基于數據畫像的短視頻領域中知識動員模型研究

姚偉 劉舒雯 柯平 張翠娟 陳思

摘 要：[目的/意義]收集相關短視頻資料進行數據畫像，挖掘短視頻背后蘊含的知識動員模型。[方法/過程]以選擇健身話題短視頻的收看者和評論者為研究對象，依據數據的豐富性和多樣性，采用數據畫像方法對數據基本特征和運行狀態進行探索，借助Maxqda12、Tableau、Gephi、Vosviewer工具，對梨視頻中關于健身話題短視頻的評論互動進行分析。[結果/結論]結果表明：短視頻領域中知識動員會形成技術去中心化、局部協同的長期性和全景協同的不確定性、內驅力—外驅力—融驅力驅動的知識賦能、在地化實踐場域，從而形成“技術流賦能—協同流賦能—知識流賦能—文化流賦能”模式。

關鍵詞：知識動員;數據畫像;知識賦能;文化賦能;技術賦能;Maxqda12

DOI：10.3969/j.issn.1008-0821.2020.07.007

〔中圖分類號〕G250.1 〔文獻標識碼〕A 〔文章編號〕1008-0821（2020）07-0063-11

Research on Knowledge Mobilization Model in

Short Video Based on Data Portrait

Yao Wei1，2 Liu Shuwen1 Ke Ping2 Zhang Cuijuan1，2 Chen Si1

（1.College of Economics and Management，Tianjin University of Science & Technology，

Tianjin 300222，China;

2.Business School，Nankai University，Tianjin 300071，China）

Abstract：[Purpose/Significance]The purpose of the research is to collect relevant short video data for data portrait，and mine the knowledge mobilization model behind the short video.[Method/Process]Viewers and commentators who choose short videos on fitness topics is taked as research objects.According to the richness and diversity of data，this paper explores the basic characteristics and running state of data by using data portrait method.With the help of Maxqda12，Tableau and Gephi tools，this paper analyzes the interaction of comments on short videos on fitness topics in pear videos.[Result/Conclusion]Results showed that：Knowledge mobilization in the field of short video formed technology decentralization，long-term nature of local coordination and uncertainty of panoramic coordination，knowledge empowerment driven by internal driving force-external driving force-melting driving force，the field of localization practice，so that the model of“technology flow empower-synergistic flow empower-knowledge flow empower-culture flow empower”was formed.

Key words：knowledge mobilization;data portrait;knowledge empowerment;culture empowerment;technology empowerment;Maxqda12

知識來源于社會實踐，哲學層面上知識是人類的認知成果[1]。知識的獲取與傳播是知識學研究領域的重要內容，而知識動員是二者進行結構聯系及演化規律的溝通橋梁。知識動員是包括知識共創和知識傳播等環節的系統性非線性過程，強調互動和對話。知識動員由知識生產引致需求驅動，通過交流與聯接，將知識轉化為行動，目的是在知識供需方之間塑造文化，以便形成知識共創、知識社會化創新。在已知情境中，知識動員對可用知識進行活化，包括特定情境中知識的識別、認知、移動、積極使用等。作為一種社會活動，知識動員發生在個人、團隊和組織等不同層面。實施知識動員傾向于采用自下而上的方式，這意味著知識動員是從個體規模衍生為群體規模、從個體行為演化為群體生態行為。

隨著互聯網技術和移動技術的發展，為適應人們碎片化、移動化場景，短視頻媒體應運而生。短視頻突出互動與交流，由供給及需求雙重驅動，推動知識社會化和知識活化，成為面向個體、團隊或組織的新型知識實踐社區，為知識動員實施提供便捷可行的技術支持。短視頻是更具個人色彩的知識身份認同構建與話語表達方式，是參與者自身知識意義的重塑，蘊含新傳播語境下的知識文化隱喻[2]，它能實現知識動員，而知識動員借助短視頻進行知識價值化。因此，收集相關短視頻資料開展數據畫像，挖掘短視頻背后蘊含的知識動員模型，使人們更好地實現將自身知識價值化，正是研究問題所在。

1 文獻回顧

21世紀初，加拿大社會科學及人文委員會創新性地提出了知識動員理論[3]。知識動員關注創新與服務，是基于知識客體（知識需求者）的需求驅動，為實現知識的價值延伸和創新性增值，采取有效的機制，結合知識主、客體所處背景而采取行動的社會過程[4]。知識動員克服了知識傳遞不及時、分享傳播困難等問題[5]，側重在相互作用中進行知識的理解和創造，是不同利益相關者之間的知識交互，支持知識的雙向和多向協同構建[6]。知識動員是復雜、迭代、非線性的社會過程，涉及群體或環境之間的互動[7]。在教育研究中，知識動員能夠幫助改善教育體系并努力探尋構建教育網絡結構的均衡點，以提高教學水平[8]。此外，社會醫療領域也逐步使用知識動員理論[9]。經由科學性研究，匯總經驗知識，形成學術性理論，最終傳播分享研究成果[10]。

