information and Documentation Services, 2017,38(3):75-82.)

[本文引用: 1]

杨化龙, 鞠晓峰 .

社会支持与个人目标对健康状况的影响

[J]. 管理科学, 2017,30(1):53-61.

[本文引用: 1]

( Yang Hualong, Ju Xiaofeng .

The Effects of Social Support and Individual Goal on Health Condition

[J]. Journal of Management Science, 2017,30(1):53-61.)

[本文引用: 1]

吕英杰 .

网络健康社区中的文本挖掘方法研究

[D]. 上海: 上海交通大学, 2013.

[本文引用: 1]

( Lv Yingjie .

Research on Text Mining in Online Health Community

[D]. Shanghai: Shanghai Jiao Tong University, 2013.)

[本文引用: 1]

Oh S .

The Characteristics and Motivations of Health Answers for Sharing Information, Knowledge, and Experiences in Online Environments

[J]. Journal of the American Society for Information Science and Technology, 2012,63(3):543-557.

[本文引用: 1]

侯贵生, 王鹏民, 杨磊 .

在线健康社区用户知识转化与共享的演化博弈分析

[J]. 情报科学, 2017,35(7):31-38.

[本文引用: 1]

( Hou Guisheng, Wang Pengmin, Yang Lei .

Research on Evolutionary Game of the Knowledge Conversion and Sharing of Online Health Community Users

[J]. Information Science, 2017,35(7):31-38.)

[本文引用: 1]

Chen C J, Hung S W .

To Give or to Receive? Factors Influencing Members’ Knowledge Sharing and Community Promotion in Professional Virtual Communities

[J]. Information & Management, 2010,47(4):226-236.

[本文引用: 1]

吴江, 周露莎 .

在线医疗社区中知识共享网络及知识互动行为研究

[J]. 情报科学, 2017,35(3):144-151.

[本文引用: 1]

( Wu Jiang, Zhou Lusha .

The Study of Knowledge Sharing Network and Users’ Knowledge Interaction in Online Health Community

[J]. Information Science, 2017,35(3):144-151.)

[本文引用: 1]

王舒瑶 .

网络社区健康传播的网络特征及社会支持研究——以豆瓣网“我们都有一口烂牙”小组为例

[D]. 上海: 上海交通大学, 2015.

[本文引用: 1]

( Wang Shuyao .

Network Characters and Social Support in Network Community for Health Communication

[D]. Shanghai: Shanghai Jiao Tong University, 2015.)

[本文引用: 1]

Centola D .

The Spread of Behavior in an Online Social Network Experiment

[J]. Science, 2010,329(5996):1194-1197.

[本文引用: 1]

Ba S, Wang L .

Digital Health Communities: The Effect of Their Motivation Mechanisms

[J]. Decision Support Systems, 2013,55(4):941-947.

[本文引用: 1]

刘璇, 汪林威, 李嘉 , .

在线健康社区中用户回帖行为影响机理研究

[J]. 管理科学, 2017,30(1):62-72.

[本文引用: 1]

( Liu Xuan, Wang Linwei, Li Jia , et al.

Research on Mechanisms of User Replying Behaviors in Online Health Communities

[J]. Journal of Management Science, 2017,30(1):62-72.)

[本文引用: 1]

Wang X, Zhao K .

Social Support and User Engagement in Online Health Communities

[C]//Proceedings of the 2014 International Conference for Smart Health (ICSH). Springer International Publishing, 2014: 97-110.

[本文引用: 1]

翟羽佳, 张鑫, 王芳 .

在线健康社区中的用户参与行为——以“百度戒烟吧”为例

[J]. 图书情报工作, 2017,61(7):75-82.

[本文引用: 1]

( Zhai Yujia, Zhang Xin, Wang Fang .

User Engagement in Online Health Communities——Taking Baidu Quitting Smoking Post Bar as an Example

[J]. Library and Information Service, 2017,61(7):75-82.)

[本文引用: 1]

王国华, 刘菊, 杨腾飞 , .

网络空间中艾滋病的社会支持研究——以百度贴吧“HIV 吧”为例

[J]. 情报杂志, 2015,34(11):105-110.

[本文引用: 1]

( Wang Guohua, Liu Ju, Yang Tengfei , et al.

Social Support for AIDS in Cyberspace -Take Baidu Post Bar “HIV Bar” for Example

[J]. Journal of Intelligence, 2015,34(11):105-110.)

[本文引用: 1]

Milgram S .

The Small World Problem

[J]. Psychology Today, 1967,2(1):60-67.

[本文引用: 2]

Watts D J, Strogatz S H .

Collective Dynamics of “Small World” Networks

[J]. Nature, 1998,393(6684):440-442.

[本文引用: 1]

Newman M E J, Watts D J .

Renorm Alization Group Analysis of the Small-world Network Model

[J]. Physics Letters A, 1999,263(4):341-346.

[本文引用: 1]

曲少玲, 胡德华 .

小世界理论研究的可视化分析

[J]. 图书馆杂志, 2016,35(6):57-65.

[本文引用: 1]

( Qu Shaoling, Hu Dehua .

