從瀏覽到回答: 注意力分配視角下問答社區流量轉化的組態研究

仇姝懿 馬 玲

(華東理工大學商學院,上海,200237)

1 引言

問答社區的興起激發了用戶以問題發布形式表達的知識需求。然而,由于用戶的注意力和精力有限且問題眾多,“光瀏覽不回答”的現象越發普遍,大量問題懸而未解,導致了“問題饑餓現象”[1]。換句話說,點進問題界面的用戶尚未產生知識貢獻的價值就離開了,這不利于社區內容的初始化和問題“冷啟動”的有效運營[2],同時也導致平臺流量的浪費。因此,探討如何吸引瀏覽者的注意力并促使瀏覽者參與回答,從而提升社區內從問題瀏覽向作答的流量轉化,具有重要現實意義。

用戶注意力是平臺必須獲得的稀缺資源[3],是吸引并有效轉化流量的關鍵因素。與廣告流量[3]、直播流量[4]等類似,問答社區中用戶對問題分配的注意力也能促進流量產生價值[5]。一方面,用戶瀏覽問題時會接觸到由問題本身、作答環境和他人行為釋放的多種信息線索,這些線索共同分配著瀏覽者的注意力而非獨立存在。另一方面,用戶瀏覽問題后的作答決策是由多信息線索協同作用的復雜決策過程。理解用戶如何對問題瀏覽過程中捕獲的信息線索進行注意力分配,并做出作答決策,對社區管理者至關重要。因此,本文基于注意力分配視角,采用模糊集定性比較分析(Fuzzy-set Qualitative Comparative Analysis,fsQCA)方法,探究實現從問題瀏覽到作答的流量轉化的前因條件。

綜上,本文研究問題為:在問答社區用戶注意力有限的情況下,怎樣組合配置瀏覽問題過程中的復雜信息線索,以刺激瀏覽者的注意力并激勵其作答,從而提升社區中從問題瀏覽到作答的流量轉化率。本文為吸引并留住用戶、實現流量轉化提供相關的影響條件組合,也為社區識別高價值問題、優化問答界面設計提供實踐指導。

2 文獻綜述與分析框架

2.1 問答社區的用戶知識貢獻

用戶知識貢獻是指用戶自發為他人貢獻知識的行為,包括提供專業知識、問題解決辦法或發展新理念等[6]。本文聚焦于狹義的知識貢獻,即知識供給者回答知識需求者提出的問題,也就是用戶的回答行為[7]。

當前,國內外學者主要從用戶的行為動機、個人特征、社交互動和社區環境與機制四個方面展開對社區用戶知識貢獻的研究。針對用戶的行為動機,相關文獻已發現興趣和享受[8]、自我效能[9-10]、利他主義[9]、社會學習[9, 11-12]等內在動機,以及徽章[13]、金錢獎勵[14]、聲譽[15-17]、社會聯系[18]等外在動機對用戶的知識貢獻具有顯著作用。針對用戶的個人特征,相關文獻證實了社會地位[11]、社區級別[19]和個人身份披露[11, 19]等特征對用戶知識貢獻行為的重要影響。針對用戶的社交互動,相關文獻發現了社交嵌入[20]、關注關系網絡[18]、同伴效應[12, 20]等影響了用戶在社區內的貢獻行為。針對社區環境與機制,相關文獻表明,知識傳播環境[18]、社區個性化推薦機制[10]、社區徽章認可機制[21]、社區價值共創機制[19, 21]等是影響用戶知識貢獻的重要環境或機制因素。

由文獻梳理可知,以往知識貢獻相關研究多側重于用戶的回答動機、社交互動與社區機制的影響等方面,鮮少有研究從用戶認知層面的注意力分配視角切入,探討外界信息線索組合如何影響用戶的作答決策,從而促進問答社區內從瀏覽問題向作答轉化的研究更是少數,尚待補充。

