理论教育 社交问答平台用户知识贡献行为与服务的数据分析成果

社交问答平台用户知识贡献行为与服务的数据分析成果

时间:2023-11-24 理论教育 版权反馈
【摘要】:本次研究对所收集数据进行数据分析。表5.6描述性统计分析续表区别效度与聚合效度相反,是衡量不同建构之间的相互区分程度。表5.7建构相关系数矩阵续表区分效度的另一种方法是将建构的AVE的平方根与该建构和其他建构的相关系数进行比较。如表5.9所示为百度知道和知乎两个平台用户数据应用于模型后分析得出的路径系数。表5.10调查对象的统计特征描述续表独立样本T检验是用来检验两个样本平均数与其各自所代表的总体的差异是否显著。

社交问答平台用户知识贡献行为与服务的数据分析成果

本次研究对所收集数据进行数据分析。首先是通过信度和效度分析来确认问卷在度量各个变量时的一致性和稳定性。在问卷通过信度和效度检验后,通过最小偏二乘法对路径系数和复测定系数进行计算,分别得出第一代问答平台和第二代问答平台中各个自变量因变量之间的相关程度。最后,通过独立样本T检验发现第一代问答平台和第二代问答平台在知识贡献行为以及需求满足感知方面是否存在显著差异。

(1)信度效度检验

在本次研究中,我们采用结构方程模型技术来对数据进行分析处理。结构方程模型的数学分析方法一般有两种:线性结构关系分析(LISREL)和偏最小二乘法(PLS)。其中LISREL以协方差结构为基础,PLS以方差结构为基础。LISREL方法对数据存在着分布假设,要求观测变量相互独立且符合多元正态分布,而PLS对数据分布没有要求。LISREL方法需要较大的样本量,有研究者认为LISREL方法最小理想样本数为200~800,而PLS在较小的样本量的条件下便可以得出比较理想的结果[10]。考虑到本次观测变量不符合LISREL方法的分布要求,且样本量较小,决定采用PLS方法进行分析。PLS分析分为两步:第一步为对测量模型进行信度分析和效度分析,第二步为评估结构模型。

(2)信度分析

信度即测量内容的可靠性,也指采用同种方法对同一对象重复测试时所得结果的稳定性和一致性程度。信度指标可以分为三类:稳定系数、等值系数和内部一致性。由于客观条件限制,目前大多通过验证内部一致性来判断问卷的信度。当使用PLS分析时,一般使用复合信度(CR)来反映指标内部的一致性,复合信度越高则代表内部一致性越好。一般认为当信度低于0.3时表示问卷不可信,随着数值的增高,问卷可信度逐渐增高,当信度高于0.7时表示问卷很可信,而高于0.9时表示问卷十分可信。本次研究使用SPSS 20.0来对回收问卷进行信度分析,以0.7作为标准,若信度低于0.7,则重新对问卷进行研究编制。初步分析结果如表5.6所示,所有建构的复合信度都高于0.7,表明问卷中各个建构的内部一致性均较好。

(3)效度分析

效度即测量内容的有效性,也指测量工具或手段监测出所需测量的事务的准确程度。需要先明确测量的目的,检测测量内容是否与目的相符,从而判断测量结果是否能够准确反映所要测量事务的性质。效度分析方法有很多,其中有一些不能用量化的标准来衡量,在本次研究中通过对问卷的聚合效度和区别效度进行分析来衡量其有效性。

聚合效度测量的是同一建构中的多个指标彼此之间的聚合或关联。聚合效度一般以每个建构的平均方差抽取量(AVE)进行衡量。当某个建构的AVE大于0.5时,代表该建构的每个指标平均都至少解释了其含义的50%。如表5.6所示,所有建构的AVE均高于0.5,说明问卷具有较强的聚合效度。

表5.6 描述性统计分析

续表

区别效度与聚合效度相反,是衡量不同建构之间的相互区分程度。在本次研究中,我们使用两种方式来衡量区别效度。一种方法是比较建构中指标的因子负荷和交叉负荷,具有良好区分效度的指标的因子负荷应大于交叉负荷。如表5.7所示为因子分析结果,可以看出各个指标均满足因子负荷大于交叉负荷这个条件,说明问卷具有较好的区分效度。

