在線知識社群中的意見領袖識別模型研究

童莉莉 李榮祿 閆強

摘要：在線知識社群是近年興起的虛擬學習組織，意見領袖對社群的活躍度、持續(xù)性都有著重要影響。該文進一步考慮意見領袖的自身傳播屬性和社交媒體環(huán)境下的分享行為，構建了用戶影響力算法，在此基礎上提出了在線知識社群意見領袖識別模型。采用用戶影響力算法中的影響力特征值作為聚類向量，基于K-means聚類算法進行聚類，獲得各個聚類子類的影響力均值，提取理論意義上的意見領袖。最后通過在線知識社群實證研究，驗證理論模型的科學性。用戶的自傳播屬性和受激屬性對于識別出意見領袖有著較好的先導作用，所得到的意見領袖群體有一定的代表性，進一步根據分析結果提出研究優(yōu)化方向和相應管理建議。

關鍵詞：意見領袖識別;在線知識社群;影響力;聚類算法

中圖分類號：G434 文獻標識碼：A

一、引言

互聯(lián)網、云計算、大數(shù)據等技術的發(fā)展，使教育信息化的形式不斷推陳出新：網絡課程、翻轉課堂、MOOCs、遠程教學、微課、直播課程等相繼產生，在線知識社群已經成為有共同內容偏好的學習者聚集在一起建構知識、交流情感的有效學習環(huán)境。與此同時，在線學習的效果還有待推進，以MOOCs為例，研究表明完成全過程的學習者比例僅為3%到15%。剖析在線知識社群成員的行為軌跡不難發(fā)現(xiàn)，其獲取知識的途徑一般集中表現(xiàn)為個人認知、相互分享、指導者引領等方式。有學者發(fā)現(xiàn)，意見領袖往往能通過在線交流形成的直接或間接的社會關系，對其他用戶造成波及效用。國內對于意見領袖的識別研究目前集中在論壇、微博等方面，而對在線知識社群中意見領袖的有效識別還有較廣闊的研究空間。

本文基于作者在網絡環(huán)境教學中的經驗，從社會網絡信息傳播的角度，探索在線知識社群中的意見領袖識別方法，并就意見領袖對于在線知識社群的活躍度、知識傳播效率和社群生命周期的影響做實證研究。

二、意見領袖識別模型研究與影響力算法綜述

（一）意見領袖識別模型

意見領袖作為在線知識社群中“信息的加工和擴散者”“學習的監(jiān)督與指導者”，對于在線知識的傳播具有重要的促進作用，能夠提升傳播范圍、傳播速度和傳播深度。例如盧瀟以“學習科學與技術”教育虛擬社群為例，通過發(fā)帖類型、發(fā)帖量、瀏覽量、發(fā)帖內容等行為或內容數(shù)據篩選出意見領袖，進一步發(fā)現(xiàn)意見領袖能增強成員的元認知能力，激發(fā)成員的思考。

目前對于在線知識社群意見領袖識別的相關研究以復雜網絡的角度為主流，基于S3模型、基于社會網絡分析法、基于聚類算法、基于用戶影響力算法等識別方法構成了當前的主要成果。顏榴紅等著眼于學習共同體的意見領袖識別，將評分數(shù)據納入意見領袖識別的關鍵環(huán)節(jié)——影響力分析，提出了一種滿足S3（社交性、擴展性和安全性）計算需求的協(xié)議模型;朱志國等先從用戶網絡中心性與用戶自身活躍度兩方面入手，選擇7項測度指標——“度中心度”“接近中心度”“中介中心度”“特征向量中心度”“發(fā)帖量”“發(fā)出評論量”和“經驗值”，提出了綜合意見領袖測度模型;王玨等提出了7個網絡意見領袖的特征值，并運用聚類算法篩選出意見領袖群體（如圖1所示）;吳渝等根據論壇帖子數(shù)據中提取的用戶屬性特征（用戶的活躍度和用戶的被關注度）形成影響值初步模型，再運用UI-LR算法計算用戶最終的影響值，進而得到意見領袖（如圖2所示）;羅凌基于PageRank算法設計了基于學習者影響力的識別方法，可以更有效地識別出影響力較大的學習者作為意見領袖（如圖3所示）。