2.2 流量轉化

流量(traffic)是基于搜索引擎、推薦策略或廣告投放而吸引進來的點擊數量、瀏覽數量、訪客數量等。流量轉化(traffic con-version)是吸引潛在用戶行為轉化,使其真正實現價值的過程[3]。

現有文獻主要從吸引流量的來源特征、促成流量轉化的用戶認知及平臺機制三方面探討了流量轉化的影響因素。例如,在吸引流量的來源特征方面,Huang等[3]、Xu等[22]和Li等[23]分別探討了廣告市場中廣告自身語言風格特征和展示類型特征對流量轉化的影響。在促成流量轉化的用戶認知方面,Li等[24]探討了用戶認知對競爭系統間訪問流量轉化的影響。在促成流量轉化的平臺機制方面,Huang等[25]、Sun等[26]和Li等[23]分別探討了電商平臺口碑機制、零售平臺實時聊天機制和營銷平臺推薦機制對流量轉化的作用機理。從研究場景來看,目前流量轉化的相關研究主要集中于在線廣告市場[3,22-23]、電商零售運營[4,25-26]、應用軟件系統[27]等場景,且主要關注從點擊用戶到購買用戶的流量轉化。而對于問答社區而言,促進流量的有效轉化至關重要,但該場景中涉及流量轉化的研究十分有限,僅有的研究探討了從知識尋求到知識貢獻[28]、從瀏覽到反饋贊同[29]、從醫生界面瀏覽到咨詢[30]以及從免費到付費[17]的流量轉化。

由文獻梳理可知,現有研究多關注單因素對流量轉化的凈效應[25],且多運用隨機實驗、機器學習和計量模型等方法,很少考慮到多因素的組合影響機制。少有的綜合多因素對流量轉化影響的研究,僅探究了每個因素或渠道對流量轉化率的各自歸因和貢獻率[23],并未真正探討多因素組合如何協同促成流量轉化。另一方面,用戶注意力是促進流量轉化的重要稀缺資源[3, 29],也是促進流量轉化漏斗的第一步[31],但鮮有研究從注意力分配視角進一步探究促進流量轉化的組態效應。

2.3 理論視角:選擇性注意理論

個體注意力通常受內部認知、外部環境或他人行為刺激[32]。選擇性注意理論(selective attention theory)將個體注意力分為內源性注意(endogenous attention)與外源性注意(exogenous attention)[33]。其中,內源性注意由焦點目標驅動,是個體自上而下基于主觀努力的自愿注意;外源性注意是由外部現象或環境中的信息線索引發的自下而上的注意[4]。目前,現有研究探討了電商直播[4]、應用程序市場[34]和文本閱讀[35]等場景中的注意力分配,但問答社區場景中用戶的注意力機制還未被充分探索。

問答社區中,能否實現從問題瀏覽到作答的流量轉化,主要取決于用戶的作答決策。線索一致性理論(cue consistency theory)認為,用戶同時接觸的大量信息線索對其注意力的影響并非獨立存在,而是相互協同地影響用戶決策[36],這也為本文采用fsQCA探究多種信息線索對流量轉化的多要素并發機制提供了理論支撐。

2.4 分析框架

由文獻梳理可得:①目前“流量轉化”的概念被廣泛應用于電商運營策略研究,而“流量轉化”對問答社區的問題“冷啟動”同樣關鍵。②已有研究多采用計量回歸等統計分析探究促進流量轉化的凈效應,忽視了其中的復雜因果關系,因此亟待從組合的角度分析如何促進流量轉化。③選擇性注意理論呼應了用戶在瀏覽問題時的注意力分配;線索一致性理論從理論層面為本文采用fsQCA方法提供了支撐。綜上,本文基于選擇性注意理論和線索一致性理論,從注意力分配視角切入,區分了刺激用戶內源性注意(與焦點目標直接相關)和外源性注意(由外部現象及環境特征等引發)[5,37]的信息線索,構建如圖1所示的理論模型。