短視頻媒體具有獨特性，包括社會資本推廣度高、知識聚集凝練度強、傳播結構權變度快、知識時效性強、便于形成閾下意識正強化等特點，這些獨特性加速了知識延伸優化，加快知識價值化的進程。技術打破了信息時效性、影響性與地域性等限制，即使最微弱的關聯也意味著交往關系建構的可能[11]。知識動員聚焦于人們的真實所知，而不是假設所知[12]，是向知識需求者或組織提供知識的過程[13]。短視頻媒體通過扁平化的傳播方式滿足現代人展示自我個性、互動過程中的自我滿足、日常生活娛樂化等用戶心理[14]。因此，在短視頻媒體中進行知識動員，知識生產者將自有知識向需求者或組織提供，可以高效地使用戶知識價值化，滿足用戶尊重或自我價值實現的需求。但現有研究中，短視頻媒體的研究主要集中于用戶心理、內容、政策、營銷、與傳統媒體比較、傳播價值等方面[15-16]，對于如何在短視頻中進行用戶知識動員的研究較少，需要進一步系統研究，以便更好指導實踐。

2 研究對象及數據

2.1 研究對象選取

本研究以短視頻軟件使用者和評論發表者為研究對象，選擇用戶人數多、互動頻率高、評論回復數據量大的梨視頻作為數據樣本庫。這個數據樣本庫信息量大，同時關注新聞資訊和社會故事，用戶參與知識動員活動更積極且具有代表性。選擇“健身話題短視頻”主要原因為健身是人們關注自身健康必不可少的活動，健身話題適應人群范圍廣泛，對健身短視頻進行知識動員研究可以使更多人關注自身健康，通過知識動員能夠更好地使人們將自身健身的知識價值化，以提升身體素質。

2.2 數據收集

本研究收集用戶評論數據。記錄字段包括：視頻標題、視頻發布時間、視頻發布者ID、評論轉發條數、贊同人數、評論者ID、評論內容、評論時間、對于評論者評論內容的贊同數。利用“八爪魚”爬蟲軟件從“梨視頻”爬取“關于健身話題短視頻”信息共收集364條，時間為2017年6月-2018年3月，表1是用“八爪魚”爬蟲軟件收集的有效數據的具體信息。針對收集的數據，分別從內容維度、時間維度、空間維度，運用扎根理論、時間序列、社會關系網絡分析等方法，利用Maxqda12、Tableau、Gephi等工具進行分析。

3 數據畫像及研究發現

結合相關學者的研究[17-19]，數據畫像充分考慮了數據的豐富性和多樣性、數據提取方法的可伸縮性。數據畫像是數據的形成、聚集和提煉。國內學者姚偉將數據畫像定義為：以數據科學的相關理論和技術為支撐，依據數據屬性進行針對性地多維度分析，其目的是進行數據基本特征和運行狀態的可視化、具體化及立體化展現，進而挖掘或探索數據背后的規律、機制及路徑等。

3.1 時間維度：用戶活躍度分布形態

對選定的特定話題（健身）短視頻的用戶評論時間及評論條數、點贊數量進行統計分析，繪制時間序列圖。利用Tableau軟件進行分析，得到時間序列可視化圖例。經數據導入軟件，設置評論發表的日期（距離短視頻發布日的天數）為橫軸、左側縱軸為贊同人數、右側縱軸代表評論人數，得到如圖1所示的時間序列散點圖。

由圖1可知，關于健身的短視頻互動程度變化呈山丘狀分布，其活躍期有特定的生命周期，經歷了從評論者對短視頻內容做出包含其獨有見解的評論，到其他評論者對這一新觀點所蘊含的知識或內容做出評論、進行采納或是提出異議的過程。每一個活躍期的新評論都會經歷從提出、高潮到衰落的過程規律，且這些評論的活躍期往往互相連接，有些評論的衰落期甚至直接作為下一評論的發起期。同時可以發現，關于健身的短視頻中，評論、贊同的分布密度呈現一種不均勻的態勢，存在局級集聚和協同現象（圖1中虛線橢圓處），但是動員過程存在生命周期，伴隨著生命周期會出現知識動員的不同形態，進而形成知識動員生態圈。

由評論用戶活躍度折線圖（如圖2所示）可以發現，用戶贊同人數和評論數在第2周突然上升，說明用戶活躍度提升，大批評論者開始參與到知識動員中，并對短視頻內容做出評論，進而創造出新知識和新觀點，再將這些新知識與短視頻中蘊含的知識一同傳播、分享給新用戶或新評論者，從而形成知識的社會共創。第9周期間，贊同數和評論數這兩項數據均開始回落，分別降至35和15左右，后期仍逐步下降。16周時，開始緩慢回升，保持幾周后又再一次出現回落。這一過程中，贊同數出現一次大幅度的上漲，然對應的評論條數呈現下降趨勢。對照這一時段的評論內容，可以發現當時的用戶評論包含專業性知識，對短視頻所蘊含的知識與存在的問題做出高度概括與總結，并提出新觀點，得到參與者的廣泛認同，參與者對評論所傳遞分享的知識持肯定態度，評論內容也多為支持和稱贊。