（二）影響力算法

信息科學領域的學者們主要從拓撲結構、行為特征、內容特征這3個維度來度量影響力：一是給定社會網絡結構數(shù)據，由用戶之間的社會關系可以推測出影響力模式及其強弱;二是給定用戶行為數(shù)據，由用戶行為發(fā)生的時間先后次序推測出其影響力模式及其強弱;三是根據用戶的信息內容特征如話題因素、用戶觀點等推測其影響力模式及強弱。

韓忠明等基于節(jié)點與鄰居節(jié)點之間的三角結構提出了一種有效的節(jié)點影響力度量指標模型，該模型不僅考慮節(jié)點間的三角結構，同時考慮了周邊鄰居節(jié)點的規(guī)模。

吳渝等根據用戶在網絡論壇中的行為，提取用戶屬性特征值，進一步提出了網絡論壇用戶影響值模型（如圖4所示），影響值計算公式如下：

郭宇等從情感分析和用戶影響力入手，構建了基于情感分析的用戶影響力模型，其中情感分析是從用戶的評論信息內容提取情感信息。

（三）小結

在影響力算法設計上，本文借鑒吳渝和羅凌兩位學者的用戶影響力模型，其中吳渝對于用戶影響力衡量指標采用的是活躍度和被關注度，活躍度主要指發(fā)帖數(shù)和回復數(shù)，被關注度主要指被回復數(shù)和被瀏覽數(shù);羅凌對于用戶影響力指標主要采用了用戶在論壇、在線聊天和電子郵件這三方面的行為指標。在意見領袖識別模型設計上，本文借鑒羅凌、吳渝和王玨論文中的思路，綜合考慮基于用戶影響力的意見領袖識別方法和基于聚類的意見領袖識別方法。

綜合對比以上在線知識傳播環(huán)境下的用戶影響力評價指標，本文將在借鑒前人成果的基礎之上，在以下方面做持續(xù)改進：（1）增加考慮用戶自身傳播屬性所帶來的影響力;（2）增加考慮用戶的一些自主行為帶來的影響力，比如在線學習時長、作業(yè)完成情況等;（3）在網絡環(huán)境下，用戶分享所帶來的潛在影響力不容忽視，本文還將兼顧考慮現(xiàn)今朋友圈、微博等傳播的力量，融入新的分享意圖類因素。

三、在線知識社群中的意見領袖識別實證研究

（一）基于影響力算法的意見領袖識別模型設計

基于影響力算法的意見領袖識別模型主要借鑒了前人基于社會網絡分析、聚類算法的分析理念。采用在線知識社群用戶影響力模型中的特征值，基于K-means的聚類算法，提出基于影響力算法的意見領袖識別模型（如圖6所示）。

1.用戶影響力模型構建

本文在對學習者的自身屬性和在線學習行為分析的基礎上，把用戶影響力分為用戶自身影響力和用戶行為影響力，進一步設計了用戶影響力初步模型（如圖7所示）。

（1）用戶自身影響力：由用戶自身屬性所形成影響力

節(jié)點自傳播屬性：節(jié)點在不受激勵情況下，傳播信息時的意愿值;

節(jié)點受激傳播屬性：節(jié)點在受到激勵時，傳播信息時的意愿值;

節(jié)點受激接收屬性：節(jié)點在受到激勵時，接收信息時的意愿值。

（2）用戶行為影響力：用戶在線學習行為所產生的影響力

根據用戶行為是否由合作產生，將行為影響力分為自主行為影響力和協(xié)作行為影響力。

自主行為影響力：主要指在線學習時長、作業(yè)成績、考試成績;

在線學習時長：線上登陸學習的時間，來衡量日常的學習態(tài)度;

作業(yè)成績：平時的作業(yè)成績，來衡量日常學習表現(xiàn);

考試成績：期末作業(yè)考核成績，來衡量知識獲取、分析、整合和應用的能力;

以上三者能很好的衡量在線自主學習行為所產生的影響力。

協(xié)作行為影響力：主要指在線互動次數(shù)、在線留言次數(shù)和在線分享次數(shù);

在線互動次數(shù)：在線學習課程中和老師或學生互動的次數(shù);

在線留言次數(shù)：在在線課程論壇留言的次數(shù);