圖1 理論模型

2.4.1 刺激內源性注意的線索

內源性注意由焦點目標驅動,主要強調用戶認知信息的重要性和用戶的目的性[34]。例如,電商直播間觀眾的目標是購買心儀的商品,因此主播推薦的商品是刺激觀眾內源性注意的主要信息線索[4]。閱讀時理解文字的語義內容是讀者的目標,因此文本中的字母位置是刺激讀者內源性注意的線索之一[35]。

類似地,用戶瀏覽問題時的目標是對問題信息進行認知以評估其價值,從而決定是否作答。雙重編碼理論指出言語編碼和非言語編碼是人們認知系統的兩個重要部分,言語編碼對應于文字、文本信息的認知,非言語編碼對應于視覺圖像等信息的認知[38]。問題瀏覽者會同時處理問題的文本信息和非文本信息,以分別形成對問題的可讀性和可觀性的認知。因此,本文將問題可讀性和問題可觀性納入刺激用戶內源性注意的信息線索。

2.4.2 刺激外源性注意的線索

人們對焦點目標的注意力在一定程度上會受到外部環境和他人行為的影響,因此刺激外源性注意的線索通常為外部現象及環境特征[34,39]。例如,現有研究將直播間售賣商品時底部彈幕體現的互動環境[4]、應用程序在其生態系統中的流行度[34]等作為與外源性注意相關的信息線索。如圖2所示,本研究場景中,問題、答案和社區用戶構成了知乎問答界面的三個信息要素主體。對瀏覽者而言,問題是其關注的焦點目標;現有答案是其作答環境的信息要素之一[11,40];社區用戶包括其他瀏覽者和現有回答者,其行為對于瀏覽者而言屬于他人行為。Havakhor等[41]指出個人作為主體,能與環境及其他主體進行互動,并根據接收到的信息改變行為。因此,環境和他人行為作為信息線索會影響個人認知與行為[11,18],也是除焦點問題以外的主要外部現象與外生力量[34],同時在一定程度上影響著用戶對焦點問題的認知與評價。本文將作答競爭、社會關注和社會影響納入刺激外源性注意的信息線索,并認為它們會與刺激內源性注意的信息線索聯動,對最終實現從問題瀏覽到回答的流量轉化發揮綜合作用。具體而言:

圖2 問答社區場景下刺激瀏覽者注意力的信息線索

(1)作答競爭。Peng等[40]和Shi等[11]的研究證實了問題的現有回答情況反映了當前的作答環境。作答競爭是一種環境線索[42],體現了作答環境的擁擠度[11],代表用戶回答問題需承擔的競爭壓力。已有學者關注到了同一問題的答案間存在著競爭[11],強烈的競爭環境會使用戶產生風險厭惡心理[43],進而影響用戶決策。因此,作答競爭是一種反映環境特征的外源性信息線索[42]。

(2)社會關注。社會關注是他人行為的表現之一,主要來源于社區其他瀏覽用戶的關注行為,并向瀏覽者反饋該問題是否受到其他瀏覽用戶歡迎。他人的關注行為是體現問題價值的標準之一,會影響瀏覽者對問題內容本身的認知情況[29, 44]?，F有研究將社會關注納入刺激外源性注意的線索中,并證實了它在用戶注意力分配中發揮的重要作用[34]。

(3)社會影響。社會影響是他人行為的另一方面表現,它是指個體感知到的對其有重要影響的人(例如高聲譽者)對自己的態度和決策的影響[45],因此社會影響主要來源于問題現有高聲譽回答者的作答行為。當問題現有回答者的聲譽普遍較高時,瀏覽者更容易受到他們的社會影響,傾向于跟隨他們也去回答該問題[46-47]。相比于關注行為,作答行為需付出更多的認知精力,因而問題現有高聲譽回答者的作答行為能更明確可靠地向瀏覽者反饋問題的價值。已有研究證實了社會影響作為刺激外源性注意的信息線索在電商直播場景中的作用[4],其對在線社區的作用同樣不容忽視[48]。

