如果两个变量之间存在相关关系，那么借助回归分析，可以通过运算实现根据一个变量的变化对另一个变量变化趋势的预测。为了对用户知识贡献的动机和回答策略之间的关系做进一步的研究和探讨，本书在上节相关分析的基础上，分别以用户知识贡献的5个动机为自变量，以用户知识贡献的各个回答策略作为因变量，进行一系列一元线性回归分析，探讨每一个用户知识贡献动机与回答策略之间的具体相关关系，研究用户知识贡献的动机越强，则越会在知识贡献的过程中采取哪些具体的回答策略。本书研究的线性相关关系其显著相关性水平均在.01水平上，即P<.01。此外，为了便于比较，将动机和策略之间较强的影响关系用灰色特殊显示，其回归系数大于.4，即β>0.4。根据Guilford(1978)^[6]的解释，β>0.4代表进行回归分析的自变量和因变量之间具有中度相关性，具有密切的关系。

(1)感知有趣性和回答策略

越是被感知有趣性驱动的用户，相比较小被感知有趣性驱动的用户，更多地会选择表6.6所示的回答策略，但是其中所有的关系都是低度相关(β<0.4)，具有明确且较小的关系。

表6.6　感知有趣性预测回答策略的回归系数

续表

(2)自我效能和回答策略

越是被自我效能驱使的用户，比较小被自我效能驱动的用户，更多地选择困难或有挑战的问题(β＝0.456)进行回答，在理解问题的含义时，更多地认为其对问题一直都非常理解(β＝0.459)，在搜集回答问题所需要的信息和知识时，更多地使用其自身的专业技能(β＝0.422)来组织和形成答案(见表6.7)。

表6.7　自我效能预测回答策略的回归系数

续表

(www.daowen.com)

(3)利他和回答策略

越是因帮助他人而回答问题的用户，比较小被利他驱动的用户，更多地选择其对问题领域非常有自信的问题(β＝0.464)进行回答，在理解问题的含义时，更多地会对和问题相关的热点问题进行跟踪和研究(β＝0.449)，在搜集回答问题所需要的信息和知识时，更多地使用其自身的知识(β＝0.469)、经验(β＝0.422)、专业技能(β＝0.550)以及从网络上搜索信息(β＝0.428)来组织和形成答案，在创建答案的时候，出于帮助人的目的更在乎其回答问题的态度是否对提问者有所影响(β＝0.455)(见表6.8)。

表6.8　利他预测回答策略的回归系数

(4)名誉和回答策略

越是被名誉因素驱使的用户，比较小被名誉驱动的用户，知识贡献过程中在搜集回答问题所需要的信息和知识时，更多地从网络上进行搜索(β＝0.402)以及搜索平台已经发布的内容(β＝0.406)来组织和形成答案，创建答案时更多地会重新利用其在问题平台已经产生的信息内容回答问题(β＝0.410)，在其答案发布以后，更多地在乎其他知识贡献者(β＝0.432)以及问答社区(β＝0.537)对其的评价(见表6.9)。

表6.9　名誉预测回答策略的回归系数

(5)互惠和回答策略

越是被互惠因素驱使的用户和比较小被互惠驱动的用户，知识贡献过程中在选择问题时，更多地选择最新发布的问题(β＝0.401)进行回答，进行信息搜索时更多地会搜索在问答平台已经发布的信息回答问题(β＝0.466)，在其答案发布以后，更多地在乎问答社区(β＝0.426)对其的评价(见表6.10)。

表6.10　互惠预测回答策略的回归系数