表5.7 建构相关系数矩阵

续表

区分效度的另一种方法是将建构的AVE的平方根与该建构和其他建构的相关系数进行比较。如表5.8所示,矩阵中对角线上的元素为该建构的AVE的平方根,其他数据为建构之间的相关系数,可以明显看出,AVE的平方根大于与其他建构的相关系数,说明问卷具有较好的区分效度。(www.daowen.com)

表5.8 验证性因子分析结果

(4)研究模型验证

在本次研究中使用软件SmartPLS进行分析,计算出了路径系数以及R2值,并用Bootstrapping对路径的显著性水平进行了检测。其中路径系数代表了自变量与因变量之间关系的强弱程度,R2代表总体解释程度。显著的路径用星号表示,其中“*”代表在5%的显著水平上显著,“**”代表在1%的显著水平上显著,“***”代表在0.1%的显著水平上显著。如表5.9所示为百度知道和知乎两个平台用户数据应用于模型后分析得出的路径系数。一般来说,R2值越大,说明自变量对因变量的解释程度越大,模型拟合效果越好,当值大于0.66时则说明内部模型具有重要的拟合效果,当值小于0.66而大于0.35时则说明模型的拟合效果较好。在百度知道模型中,回答数量58.9%的方差和回答质量51.5%的方差得到了解释,在知乎模型中回答数量50.9%的方差和回答质量41.3%的方差得到了解释,说明对于这两类问答平台,模型拟合度均较好。

表5.9 PLS检验结果

(5)独立样本T检验

用户对百度知道和知乎知识贡献所感知的回报如表5.10所示,分数越小代表该问答平台用户所感知的相应回报越少。从表中可以看出,物质奖励和回答数量这两个变量的评分在百度知道和知乎中都较低,说明大部分用户并不认为在社交问答平台上贡献知识能带来物质奖励,另外在这两个问答平台中普通用户的知识贡献积极性不是很高。在一些变量上第一代问答平台代表百度知道和第二代问答平台代表知乎之间存在差异,但这种差异可能是由于抽样误差造成的,为了探究差异是否显著存在,本书使用独立样本T检验进行分析。

表5.10 调查对象的统计特征描述

续表

独立样本T检验是用来检验两个样本平均数与其各自所代表的总体的差异是否显著。本研究通过独立样本T检验来检验百度知道和知乎用户在平台中知识贡献的动机感受以及知识贡献数量和质量是否存在差异性。在独立样本T检验中存在方差齐性和方差不齐这两种情况,在这两种不同情况下采取的方法有所不同,测量出来的值也会有所不同,因此首先要检查样本是否具有方差齐性。在方差齐性检验中,当sig>0.05时表示方差相等,则需要查看方差相等情况下的sig(双侧)值,当sig<0.05时表示方差不相等,则需要查看方差不相等情况下的sig(双侧)值。在得到sig(双侧)值后,需要与显著性水平0.05进行比较,若sig(双侧)值>0.05则代表P值大于显著性水平,两个独立样本之间的差异没有显著性,若sig(双侧)值<0.05则代表P值大于显著性水平,两个独立样本之间的差异具有显著性。表5.11即为百度知道和知乎用户在各变量的T检验。

本次研究通过独立样本T检验来判断百度知道和知乎的用户通过贡献知识产生的物质奖励、声誉提升、互惠期望、利他愉悦、自我提升、社会交往、自我效能的感知以及回答数量和回答质量方面是否存在显著差异性。从表5.11可以看出,本次检验满足方差相等的情况,在方差相等的条件下,除了利他愉悦、自我提升以及社会交往外,各个变量的t统计量的相伴概率均大于显著性水平0.05,说明百度知道用户与知乎用户仅在利他愉悦、自我提升和社会交往感知中存在显著差异。通过表5.11的平均数比较可知,用户在知乎贡献知识所感知的利他愉悦和自我提升及社会交往的目的要高于百度知道。

表5.11 不同问答平台在各变量上的T检验

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