3 研究方法與數據

3.1 研究工具

本文采用模糊集定性比較分析開展研究。該方法屬于定性比較分析方法(Qualitative Comparative Analysis, QCA),結合了基于案例的定性分析與面向變量的定量分析[49],主張因果結構具有復雜性和非對稱性,并強調結果發生與否是基于一系列相關條件的綜合影響作用。QCA方法包含清晰集定性比較分析(Crisp-set Qualitative Comparative Analysis, csQCA)、多值集定性比較分析(Multi-value Qualitative Comparative Analysis, mvQCA)以及模糊集定性比較分析(fsQCA),其中fsQCA適用于分析不同大小樣本的連續性變量[37]。

本研究選擇fsQCA的原因為:①能否實現從問題瀏覽到回答的流量轉化是由復雜信息線索決定的,相比傳統統計方法關注單一因素的凈效應,fsQCA能較好地處理多因素組合對結果的影響,適用于本研究問題;②fsQCA能較好地處理因果非對稱關系。因果非對稱關系是指因果條件的存在或不存在不會隱含地導致結果的發生與不發生[50],即導致結果存在的原因可能與導致結果不存在的原因截然不同[51-52]。例如,Wu等[52]指出高職業地位可能經常出現在解釋高收入結果的組態中,但低職業地位也許和解釋非高收入結果的組態無關;杜運周等[53]指出有核心能力可以獲得競爭優勢,但沒有核心能力(如通過非市場戰略)也能獲得競爭優勢,這些均代表了因果非對稱關系。而傳統相關理論化中,因果關系是對稱的,即“高職業地位會導致高收入,反之低職業地位會導致低收入”“有核心能力能獲得競爭優勢,沒有核心能力就無法獲得競爭優勢”。而在本研究中,流量轉化率的影響因素可能存在差異且并非完全因果對稱,適合采用fsQCA分析;③本研究采用超過100案例數的大樣本數據,且條件變量包含連續型變量,而fsQCA正適用于處理大樣本連續型變量[49, 54-55]。

3.2 數據來源

本研究數據來自國內知名問答社區“知乎”的免費問答板塊,以每條問題作為研究的維度,基于每條問題的瀏覽數、回答數等信息來探究從瀏覽到回答的轉化。利用Python爬蟲獲取知乎在2021年2月同一時間節點新增的2224條問題,以滿足問題案例在發布時間上的一致性。以這些問題為種子,時隔兩個月追蹤包括其話題、具體內容、提問者、回答者和對應回答等相關信息,剔除在觀察期內被刪除和更改的問題、缺失值以及異常數據,最終得到知乎的2085條問題樣本作為后續組態研究的2085個案例。

3.3 變量定義與校準

3.3.1 變量定義

本文結合選擇性注意理論和線索一致性理論對條件變量進行定義,具體描述如表1所示。

表1 各指標變量說明

(1)刺激內源性注意的信息線索

本文將問題可讀性和問題可觀性作為刺激內源性注意的信息線索。對于問題可讀性,考慮到中文情境,本文參考齊托托等[56]的測量方式,用問題標題平均每句長度來進行測量,即標題總字數與句子結尾的標點符號總數的比值;平均每個句子越長,可讀性越低,因此問題可讀性是一個負向指標。對于問題可觀性,本文采用問題所含圖片和視頻數來進行測量。

