虚拟学习社区中基于用户行为的知识贡献者信誉评价研究

来源:用户上传      作者:

　　摘 要：[目的/意义]在资源质量参差不齐的虚拟学习社区中，通过度量知识贡献者的信誉来间接判断资源质量，有利于解决用户的资源选择难题。[方法/过程]采用文献分析法确定了虚拟学习社区用户信任知识贡献者的主要影响因素，分析了虚拟学习社区用户的行为结构与信任影响因素之间的关系，并在此基础上通过问卷调查法构建了虚拟学习社区知识贡献者信誉评价指标体系，最后将评价指标体系应用于“计算机技术论坛”中进行社区可信用户识别实验。[结果/结论]研究发现，知识贡献者的信誉评价可从用户的权威性和专业知识能力两方面进行，且基于信誉评价指标体系的信誉度量方式具有较高的可信用户识别性能。
　　关键词：虚拟学习社区;知识贡献者;信誉评价;用户行为;因子分析法
　　DOI：10.3969/j.issn.1008-0821.2020.03.012
　　〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2020）03-0117-09
　　Abstract：[Purpose/Significance]In the virtual learning community of which the quality of resources is uneven，the quality of resources is indirectly judged by measuring the reputation of knowledge contributors，which is conducive to solving the problem of resource selection of users.[Method/Process]The main influencing factors of the trust recipients of the virtual learning community users were determined by the literature analysis method.The relationship between behavior structure and trust influencing factors of virtual learning community users was analyzed.Based on the questionnaire survey method，the credit evaluation index system of the knowledge community of the virtual learning community was constructed.Finally，it was applied to carry out community trusted user identification experiment in the“Computer Technology Forum”.[Result/Conclusion]The research found that the credit evaluation of knowledge contributors can be carried out from the authoritative and professional knowledge capabilities of users，and the reputation measurement method based on the reputation evaluation index system had higher credible user identification performance.
　　Key words：virtual learning community;knowledge contributor;reputation evaluation;user behavior;factor analysis
