本章在对Delphi迭代过程的研究和具体分析中，组织了两组由不同人员组成的专家小组，共17名研究成员。Okoli和Pawlowski（2004）曾多次在调查实践中发现，通过Delphi迭代过程来分析研究设置小组时，每组成员数在9～10名最为适宜。本研究设置两个小组，小组人数相近以使两组专家意见相平衡。这既能真实体现学者本身的观点，又能较为客观地反映社交网络服务中用户信任的真实行为。

专家小组的第一组成员有9名，是随机选取的学生，他们都是目前社交网络服务中的活跃用户，是通过朋友圈里的活跃程度、使用时长、好友数等多个指标综合选择得到的。随着手机功能的优化，他们每天会多次登录社交网站、社交平台等，并在社交网站和社交平台中发表关于社交性质的内容、参与网络平台交互等。选取的这9名成员主要活跃在微信朋友圈中。微信朋友圈指的是由腾讯公司开发的主要应用于手机的一个应用程序（Application）社交平台。大部分微信用户是通过下载微信APP的方式，登录并发布文字或图片的，当然也可以利用转发功能将其他网站、社交平台的文章、音乐等分享到自己的朋友圈。微信用户发送文字和照片等信息后，其好友可以对新发的朋友圈状态进行点赞或评论，用户本身可以对评论进行回复，这样就形成了一次社交，而且用户之间只有互为好友才可以看到彼此的评论或点赞。

第二个小组的8名成员均是学术研究者，主要研究方向是人机交互。他们对社交网络服务和用户的行为比较熟悉，对用户网上行为分析有较丰富的研究经历和成果，他们的理论有利于社交网络服务中用户信任分类框架的构建。

本研究遵循Delphi 法的标准流程（Okoli and Pawlowski，2004），包括三个阶段：第一阶段，通过头脑风暴法，分析统计形成社交网络服务中的信任指标库；第二阶段，对形成的社交网络服务中的信任指标库进行精简分类；第三阶段，以基本达到统一为目标，对剩余的信任指标进行类别划分。具体操作如图3-1所示。

图3-1　用Delphi法研究社交网络服务用户具体信任行为

在第一阶段，由第一小组的9名成员列出在社交网络服务中可能发生的行为，每位成员最少提供9个给研究小组，因为9名成员均是真实的社交网络服务用户，他们提交的清单是较为全面和详尽的，也是可以真实反映社交网络用户行为的。研究人员统计大家提交的行为清单，合并重复的，去掉无效的，共产生了28个指标。结果出来后，研究人员将此结果交给每一位小组成员，让小组成员进行新一轮确认，主要是对指标的有效性进行确认，查找并增加他们之前遗漏却真实存在的指标。经过这一轮的迭代过程，共计新增指标3个，加上原有28个，共计31个，这31个指标反映了社交网络服务的用户信任行为（见表3-1）。

表3-1　社交网络服务用户具体信任行为

续表

注释：斜体部分是在第二阶段被去掉的指标项。

在第二阶段，两个专家小组的17名成员一起工作，对上述清单中的31个反映社交网络服务用户信任的行为进行一轮精简，精简的主要依据是清单中列举的社交网络服务用户信任行为对社交网络服务网站在资源方面具体有哪些贡献，并从这31个指标中选出至少10个对社交网络服务的具体内容和关系资源等方面的贡献具有重要作用的（Liang et al，2011）。为了尽量减少偏差，研究者将这31个指标打乱了顺序，随机重新排列；由17名成员提供精简结果，再由研究人员汇总收到的选择结果。根据指标选择依据和准则（Okoli and Pawlowski，2004），研究人员将其中被50%以上的专家都选择的指标汇总出来。经过此阶段的迭代，再一次删去7个指标，最后剩余24个指标；被删去的7个指标在表3-1中以斜体显示。

在第三阶段，对24个剩余的社交网络服务用户信任行为进行分类。首先，17名小组成员被要求考虑两个问题：第一个问题是该信任行为对社交网络服务网站是否贡献了内容和关系资源；第二个问题是该信任行为的结果对社交网络服务网站的内容最终是起到了创造和传播作用，还是起到了构建或者维持的作用？在回答问题之后，研究小组汇总答案，并将这24个SNS用户活跃行为分成了四大类，分别是内容创造行为、内容传播行为、信任构建行为和信任维持行为（陈爱辉，2014）。与此同时，还要求每个成员对分类结果进行清晰简洁的解释。经过这样一轮分类和意见整合，研究小组将最后的汇总结果再一次返还给两个小组成员，让他们再一次对结果进行判定，并做出相应的修改。如此迭代四次后，所有的专家成员对反复得出的分类结果是经过充分考虑的，对分类的最终结果也是比较满意的，他们都表示不会再做修改。

共识度是指大多数人认同或不认同某种意见或某个结果的程度，此处的大多数人是指超过一半，即50%（Gracht，2012）。变异系数V是用来描述数据分布的一种离差的标准测量，是通过标准差除以平均值得到的结果，这个结果反映了一致性水平，一般是无量纲的数值（Gracht，2012）。使用变异系数反映一致性水平的标准是由English and Kernan（1976）提出的。笔者在统计结果相对一致且稳定的前提下，通过共识度及变异系数两个指标对结果进行一致性检验，结果如表3-2所示。

表3-2　用Delphi 法研究的分类结果

续表

从表3-2可知，“添加好友申请”的共识度仅为45.8%，低于50%，未达到满意水平，而其他指标均高于50%，在成员共识度上达到了满意水平。在一致性方面，变异系数V＜0.5的18个指标的一致性较高；变异系数0.5＜V＜0.8的3个指标的一致性中等；变异系数V＞0.8的3个指标的一致性较低，分别为“添加好友申请”“查看朋友圈的官方广告”“转发朋友圈的官方广告”。按照Gracht（2012）的研究建议，在项目中去掉一致性较低的3个指标。

接下来，用模糊层次分析法对信任分类框架进行检验。通过表3-2的结果建立评价指标体系，如表3-3所示。以常用的1～9级标度法作为评价标度（见表3-4），对准则层因素和指标层因素的重要程度进行两两比较，并予以赋值，从而构造出判断矩阵，形成比较判断矩阵，即A=（aij）n×m，其中aij表示第i个因素对第j个因素的比较结果。(www.daowen.com)

表3-3　社交网络服务中信任评价指标体系

生成判断矩阵：

表3-4　重要度评价准则

对指标按照以下公式做正规化处理：

对正规化处理后的判断矩阵进行逐行相加求和，得到：

再根据以下公式对所得数据做归一化处理：

各指标的权重值是特征向量：

然后，计算判断矩阵的最大特征值，其中（AW）i表示矩阵AW的第i分量。接下来进行层次单排序与一次性检验。

（1）一次性指标。如果CI=0，说明指标有完全一致性；当CI接近于0，说明指标的一致性较为满意；如果CI越大，说明指标的一致性越差。

（2）一致性比率。如果CR＜0.1时，则该层次单排序获得的结果是满意的，如果不是，那么判断矩阵元素的取值就需要调整。

（3）随机一致性指标RI如表3-5所示。

表3-5　RI取值

（4）层次总排序与一致性检验。通过层次分析法，进行层次总排序，并就社交网络中的具体行为对信任的影响一致性进行检验。