(2)刺激外源性注意的信息線索

本文將問題現有回答的作答競爭、其他瀏覽者的社會關注、現有回答者的社會影響作為刺激外源性注意的信息線索。①作答競爭可以由問題現有回答被認可程度體現[11,57]。當某問題現有回答普遍受到了較高的認可,則之后回答該問題并獲得同樣程度的認可往往需要更高的要求和難度,這代表該問題現有回答已存在較為激烈的競爭。因此,本文用問題現有回答的平均獲贊數來衡量作答競爭[11]。②社會關注反映了問題的受歡迎度,通?？梢杂脝栴}受到的關注數衡量[11]。③瀏覽者傾向于觀察、模仿高聲譽領先型用戶群體的行為[58],希望通過回答來獲得聲譽和影響力?，F有研究常以用戶獲贊數衡量用戶聲譽[15,59],當問題現有回答者的整體聲譽普遍較高時,用戶更容易受到他們的社會影響從而模仿他們的行為并作答。因此,本文用問題現有回答者的平均獲贊數來衡量社會影響[47]。

(3)結果變量

本文的結果變量為從瀏覽到回答的流量轉化率,即每條問題收到的回答數與問題被瀏覽數的比值。

3.3.2 變量描述性統計與校準

采用fsQCA需要將變量校準為0到1的模糊集,取值為1表示完全隸屬,取值為0表示完全非隸屬。數據校準時通常設置三個閾值,分別表示完全隸屬、交叉點以及完全非隸屬[60]。理想的閾值確定需有理論和實際支撐,但現實研究中多數變量缺乏理論依據支撐,此時往往以原始數據的分布特征為校準依據。當數據集中的變量呈現非正態分布時,廣泛應用分位數、均值等作為校準錨點[54-55]。

表2給出了變量描述性統計和校準的結果。由表2可知,多數變量的均值與標準差有較大差異,呈現非正態分布,且未能在理論上直接找到可參考的校準點。因此采用95%分位數、中位數和5%分位數作為完全隸屬、交叉點和完全不隸屬的閾值[61],并結合實際經驗和變量分布特征,采用均值對問題可觀性(M)、作答競爭(C)的交叉點進行校準。此外,由于問題可讀性(L)是一個負向指標,因此需對其進行反向校準。從結果變量(CR)的均值來看,每條問題下從瀏覽到作答的流量轉化率普遍較低,因此探索高流量轉化率問題的組態結果存在必要性。

表2 變量描述性統計與校準結果(案例數=2085)

4 數據分析與實證結果

4.1 必要條件分析

在分析組態效應前,需要對各條件變量進行必要性分析。必要性分析是確認某條件變量是否構成了結果實現的必要條件,通常用一致性判斷。一般認為,確定為必要條件的一致性最低閾值為0.9[62]。必要條件分析結果如表3所示。

表3 必要條件分析結果

由表3可知,高流量轉化率組～M和～C和非高流量轉化率組～M條件變量的一致性超過了0.9,因此上述變量有可能構成必要條件。為分析它們是否為無關緊要的必要條件,還需要:根據覆蓋度進行充分性分析[63]。由于必要條件的覆蓋度通常較高[64],而上述三個條件變量的覆蓋度均處于較低水平,部分甚至低于0.5,表明必要條件的解釋力較低。因此盡管它們的一致性超過0.9,但依然無法構成必要條件[65],即上述條件變量均為無關緊要的必要條件。

然而,Schneider等[62]和里豪克斯等[66]認為,刪除必要條件會使研究框架不完整且脫離實踐,同時表3中大部分條件變量的一致性低于0.9,說明影響流量轉化的因素仍具有復雜性,需要條件變量的共同作用。因此,本文在組態分析中不刪除必要條件,即綜合考量上述五種條件變量的協同效應。

4.2 條件組態分析

在變量校準和必要條件分析之后,采用fsQCA 3.0軟件進行條件組態分析,此時通常會得到三種解:復雜解(complex solution)、中間解(intermediate solution)和簡約解(parsimonious solution)。復雜解是不經過反事實分析的結果,中間解是經過簡單反事實分析的結果,簡約解是經過復雜反事實分析和簡單反事實分析的結果[66]。通常根據中間解匯報相應條件,根據簡約解判定是核心條件還是輔助條件。其中核心條件是能夠對結果產生重要影響的條件,輔助條件是對結果具有輔助貢獻的條件[64]。頻數閾值根據樣本規模而定,本文案例采用大樣本(N=2085),因此將案例頻數的閾值設置為4[67]。原始一致性閾值應不低于0.75[68],本文根據主流做法,將原始一致性的閾值設置為0.8,分別依據高流量轉化率問題和非高流量轉化率問題的真值表進行組態分析,并參照Fiss[51]提出的組態結果呈現形式來描述各條件變量在組態中的核心程度和替代關系。