　　從Web2.0到Web3.0，虚拟社区日渐成为交流、分享、交互信息和服务的重要网络空间。第40次中国互联网络发展状况统计报告显示，截至2017年6月我国网民规模达7.51亿，其中1.32亿人在使用论坛/BBS等虚拟社区，相当一部分人在使用以学习交流、资源共享、知识问答为基本目的的虚拟学习社区的资源和服务[1]。2018年12月我国网民规模增长至8.29亿，虚拟社区使用人数也在不断增加。
　　与其它类型虚拟社区类似，在虚拟学习社区中，学习者同样经历诸如网络迷航、选择困难、资源过载和信任危机等问题，迫切需要健全的虚拟学习社区管理机制简化资源和服务选择流程，构建互信互惠的学习环境。借鉴赵欣等对知识贡献行为的研究，本研究将虚拟学习社区中的知识贡献者定义为发布信息、提供资料和回答问题的用户[2]。可以通过知识贡献者的信誉评价帮助社区或学习者识别权威可信的知识贡献者及其贡献的学习资源，简化知识选择机制，同时提升知识贡献者的外部动机和成就感，促进其知识贡献行为[2]，构造健康可信的社区环境。
　　虚拟学习社区中有关知识贡献者信誉的研究由来已久，大多是界定用户信誉概念、建立用户信誉模型和分析用户信任机制，较少涉及用户信誉的具体量化评价，因此很难在具体虚拟学习社区落地。目前，大多数社区还沿用定制的积分制标记有价值、可信任的用户，但积分计算方式单一、简单，难以合理地体现用户的权威性和可靠性。鉴于此，本文借鉴虚拟学习社区中识别意见领袖和预判资源质量的研究，采用文献分析法确定虚拟学习社区中用户信任知识贡献者的主要影响因素，在此基础上通过问卷调查法构建虚拟学习社区知识贡献者信誉评价指标体系，通过收集知识贡献者的相关行为数据，计量其信誉，以标记其权威性和可靠性，为其他学习者提供可以参考的资源或服务选择依据，促进虚拟学习社区的健康发展。 　　1 文献综述
　　1.1 虚拟学习社区
　　随着网络技术的发展和交流需求的增长，网络中出现了备受用户喜爱的各类虚拟社区（Virtual Community，简称VC）。VC的提出者认为，VC是当足够多的人们带着饱满的情感长期进行公开讨论，以期望在赛博空间中形成个人的关系网时，在网络中所出现的社会集合体[3]。虚拟学习社区（Virtual Learning Community，简称VLC）是虚拟社区的一大门类，是指以学习、研究、讨论为目的，以互联网为基本平台，以各种网络工具为中介进行人际交互、知识分享而联结成的群体[4]，如天涯论坛和小木虫社区等。
　　VLC的研究内容广泛，可以分为宏观层面与微观层面的研究。早期的研究主要集中在宏观层面，从理论基础[5-6]、设计开发应用[7]与评价反思[8]等方面对VLC的理论问题与实践应用进行探索。近期的研究则聚焦于微观层面，对用户分类、专家推荐和知识共享影响因素等进行研究。例如，谷斌等[9]从知识共享中心度和用户价值两个维度构建专业虚拟社区用户分类矩阵模型，并在人大经济论坛中将学习者划分为核心用户、咨询者、信息获取者和边缘用户等4类。胡昌平等[10]运用SEM方法构建了包含个人、情境、知识和成员行为等4个维度的虚拟知识社区知识共享影响因素模型。赵文君[11]和蔡小筱等[12]分别从价值驱动、认知驱动、资本驱动和情境驱动4种驱动效应和个人、人际和社区3个方面对虚拟知识社区的知识共享驱动机制和影响因素研究进行了综述。
　　在VLC精细化微观问题的研究中，信任和信誉作为一种研究视角或潜变量，常被作为作用于用户之间的社会交互和知识共享的中介要素，来提高知识组织与创新的效率[13]，在研究中发挥着基础性和中介性的作用。而从研究的目的与方法来看，VLC中知识贡献者的信誉研究是用户分类和专家推荐研究中的一部分，能够帮助学习者识别可信用户与资源。
　　1.2 用户信誉研究