在線分享次數(shù)：在朋友圈或微博等網絡媒介上推薦在線課程的意愿值。

（3）用戶影響值的計算

根據用戶影響力模型，可得用戶影響力值Influence計算公式如下：

2.基于K-means的聚類算法

聚類算法分為劃分法、層次法、基于密度的方法、基于網格的方法、基于模型的方法（如SOM、EM、COBWEB）、模糊聚類方法等。本文采用劃分法中的K-means算法，其基本思路和步驟如下：（1）隨機或按某種策略從n個對象中選擇k個對象作為初始的類中心（Centriod，Mean Point）;（2）計算每個對象與這k個類中心的距離;（3）將每個對象劃分/分配到與其距離最近的類中心所在的類中;（4）回到第2步，直到和前一次劃分，分配結果無差異，停止。

3.在線知識社群意見領袖的選擇

意見領袖應該是活躍于在線知識社群中具有較大影響力的中心人物，一般來說他們是一個很小的群體，那么這個群體的用戶影響值的均值都比較大。為了篩選出意見領袖，得到各個聚類子類后，將成員數(shù)量較少的子類作為潛在的意見領袖群體，進一步計算出各個子類的影響值均值，影響值均值大的群體為意見領袖群體。

（二）實證研究

1.數(shù)據采集

本文從作者所教授的《電子商務》課程中隨機抽取200人進行問卷調查，該課程為高校在線課程中參與人數(shù)較多的網課之一，具有較好的數(shù)據抽樣基礎。

2.數(shù)據分析

本文先對在線知識社群成員的自身屬性和在線行為作描述性統(tǒng)計，得出初步的分析結論;接下來采用聚類分析的方法對在線知識社群的學員進行分類，試圖從聚類的結果中找出意見領袖群體。

（1）描述性統(tǒng)計

為了解在線知識社群成員的自身屬性和行為屬性的特點以及在線知識社群活躍度對社群成員的影響，我們研究了學習者的自傳播屬性、自身受激屬性（受激傳播屬性和受激接受屬性）、自主行為屬性（在線學習時間、作業(yè)成績、期末考試成績）、協(xié)作行為屬性（互動次數(shù)、留言次數(shù)、主動推薦課程意愿）、社群成員活躍度對社群的影響等，具體結果如表1所示。

通過初步的描述統(tǒng)計分析，可以看到這一在線知識社群成員的典型特征：

從自身屬性來看，自身傳播信息能力較弱（一個月左右更新社交平臺朋友圈的占48.72%），自身受激傳播信息的能力較強，且多從身邊人角度考慮（獎勵是朋友需要的會轉發(fā)信息的占64.10%）。

從行為角度看，分自主行為和協(xié)作行為兩個維度進行觀察。從自主行為來看，在線學習時間較長（一周一般學習5-7小時占43.59%），平時成績非常好（90分以上的占38.46%，80-90分占28.21%），期末成績良好（80-90分占56.41%）;從協(xié)作行為看，比較愿意互動（在線課程中互動1-3次及以上的占比61.51%），不太喜歡課后的留言（一般不喜歡留言的比例占48.72%），會主動向身邊人推薦好的在線課程（占比61.54%），如果在線知識社群活躍，社群成員感到對學習很有幫助，愿意參與（占比58.97%）。

（2）聚類分析

利用Rapidniner軟件進行聚類分析，將影響力模型中的9個典型特征值作為聚類的變量。

a.選擇最佳的聚類中心數(shù)

對于最佳聚類中心數(shù)的選取，可以參考DBI值（Davies Bouldin值）。一般來說，DBI值越小，所對應的聚類效果越好，選擇此時的聚類中心數(shù)，如表2所示，可知K=8是最合適的聚類中心數(shù)。

b.聚類結果

將Clustering算子中K的參數(shù)調至8，運行整個流程，得到聚類結果（如表3所示）。

由表3知，成員數(shù)量較少的聚類子類是cluster_0，cluster_1，cluster_3，cluster_6，cluster_7，可進一步計算各子類的平均影響力值來確定意見領袖。

（3）基于影響值確定意見領袖

由在線知識社群用戶影響力模型得到的各特征值的權重指標如下：（節(jié)點自傳播屬性，節(jié)點受激傳播屬性，節(jié)點受激接收屬性，在線學習時長，作業(yè)成績，考試成績，在線互動次數(shù)，在線留言次數(shù)，在線分享次數(shù)）=（0.125，0.0625，0.0625，0.15，0.075，0.15，0.15，0.15，0.075）。根據用戶影響力值Influence計算公式得到各聚類中心的平均影響力值（如表4所示）。