組態效應分析結果如表4所示,從中可知在高流量轉化率和非高流量轉化率的組態結果中,一致性得分均高于0.8,且總體解的一致性都高于可接受閾值0.75[62],證實了得到的組態對結果產生的充分性。解的覆蓋度表示組態在多大程度上解釋了案例樣本,類似于回歸分析中的R2,一般不存在閾值要求。表4的組態結果能解釋一半以上的總樣本,具有較強的解釋力。

表4 組態效應分析結果

就高流量轉化率的三種組態而言,低作答競爭是三個組態的共同核心條件,表明瀏覽問題時用戶感知的作答競爭程度是影響其從瀏覽者向回答者轉化的關鍵外源性線索。當瀏覽者注意到回答問題需面對很高的內容競爭風險,例如得不到作答回報(如他人的點贊),或者自己的回答無人問津,會產生強烈的損失規避心理,以及“失大于得”的感覺。高社會影響是Y2和Y3的共同核心條件。當瀏覽者注意到某問題受到了越多高聲譽用戶的回答時,他們越會受到社會影響的作用,認為該問題是高質量和高價值的,并追隨高聲譽用戶也去回答該問題,因此更愿意轉化為回答者[69]。其中:①Y1表明,無論問題可讀性和社會影響如何,即便問題可觀性較低,低作答競爭和高社會關注也能促進高流量轉化。②Y2表明,無論問題可觀性和社會關注如何,高問題可讀性、低作答競爭和高社會影響也能促進高流量轉化。③Y3表明,無論問題可讀性和可觀性如何,低作答競爭、較高的社會關注和高社會影響也能促進高流量轉化。

就非高流量轉化率的三種組態而言,其中:①N1表明,無論問題可讀性和可觀性如何,即便作答競爭較低,低社會關注和低社會影響會難以實現高流量轉化。N1的原始覆蓋度較高,揭示了多數問題難以實現高流量轉化的路徑,即多數情況下,受外部環境和他人行為影響,當瀏覽者感知到較高的作答風險時,他們就不愿意轉化為回答者。②N2表明,無論社會關注如何,即便社會影響很高,較低的問題可讀性、低問題可觀性和高作答競爭也會影響流量轉化。③N3表明,無論問題可讀性如何,即便問題有較高的社會關注和高社會影響,低問題可觀性和高作答競爭也難以實現高流量轉化。N2和N3的核心條件均為低問題可觀性、高作答競爭和高社會影響,說明當問題可觀性是影響瀏覽者信息認知的重要因素時,即使高社會影響刺激了瀏覽者的外源性注意,促使他們感知到較高的作答收益,但仍難以彌補高作答競爭所帶來的心理阻力,致使流量轉化率較低。

由于fsQCA對案例的敏感度較高,且內容主題會影響知識的結構化程度,而知識的結構化程度已被證實會影響內容傳播的效果[18],繼而影響用戶參與[70]。因此,本文從2085個案例中篩選出150個與電影、電視劇、綜藝和飯圈相關的娛樂類問題,以及293個與學術咨詢、論文研討、考研咨詢相關的科研類問題,進一步分析不同主題的問題在實現高流量轉化的組態路徑上是否存在差異(見表5)。娛樂類問題屬于結構化程度較低且主觀性、互動性較強的問題,科研類問題屬于結構化程度較高且客觀性、專業性較強的問題,這兩類問題能較好地區分知識的結構化程度。