　　信任作为一种社会复杂性的重要简化机制，各领域的研究者从不同视角探讨了其内涵、类型和机制。从心理学与社会学的视角来看，信任是具有认知能力的实体对另一实体的关于能力、善意、可靠性和诚信等的一系列信念。为了更具操作性，计算机领域将信任分为基于身份的信任（Identity Trust）和基于行为的信任（Behavior Trust），并利用可信计算（Trust Computing）理念来解决日趋严重的互联网安全问题[14]。可信计算的研究和应用在电子商务平台或虚拟交易社区中较为深入与成熟，典型的TMSB、EigenTrust、PowerTrust和PeerTrust信任模型便是根据实体或节点的交互过程和交易关系来直接、间接或综合性地度量局部或全局信任值，以确保服务的可靠性。
　　网络信任和信誉具有复杂的关联性，信誉是信任的某个属性证据，信任是信誉计量的一方面数据来源。当在网络环境中产生选择困难和信任危机等问题时，早期的研究借鉴可信计算的理念采用用户驱动的信誉评价策略来解决，即综合用户的评价数据（一般为用户评分）来表征用户的可信度或信誉，著名的学术Wiki平台WikiGenes即采用此种策略。但这种方式过度依赖于评分用户的主观判断，难以准确度量动态化的用户信誉。基于此，近期的研究采用内容驱动的信誉评价机制，即更多地探索基于用户行为的信誉评价机制和基于用户信誉等级的内容质量预判模型等。例如，雷雪[15]总结出用户信誉评价的步骤分为事件监控、指标量化和结果呈现3部分，并依此探索运用“用户评分”、“内容添加”、“内容修改”、“内容删除”和“版本回退”等行为数据来评价学术Wiki社区用户信誉的策略。李慧等[16]针对Wikipedia中词条编辑的特点，将作者的“插入”与“删除”操作细分为6个具体行为指标后对其信誉进行评价。金燕等[17]综合运用用户驱动和内容驱动的信誉评价策略，提取出直接和间接影UGC内容质量的“创建”、“评论”和“转发”等7种行为，并运用通过专家评分法得到的指标体系获取信誉得分，并据此预判不同信誉区间用户在表现期所产生内容的质量高低。
　　基于上述分析可知，聚焦于VLC中的信任与信誉研究逐渐增多，且倾向于根据系统监控到的各种历史行为来评价用户信誉。虽然对知识贡献者信誉的研究已经较为深入和全面，但是仍需更多基于不同评价维度和针对不同细分对象的研究来对其进行丰富与拓展。因此，将信任与信誉融入VLC中，并基于行为数据对知识贡献者的信誉进行评价具有可行性。
　　2 知识贡献者信誉评价
　　2.1 理论基础
　　2.1.1 受信方三大特质
　　信任产生于施信方和受信方之间，其中施信方会依据其对受信方品质特征的评判而作出信任与否的抉择。Mayer R C等[18]认为受信方应该具备3种特质：能力、善意和正直，现已成为信任领域中的共识。具体而言，VLC中知识贡献者的能力反映着其在某个知识领域具备的专业知识水平;善意体现于其是否出于使其他用户获得正确有用知识的动机来贡献资源;正直表现在其能否遵照普遍接受的准则参与社区活动。考虑到学习资源通常免费提供，故一般不存在因恶性竞争而衍生出虚假信息的情况，且用户间都是基于知识交流目的来贡献知识。因此，VLC中能力这一特质是评价知识贡献者是否可信的最重要指标，而善意和正直两个方面的作用效果较少。
　　2.1.2 精细加工可能性模型
　　精细加工可能性模型（ELM）由Petty R E等提出，其基本思想为：当信息接收者在处理来自态度客体的說服性信息时，会因为接收者评估该信息主要优点时的动机和能力不同而存在一个精细加工可能性区间，即人们越有动机且越能够评估说服性信息的主要优、缺点，则越可能努力地审查所有可获得的细节，并依此作出理性的判断[19]。 　　当精细加工可能性高时，信息接收者会对态度客体的关键特征或优点作出深思熟虑的总体评价和态度判断，此为中心路径。当精细加工可能性低时，接收者更可能试着基于粗浅的分析得出一个对态度客体的简单推论性态度，此为外围路径。基于此，Sussman S W等[20]认为在虚拟社区中，精细加工可能性模型有两个关键组成部分：信息质量和信源可靠性，其中信息质量对接受者的信息采纳发挥中心影响，而信源可靠性则发挥外围影响。