A Visual Analysis on the Research of Small World Theory

[J]. Library Journal, 2016,35(6):57-65.)

[本文引用: 1]

Capaldo A, Giannoccaro I .

Interdependence and Network-level Trust in Supply Chain Networks: A Computational Study

[J]. Industrial Marketing Management, 2015,44(1):180-195.

[本文引用: 1]

Wandelt S, Sun X Q, Zanin M , et al.

QRE: Quick Robustness Estimation for Large Complex Networks

[J]. Future Generation Computer Systems, 2018,83:413-424.

[本文引用: 1]

Centola D .

The Social Origins of Networks and Diffusion

[J]. American Journal of Sociology, 2015,120(5):1295-1338.

[本文引用: 1]

Pereira J B, Westman E, Stomrud E , et al.

Abnormal Structural Brain Connectome in Individuals with Preclinical Alzheimer’s Disease

[J]. Cerebral Cortex, 2018,28(10):3638-3649.

[本文引用: 1]

Lee M H, Kim D Y, Chung M K , et al.

Topological Properties of the Structural Brain Network in Autism via Epsilon- neighbor Method

[J]. IEEE Transactions on Biomedical Engineering, 2018,65(10):2323-2333.

[本文引用: 1]

Lee J, Kim S .

Exploring the Role of Social Networks in Affective Organizational Commitment: Network Centrality, Strength of Ties, and Structural Holes

[J]. American Review of Public Administration, 2011,41(2):205-223.

[本文引用: 1]

Wang C L, Rodan S, Fruin M , et al.

Knowledge Networks, Collaboration Networks, and Exploratory Innovation

[J]. Academy of Management Journal, 2014,57(2):484-514.

[本文引用: 1]

Burt R S . Structural Holes: The Social Structure of Competition[M]. Cambridge, MA: Harvard University Press, 1992.

[本文引用: 2]

Burt R S .

Structural Holes and Good Ideas

[J]. American Journal of Sociology, 2004,110(2):349-399.

[本文引用: 2]

Burt R S .

Reinforced Structural Holes

[J]. Social Networks, 2015,43:149-161.

[本文引用: 1]

刘军 . 社会网络分析导论[M]. 北京: 社会科学文献出版社, 2004.

[本文引用: 3]

( Liu Jun . An Introduction to Social Network Analysis[M]. Beijing: Social Science Academic Press, 2004.)

[本文引用: 3]

Freeman L C .

Centrality in Social Networks: Conceptual Clarification

[J]. Social Networks, 1979,1(3):215-239.

[本文引用: 2]

Brandes U, Borgatti S P, Freeman L C .

Maintaining the Duality of Closeness and Betweenness Centrality

[J]. Social Networks, 2016,44:153-159.

[本文引用: 1]

Bonacich P, Lloyd P .

Eigenvector Centrality and Structural Zeroes and Ones: When is a Neighbor Not a Neighbor

[J]. Social Networks, 2015,43:86-90.

[本文引用: 1]

姜鑫, 田志伟 .

微博社区内信息传播的“小世界”现象及实证研究——以腾讯微博为例

[J]. 情报科学, 2012,30(8):1139-1142.

[本文引用: 1]

( Jiang Xin, Tian Zhiwei .

An Empirical Study on Information Dissemination in Microblog Community from the Perspective of Small-world Property——A Case Study with Tencent Microblog

[J]. Information Science, 2012,30(8):1139-1142.)

[本文引用: 1]

关鹏, 王曰芬, 曹嘉君 .

整合主题的学科知识网络构建与演化分析框架研究

[J]. 情报科学, 2018,36(9):3-8.

[本文引用: 1]

( Guan Peng, Wang Yuefen, Cao Jiajun .

Research on Framework of Construction and Evolution Analysis of Discipline Knowledge Network Based on Integrating Topic

[J]. Information Science, 2018,36(9):3-8.)

[本文引用: 1]

Figueiredo C, Chen W H, Azevedo J .

Central Nodes and Surprise in Content Selection in Social Networks

[J]. Computers in Human Behavior, 2015,51:382-392.

[本文引用: 1]

Ballinger G A, Cross R, Holtom B C .

The Right Friends in the Right Places: Understanding Network Structure as a Predictor of Voluntary Turnover

[J]. Journal of Applied Psychology, 2016,101(4):535-548.

[本文引用: 1]

Tortoriello M .

The Social Underpinnings of Absorptive Capacity: The Moderating Effects of Structural Holes on Innovation Generation Based on External Knowledge

[J]. Strategic Management Journal, 2015,36(4):586-597.

[本文引用: 1]

Liao Y C, Phan P H .

Internal Capabilities, External Structural Holes Network Positions, and Knowledge Creation

[J]. Journal of Technology Transfer, 2016,41(5):1148-1167.

[本文引用: 1]

/

版权所有 © 2015 《数据分析与知识发现》编辑部
地址:北京市海淀区中关村北四环西路33号 邮编:100190
电话/传真:(010)82626611-6626,82624938
E-mail:jishu@mail.las.ac.cn