表5 娛樂類問題和科研類問題實現高流量轉化率的組態結果

就娛樂類問題實現高流量轉化的三種組態而言,①E1表明,無論問題可讀性和社會影響如何,即便問題可觀性較低,低作答競爭和高社會關注也能促進此類問題的高流量轉化。②E2表明,無論問題可觀性和作答競爭如何,高問題可讀性、高社會關注和社會影響就能促進此類問題的高流量轉化。③E3表明,即便社會關注和社會影響較低,高問題可讀性和可觀性、較低的作答競爭也能促進此類問題的高流量轉化。就科研類問題實現高流量轉化的兩種組態而言,①S1表明,無論問題可讀性如何,即便問題可觀性和社會關注較低,低作答競爭和高社會影響可以促進此類問題的高流量轉化。②S2表明,無論社會關注如何,即便問題可觀性較低,高問題可讀性、低作答競爭和高社會影響也會促進此類問題的高流量轉化。

對比組態結果可知,①對于越可讀或可觀的問題,瀏覽者越會認為其有進一步作答的價值。E3和S2表明在問題可讀的情況下,問題可觀是娛樂類問題實現高流量轉化的重要條件,但并非科研類問題實現高流量轉化的重要條件。即娛樂類問題瀏覽者會關注是否穿插豐富的圖片和視頻,而科研類問題瀏覽者更關注問題是否清晰可讀易懂。②高社會關注通常是娛樂類問題被廣泛討論的重要條件,但不是科研類問題的核心條件。對科研類問題而言,回答者需具備較強的專業知識能力并提供標準化回答。高專業知識水平的用戶通常更關注問題的專業對口程度,依據自身經驗來感知問題價值[71],相對較少關注問題的社會關注。③娛樂類問題更多反映了大眾在日常生活中津津樂道的事件,用戶無需掌握過多的結構化專業知識即可參與作答,這使得更多的低專業知識水平用戶加入作答行列,更加自由地發表觀點,這也降低了用戶對聲譽損失等作答風險的敏感度和競爭規避心理,因此E2和E3中的作答競爭為無關緊要的條件或輔助條件。相比之下,回答科研類問題的難度和門檻更高,答案更容易有比較和參差,導致作為理性人的用戶更強烈地厭惡風險,分配更多外源性注意給作答競爭。若回答科研類問題未得到較高的贊同,在一定程度上會被視為對回答者專業知識能力的否定[16]。為避免聲譽受損的風險,用戶會傾向于更安全的選擇,因此S1和S2中的作答競爭均為核心條件。④瀏覽者更傾向于觀察學習科研類問題下高聲譽專業用戶的回答,使自己獲得更高的影響力,因此高社會影響是核心條件。

4.3 穩健性檢驗

定性比較分析研究中常用的穩健性檢驗方法包括調整校準閾值、改變案例頻數、改變一致性門檻值和補充或剔除案例等[64]。本文通過調整校準閾值的方法進行穩健性檢驗,將95%分位數替換為90%分位數,將5%分位數替換為10%分位數,作為對應的閾值(交叉點閾值保持不變)。調整后的結果如表6和表7所示,得到的組態路徑與上文一致,結果穩健。

表6 組態效應分析穩健性檢驗結果

表7 娛樂類問題和科研類問題實現高流量轉化率的組態結果(調整校準閾值)

4.4 回歸模型分析

由于樣本數量較多(N=2085),本文進一步采用最小二乘法回歸進行定量分析,結果如表8所示。

表8 回歸結果

由表8可知:①由于問題可讀性是負向指標,因此系數負向顯著(β=-0.067,p<0.01)代表問題可讀性越高,流量轉化率越高;問題可觀性的系數不顯著(β=-0.019,p>0.1)。這與采用fsQCA得到的組態特征基本一致,即在刺激內源性注意的信息線索中,問題可讀性是促進流量轉化的核心條件,問題可觀性則是無關緊要的條件或輔助條件。②作答競爭的系數負向顯著(β=-0.272,p<0.01),表明高作答競爭抑制了流量轉化;社會關注的系數正向顯著(β=0.190,p<0.01)且社會影響的系數正向顯著(β=0.128,p<0.01),表明高社會關注和社會影響均促進了流量轉化。這與實現高流量轉化率問題的組態結果基本一致(Y1至Y3),即低作答競爭、高社會關注、高社會影響為促進流量轉化的核心條件。