　　就VLC而言，信息质量指的是资源的内容和质量对资源使用者的劝说强度，体现了知识贡献者的能力，而信源可靠性指的是资源使用者对知识贡献者本身权威性的感知。也就是说，学习者在选择学习资源时会受到资源质量和知识贡献者权威性的影响。然而，當无法判断资源质量（即精细加工可能性低）时，学习者会很大程度上依据知识贡献者的个人信息（如角色、身份级别和积分）作出判断和选择。由于审视的片面性，学习者往往难以获得高质资源，因此辅助学习者进行抉择的信誉评价机制显得尤为重要。然而，社区现有的积分和身份等级不能合理地反映知识贡献者的可信程度，因此，为学习者提供一种综合信息质量和信源可靠性的信誉值，可以增加其选中高质量资源的可能性。
　　2.2 用户信任的影响因素
　　关于虚拟社区中用户信任的影响因素，一些学者进行了专门探索。包敦安[21]以交易类社区为研究对象，使用混合研究方法得出结论：发帖者信息特征以及自身特征方面的因素均会影响浏览者对发帖者的信任，其中信息特征方面因素的影响高于自身特征方面因素的影响。Soto J P等[22]认为在知识分享虚拟社区中，新手通过用户的身份、专业知识和自身直观感受作出信任判断。Luhmann N[23]指出个体一般将信任对象过去的表现和当下声誉作为是否给予信任的判断依据。郭晓科等[24]在Luhmann N观点的基础上以艾滋病论坛为例，用个体的发帖内容、专业程度和发帖频率来衡量历史表现，用论坛等级和称号等表征当下声誉。王淑娟等[25]认为信誉高的用户更能取得他人的信任，而这种信任主要表现为身份认同、能力认同、行为认同。高俊波等[26]发现某些拥有较高威望值和身份等级的版主、高级会员、志愿者个体常获得他人的信任，证实了权威性的重要程度。
　　对受信方三大特质的分析得出了能力的重要性，而ELM和用户信任影响因素研究则揭示了用户彼此陌生时习惯依据知识贡献者身份特征作出直观信任判断的现象。综上所述，VLC中用户信任的影响因素主要包括两大方面，即用户的权威性和专业知识能力。权威性指由用户身份或角色特征无形中带给他人的一种可信感，例如管理员易于获得他人的信赖，其本质上体现的是活跃度与关爱度。专业知识能力主要指在某个知识领域，用户表现出来的总体专业知识水平。从某种意义上来说，专业知识能力和权威性分别对应着Lumann提出的用户过去的表现和当下声誉两个信任判断依据。因此，综合考量用户的权威性和专业知识能力，能够识别权威可信知识贡献者。
　　2.3 信誉评价指标体系的构建
　　信任与信誉联系紧密，前者是局部概念，代表建立在历史经验基础上，一个实体对另一个实体具有某种能力的一种主观信念;后者具有全局性，代表实体由系统中其它实体给予其的总的、综合的信任评价。总的来说，VLC中知识贡献者的信誉是系统通过观察过往行为对其加以评定而得出的综合期望值，反映着其他用户对其信任的集合[27]，故可以通过用户信任的影响因素来评价知识贡献者信誉。
　　一般而言，常用的VLC都包括两大部分的功能，即资源共享和问答。前者用于发布资源与经验，而后者专门用于提问与回答，二者都是通过发/回帖的形式实现。需要说明的是，本研究用“发帖”来代表用户在资源共享部分发布信息和问答部分的提问行为，用“回帖”来代表用户在两大部分的回复行为，而又将其中问答部分的回复行为专称为“回答问题”。并且，为了便于用户浏览，VLC将一部分高质帖子标注为“热门帖”、“好评帖”和“精华帖”等。VCL中用户行为及其之间的结构如图1所示。采集VLC中的这些行为数据，分析其与用户信任两大影响因素的关系，从而实现对知识贡献者信誉的评价和计算。
　　在VLC中，用户的权威性本质上是活跃度与关爱度的综合体现，其高低可由用户的身份级别加以反映，而身份级别又与用户积分存在对应关系。因此，本研究通过用户发帖和回帖行为来评价知识贡献者在权威性方面的信誉。另一方面，借鉴已有研究成果并结合访谈结果初步确定与专业知识能力相关的评价指标，包括用户发贴、回帖、发精华贴、发热门帖、发好评贴和问答中的回答问题等。为了进一步确定VLC中用户信誉两大组成部分的权重和各部分的具体评价指标及各指标权重，设计了一份调查问卷。