由計算結果可知，Cluster_0的影響力均值最大，是最適合的意見領袖群體人選，該群體的特點是：基本每天都會發(fā)朋友圈或微博;有獎勵措施且相關信息是朋友需要的會轉發(fā);所在虛擬社群活躍的話，接收信息的能力強;一般能夠接受的在線學習時長是7小時以上;在線互動次數(shù)1-3次;有同學在論壇里提問的話會留言自己的看法;平時作業(yè)在80-90分左右，期末成績也在80-90左右——這一類人群的成績不是特別拔尖;遇到好的在線課程一般傾向于向身邊人推薦。

四、基于意見領袖識別的在線知識社群管理建議

（一）意見領袖的發(fā)現(xiàn)和培育機制

當在線知識學習社群內的意見領袖存在時，可以通過多種方法識別出來，本文的研究結論發(fā)現(xiàn)：用戶的自傳播屬性和受激屬性對于識別出意見領袖有著較好的先導作用。當在線知識學習社群內的沒有顯著意見領袖時，培育和激發(fā)潛在的意見領袖群體可以從以下著手：

1.創(chuàng)建良好的交互學習環(huán)境，培育潛在的意見領袖群體

作者調研發(fā)現(xiàn)，當所在學習社群成員之間積極互動時，會對學習者積極性產生促進作用（占比58.97%）。意見領袖一般是在討論、交互中產生的，為此要提供一個良好的交互學習環(huán)境：一方面建設好在線知識學習社群所能利用的交互工具如網絡論壇、在線聊天室及朋友圈、微博、短視頻等傳播媒體，為交互提供良好的物理環(huán)境;另一方面，規(guī)劃好在線知識學習社群的學習活動和任務，創(chuàng)造積極的氛圍，為意見領袖特質的形成提供良好的人文環(huán)境。

2.形成有效的激勵和評價機制，激發(fā)意見領袖群體的動機

本文實證研究發(fā)現(xiàn)的意見領袖群體受激傳播屬性強，當“有獎勵措施且相關信息是朋友需要的會轉發(fā)”，我們可以利用好這一特點，通過激勵手段和評價方法激發(fā)潛在意見領袖的動機。作為虛擬社群，在線知識社群更多考慮精神上的激勵，激勵機制的設定可以參考三種機制——點數(shù)、徽章和排行榜。比如點數(shù)，當學員在論壇留言、在線上課程中互動等，給予一定的積分，當達到一定的分數(shù)時，給予獎勵，比如平時作業(yè)的成績。

（二）意見領袖的管理和引導措施

當識別出在線知識社群的意見領袖后，要注意引導，發(fā)揮其重要作用，提高社群的活躍度和學習效果。意見領袖的管理和引導，重點在于社群組織者對意見領袖在社群中的定位。推薦的措施包括：利用意見領袖的二次傳播能力，傳播教師認為重要的知識和信息;把意見領袖納入在線教學的重要組織者，發(fā)揮其輿論引導能力，引導社群內的討論方向，營造良好的氛圍;利用意見領袖的特質如知識能力幫助社區(qū)內成員解決問題。

五、結語

本研究根據用戶影響力算法提出了在線知識社群意見領袖識別模型，具體過程如下：將用戶影響力算法中的影響力特征值作為聚類向量，獲得各個聚類子類的影響力均值，據此提取出意見領袖。在變量設計時，充分考慮到用戶自身屬性所產生的影響力，以及當下微博、朋友圈、短視頻等熱門社交媒介的影響。文章基于《電子商務》網絡課程進行實證研究，所得到的意見領袖群體有一定的代表性。

本文目前的研究進展中尚有一定的局限性：如在變量設計時，沒有考慮用戶的信息內容特征，再比如實證研究時的樣本量規(guī)模還可以進一步擴大。在下一步工作中，將進一步完善影響力算法和變量選取，并在更大的社群中進行實證研究。同時，筆者也希望深入研究在線知識學習社群中意見領袖對知識傳播效率的影響機制，更好地發(fā)揮意見領袖在知識傳播過程中的作用。

作者簡介：

童莉莉：副教授，碩士生導師，研究方向為復雜網絡與信息傳播規(guī)律、現(xiàn)實與虛擬場景下的行為數(shù)據分析（13810008892@139.com）.

李榮祿：在讀碩士，研究方向為現(xiàn)實與虛擬場景下行為數(shù)據分析、信息傳播效率（291616793@qq.com）。

閆強：教授，博士生導師，研究方向為信息網絡與信息安全、數(shù)據智能分析系統(tǒng)。