綜上,本文在fsQCA基礎上對2085條問題樣本應用回歸模型進行了定量分析補充,結果能進一步解釋實現高流量轉化率問題的組態特征,也驗證了基于fsQCA得到的組態路徑是可靠的。

5 結論與展望

本文基于注意力分配視角,采用fsQCA對問答社區的流量轉化進行組態研究,結論表明:①問答社區流量轉化的前因具有復雜性,導致流量轉化率高低的信息線索組合并非完全因果對稱。②在問答社區用戶注意力有限的情況下,低作答競爭-高社會關注的高可讀性問題與低作答競爭-強社會影響的高可讀性問題,更能刺激瀏覽者的注意力并激勵其作答,實現從問題瀏覽到作答的高流量轉化率。③知識結構化程度不同的問題實現流量轉化的信息線索組合存在差異。

本文管理啟示為:①問題越可讀易懂,越能加強瀏覽者對問題信息的認知,瀏覽者越能達到評估問題價值的目標。因此平臺可提示用戶避免在提問時使用許多長句,同時視情況適當加入圖片或視頻以使問題更可觀。②利用瀏覽者的風險規避心態,在問題已有回答普遍為低贊狀態時間,設置如“現在回答此問題有可能收獲寶貴的點贊”等提示(尤其對高結構化、強專業性的問題);優化問題推薦策略,將低難度低競爭的高可讀性問題優先推薦給專業水平相對較低的用戶,并在問答界面提示類似問題的優質回答作為參考,以促進從瀏覽到回答的流量轉化。③采用差異化社會關注顯示策略(尤其對低結構化強主觀性的問題),針對高社會關注的問題,加粗顯示其關注度以刺激瀏覽者的注意力;針對低社會關注的問題,模糊顯示關注度等級,或采用不顯示策略以避免瀏覽者注意。④利用社會影響的信息線索和瀏覽者的社會學習行為,設計提示框提醒瀏覽者“某些用戶是優秀回答者,他們也回答了這個問題”,以刺激他們的外源性注意;加強邀請問題特定領域內的高聲譽專業用戶回答的頻率(尤其對高結構化、強專業性的問題)。

本文理論貢獻為:①以往研究多運用統計分析探究用戶作答動機和意愿的影響因素凈效應。本文把從瀏覽到回答的轉化視為由問答界面信息線索協同作用的多要素并發過程,采用fsQCA探究了問答社區實現流量轉化的條件組態,有助于社區通過優化問答界面設計、改善信息線索組合配置的實踐來緩解用戶“光瀏覽不回答”的現象。②將行為認知領域的選擇性注意理論[11,43]應用于解釋問答社區內用戶瀏覽問題的注意力分配,揭示了從瀏覽到回答的轉化機制。③引入電商營銷領域的流量轉化概念[22,72-73]以刻畫從瀏覽到回答的過程,從而解釋問答社區內知識分享的有效達成。

本文局限性和展望在于:①本研究對象為綜合型問答社區,未來可進一步探究在線健康社區等垂直細分型問答社區的流量轉化。②由于平臺可獲取數據的局限性,本研究聚焦于從問題瀏覽到作答的流量轉化,并以此間接探究用戶從瀏覽者到回答者的轉化,為了更加有效地優化平臺管理措施,提升用戶服務的個性化,未來可輔以問卷調查、訪談或實驗等方法直接探究從瀏覽者向回答者的用戶轉化。