　　在根据86份预测试问卷结果调整影响信效度的题项后，得到一份含有12个题项的5点李克特量表。在面向VLC用户的正式问卷发放中，获得线上与线下问卷261份，其中有效问卷217份，问卷有效率为83.14%。在对数据进行因子分析时，KMO和Bartlett检验结果符合因子分析要求，获得了2个能够较为充分概括所有题项的因子，且题项在所属因子上的载荷大于0.5，在其它因子上的载荷小于0.5。经过分析，其中第1个因子可命名为“专业知识能力”，另1个因子可命名为“权威性”，如表1所示。另外，量表内部一致性系数为0.7，证明问卷信效度良好。问卷得出了“专业知识能力”部分的具体评价指标为在资源共享部分发主题帖、发精华帖、发热门贴、发好评贴和问答中回答问题，用户行为与信任影响因素对应关系如图2所示。同时也获得了调查对象对各个指标重要程度的认知（从非常不重要到非常重要，分别计1～5分）。
　　由此，确定了信誉为一级指标，权威性和专业知识能力为二级指标，而它们的具体评价参数为三级指标。为了进行具体的信誉度量，需要借助计算评估指标权重的方法确定各个评价指标的权重系数。本研究选取因子分析法，即通过将解释的总方差表中因子的方差贡献率归一化后得到二级指标的权重，根据因子分析过程获得的因子得分系数矩阵中的得分系数归一化结果确定“专业知识能力”部分的三级指标权重[15]。解释的总方差（只显示旋转平方和载入部分）如表1所示。分析结果中累积方差贡献率偏小，可能是因为提取的因子数量过少，但所获得的2个因子能与文献分析得出的两大影响因素相对应，且其它各项指标均符合要求，因此不再作进一步调整。 　　如前所述，因子1命名为专业知识能力，而因子2命名为权威性。将两个部分的方差贡献率归一化后，得到“权威性”和“专业知识能力”指标的权重分别为0.4292和0.5708。正如前文所述，用户的身份等级能够体现其“权威性”，而身份等级的高低是积分累积的结果，故可通过发帖和回帖行为来度量“权威性”。而在因子分析过程中可以得到一个因子得分系数矩阵，将其中的因子得分系数进行归一化处理，得到“权威性”部分发帖和回帖的权重分别为0.5065和0.4935，“专业知识能力”部分在资源共享中发帖、发热门贴、发好评贴、发精华帖和问答中回答问题数量5个指标的权重分别为0.1381、0.1413、0.2531、0.2286和0.2389。由此，得出VLC中知識贡献者的信誉评价指标体系及指标权重，如表2所示。
　　2.4 知识贡献者信誉度量
　　设知识贡献者Pi的信誉值为R（Pi），用户信誉更新的周期为T，更新周期的长短需要根据VLC中的具体活跃度等进行设置。设某个周期内，用户Pi在资源共享中发主题贴量为SP（Pi），回帖量为RP（Pi），获得的总精华贴数量为EP（Pi），热门帖数量为HP（Pi），好评贴数量GP（Pi）。在问答中，用户Pi发主题贴量为SQ（Pi），回帖量为AQ（Pi）。用户的权威性设为A（Pi），用户的专业知识能力设为E（Pi），则根据以上研究可知，在该周期内用户Pi的信誉值R（Pi）为式（1）：
　　3 实验验证
　　为了验证本研究构建的知识贡献者信誉评价指标体系的合理性和信誉度量方法的实用性，采用VLC中最常用的推荐服务效果来验证提出方案和方法的有效性。选取“计算机技术论坛”为实验数据来源，利用“八爪鱼采集器”爬取“计算机技术论坛”中资源共享区和问答区（以“综合咨询”标识）两大版块中1年的相关数据，包括用户ID、用户积分、用户等级、发/回帖时间和在两大版块部分的发/回帖情况等。进行必要的数据预处理后，将数据按照发帖或回帖时间先后顺序分为两部分，前80%的数据用于计算用户的信誉值，后20%的数据用于验证信誉度量方式的合理性。实验数据集的信息如表3所示。
　　用户浏览学习资源时，往往喜欢根据发帖者的身份级别或积分来选择信息采纳的对象，所以将基于信誉的用户推荐方法（信誉法）与常用的基于积分的用户推荐方法（积分法）进行比较，分别设为R（Top）法和S（Top）法。具体来说，根据爬取的数据信息，利用度量公式计算周期T内每个用户的信誉值。R（Top）信誉法是依据信誉值降序排序结果，选出信誉值较高的Top K名用户进行推荐。而S（Top）积分法，则直接根据用户的积分进行降序排序，同样选出Top K用户进行推荐，其中K指设定的推荐人数。
　　进行用户推荐的目的是获得能够提供权威可信学习资源的用户，且关键是能帮助他人解决专业问题。在问答区中回答问题的人具有很好的代表性，因为他们既体现了乐于分享资源的友好、活跃的一面，也体现了一定的专业知识能力，故借助问答中的回答者进行效果验证。比较两种方法在识别和推荐“可信用户”方面效果的思路如图3所示。
　　在验证集中，共有147人在问答区回答问题。将上述147人与R（Top）法和S（Top）分别推荐的K（K=5，10，15，…，50）人进行比较，得到两种推荐方式在不同设定推荐人数时的准确率和召回率。具体结果如图4和图5所示。由图可知，相较于常用的积分推荐方法，根据信誉评价指标体系实施的信誉推荐方法具有更高的准确率和召回率，即R（Top）法获得了较多的能够为他人提供帮助的用户，也间接说明R（Top）法在识别“可信用户”方面具有更好的性能。
　　虽然推荐不同数量的用户时R（Top）法的推荐效果均优于S（Top）法，但是随着推荐人数的增加，两种方法的性能趋于一致。由图4、5可知，推荐人数在30以内时，R（Top）信誉法的优势较为明显。而当推荐人数大于30人时，R（Top）信誉法的准确率下降最快。为了探究这一现象的原因，给出不同信誉区间中的用户人数分布情况，如图6所示。图6显示信誉低的用户占了用户总数的绝大部分，符合帕列托定律分布，也在某种程度上证明了信誉度量方式所计算出来的用户信誉值分布的合理性。且由图中信息可知，信誉值大于20的用户数仅有32人，即高信誉用户本身不多。又由图7可知，随着推荐人数的增加，所推荐用户的信誉值非常接近，甚至有重合的趋势，这显然会影响推荐效果。鉴于此，即使用户信誉评价指标体系指导下的信誉推荐方法性能较优、信誉度量方式合理，但高信誉用户的人数和推荐人数增加时用户信誉的密集性限制了推荐性能的体现，因此导致R（Top）信誉法的推荐性能在推荐人数大于高信誉用户人数时显得较低，甚至与S（Top）法相差无几。
　　虽然论坛的不活跃因素在一定程度上影响了实验效果，但综合验证的结果后可知，在考虑了用户权威性和专业知识能力的信誉评价指标体系指导下的信誉度量方式能够较好地反映用户的可信程度，具有合理性。
　　4 小 结
　　针对VLC中因缺乏信誉机制而导致网络迷航、选择困难、资源过载和信任危机等问题的现状，本研究构建了包含用户权威性和专业知识能力的VLC知识贡献者信誉评价指标体系，并用实验验证了其有效性，以期为通过度量用户信誉辅助学习者间接判断资源质量提供参考。基于用户行为数据来计算知识贡献者的信誉可以实现更客观化、动态化和精准化的效果，能够很好地体现知识贡献者的可信度，也符合研究趋势。知识贡献者信誉评价的结果既可以作为自身属性应用于“版主”或可信回答者的推荐，也可以作为一种促进群体产生深度信任和激励用户进行知识共享的机制，还可以动态显式地将信誉评价结果与知识贡献者共享的内容挂钩以辅助学习者判断资源质量[15]。但研究存在不足之处，例如提出的信誉度量方式专门针对将帖子进行分类（标注热门帖、好评帖和精华帖等）的虚拟学习社区，故导致应用有所限制。后续研究将改进不足，并考虑回帖及时性和细分知识领域等因素，更进一步地对VLC中优质资源和可信用户进行精确的研究，以提高学习者的学习效果和促进社区长久健康发展。 　　参考文献
　　[1]中国互联网络信息中心（CNNIC）.第40次中国互联网络发展状况统计报告[R].北京：中国互联网信息中心，2017：24-27.
　　[2]赵欣，黄思萌.专业虚拟社区知识搜寻与知识贡献的前因机制比较[J].情报杂志，2017，36（12）：180-185，137.
　　[3]Rheingold H.The Virtual Community：Homesteading on the Electronic Frontier[M].Cambridge：MIT press，2000：3-4.
　　[4]Kowch E，Schwier R.Characteristics of Technology-based Virtual Learning Communities[J].Retrieved July，1997，（28），2004：1-11.
　　[5]Russell M.Online Learning Communities：Implications for Adult Learning[J].Adult Learning，1999，10（4）：28-31.
　　[6]衷克定，梁玉娟.网络学习社区结构特征及其与学习绩效关系研究[J].开放教育研究，2006，（6）：69-73.
　　[7]廖伟伟，赵呈领，万力勇，等.专业虚拟学习社区的设计与应用研究[J].中国远程教育，2012，（12）：41-46，95.
　　[8]宫淑红，曹晓粉.虚拟学习社区评价指标体系的建构[J].当代教育科学，2015，（5）：15-18，26.
　　[9]谷斌，徐菁，黄家良.专业虚拟社区用户分类模型研究[J].情报杂志，2014，33（5）：203-207.
　　[10]胡昌平，万莉.虚拟知识社区用户关系及其对知识共享行为的影响[J].情报理论与实践，2015，38（6）：71-76.
　　[11]赵文军.虚拟社区成员知识共享行为的驱动机制研究综述[J].现代情报，2015，35（11）：164-170.
　　[12]蔡小筱，张敏，郑伟伟.虚拟学术社区知识共享影响因素研究综述[J].图书馆，2016，（6）：44-49.
　　[13]张敏，郑伟伟.基于信任的虚拟社区知识共享研究综述[J].情报理论与实践，2015，38（3）：138-144.
　　[14]贵小林，李小勇.信任管理与计算[M].西安：西安交通大学出版社，2011：4-6.
　　[15]雷雪.学术Wiki社区用户信誉评价研究[J].情报杂志，2014，33（3）：198-201.
　　[16]李慧，相华婷，汤强.基于编辑文本与结构的Wikipedia作者信任模型[J].情报学报，2015，34（7）：743-753.
　　[17]金燕，闫婧.基于用户信誉评级的UGC质量预判模型[J].情报理论与实践，2016，39（3）：10-14.
　　[18]Mayer R C，Davis J H，Schoorman F D.An Integrative Model of Organizational Trust[J].Academy of Management Review，1995，20（3）：709-734.
　　[19]Petty R E，Cacioppo J T，Schumann D.Central and Peripheral Routes to Advertising Effectiveness：The Moderating Role of Involvement[J].Journal of Consumer Research，1983，10（2）：135-146.
　　[20]Sussman S W，Siegal W S.Informational Influence in Organizations：An Integrated Approach to Knowledge Adoption[J].Information Systems Research，2003，14（1）：47-65.
　　[21]包敦安.虚拟交易社区浏览者与发帖者类社会互动研究[D].大连：大连理工大学，2010.
　　[22]Soto J P，Vizcaíno A，Portillo-Rodríguez J，et al.Why Should I Trust in a Virtual Community Member？[C]//Proceedings of the International Conference on Collaboration and Technology.NewYork：Springer，2009：126-133.
　　[23]Luhmann N.Trust：A Mechanism for the Reduction of Social Complexity[J].Trust and Power：Two Works By Niklas Luhmann，1979：1-103.
　　[24]郭曉科，李欢.虚拟社区信任机制研究——以艾滋病友论坛求医行为为例[C]//2012年度中国健康传播大会优秀论文集，2012：47-62.
　　[25]王淑娟，刘清堂.虚拟学习社区信任机制的研究[J].远程教育杂志，2007，（3）：12-15.
　　[26]高俊波，杨静.在线论坛中的意见领袖分析[J].电子科技大学学报，2007，（6）：1249-1252.
　　[27]张和平，陈齐海.基于因子分析-DEMATEL定权法的期刊综合评价研究[J].情报杂志，2017，36（11）：180-185.
　　（责任编辑：孙国雷）
转载注明来源:https://www.xzbu.com/4/view-15123048.htm