通過圖2可以發現，關于健身換題的短視頻經歷了發起、成長、高潮、衰退的知識動員生命周期。第二周至第七周這段時間達到峰值，這與該健身短視頻登上微博熱搜的時間正好相契合，說明媒體曝光率、社會推廣度及視頻關注度與知識動員的頻發度密切相關。

隨后的回復評論人數呈下降趨勢，是因為人們了解健身視頻的內容之后對其興趣程度下降。造成這一現象的原因可能是經過知識動員后，評論者開始實施行動，親身去練習瘦身動作，但因個人體質不同、瘦身效果不同、健身時長不足或鍛煉姿勢有誤等，導致部分評論者在健身鍛煉之后沒能成功減脂或是未達到視頻中宣傳的效果，所以表現出如圖3所示的活躍度明顯下降。但是，評論人數與點贊人數從十六周之后緩慢回升，說明高質量健身話題的短視頻具有相當的影響力和傳播度，其生命周期持久，經歷短暫的低谷衰落之后，仍有可能再次成長并達到新的高潮。

3.2 空間維度：活動參與者網絡結構分析

探究短視頻領域中知識動員模型，首先必須理清知識動員過程中各參與者（評論者）之間的社會化關系及角色差異，即明確知識動員的核心發起者和知識的主要傳播者。在搜集到的數據中，對健身話題短視頻的評論者和回復者進行分析，建立兩者間的社會關系網絡。

評論中有其他用戶做出回復即表明這一知識社區中的某些成員曾經閱讀過此條評論，并且對該評論內容所傳遞的知識信息持有相同或相異觀點，他們往往也會表明自己對于評論內容的觀點是否贊同，或是引入新的相關話題知識與評論者進行討論。經由一次評論回復完成一次知識動員（從短視頻發布者轉移到評論者，之后又從評論者轉移到回復者）。在這一系列過程中，知識不斷向外擴散、傳播，并且在參與者討論交流的過程中，會出現新的知識或觀點，進而完成知識交流和更新，而這也正是知識動員活動中知識的延伸與價值化。

分析開始前，剔除不必要的數據，只保留評論者用戶ID、評論人數和回復者ID幾項數據，將數據匯總整合到Excel表格中，規范化整理為CSV格式，導入Gephi軟件中進行深度分析，如圖3所示。

圖3可以看出，“周萌然然”“綠孩子Johnny”“北巷橘貓-”等在評論中最為積極和具有影響力，他們會依據自身的影響力形成局部知識動員。利用社會網絡關系分析法，對搜集到的數據進行可視化加工，將參與者ID作為節點，評論者與回復者之間的互動作為知識動員連線，研究參與話題交流傳播的用戶間的關聯度，得到如圖3所示的社會網絡關系圖。

利用Gephi軟件的ForceAtlas2布局算法進行分析，對參與者間的交互關系進行動態網絡分析，深度加工后生成圖5所示的星云圖。圖4中外圍散點為交互性較小的沉默者或是不積極參與者，圖4形成了以核心評論發起者為中心，主要知識傳播者為橋梁，連接外圍散點（不積極參與者）的知識動員結構形態。其中，節點越大，說明其評論內容越吸引人，評論回復條數越多，蘊含的知識越有深度;連線顏色越鮮艷則表明其交互度越高。這一結構形態說明，在短視頻領域中，少數評論發起者（意見領袖）所提出或傳播分享的知識，決定了整個話題的用戶交互關系，能夠影響知識動員開展的整個過程。此外，從圖4中還可以看出，短視頻領域中開展的知識動員，有部分用戶參與的主動性不高，說明短視頻評論參與者間的知識動員存在不均衡性和非對稱性。在后期知識動員過程中，需特別注意這一點，提出解決方案，實施改進措施，鼓勵參與者積極進行知識動員活動。

利用Vosviewer的分析功能，構建話題評論非沉默參與者的殼體層、幔層、核心層的3層生態圈結構圖，如圖5所示。對評論交互度極高的評論者進行分析，可以看出其交互度也有從中心向外逐漸降低的趨勢，并可以清楚地看到評論者活躍度存在分層——高活躍度、高交互度的參與者處在核心生態圈，中間生態圈是活躍度和交互度相對較低的參與者，而最外層生態圈則是活躍度與交互度最低的參與者，這和地球內部結構相一致，分別對應著地心、地幔和地殼。

通過圖5可以看出，參與者“周萌然然”“綠孩子Johnny”“北巷橘貓-”位于核心生態圈，屬于意見領袖，其評論內容分別是關于“運動的同時，也要注意合理的飲食，并引出了自己的瘦身食譜”和“運動的時長與動作的規范性討論”，這兩條評論充分調動了參與者知識動員的積極性，積極推動知識動員活動，并使其自身處于核心層地位。核心生態圈是支撐網絡的主要結構，而處于核心生態圈的參與者便成為話題的發起者和知識動員推動者[20]。核心生態圈參與者在健身話題短視頻的知識動員過程中起著高度凝聚作用，能推動健身話題的知識動員活動進一步發展，并在短時間內形成意見領袖和光圈效應，聚集更多人關注這一特定話題短視頻，進而創造、產生和分享更多的相關知識。最終，這一話題的網絡結構也會逐步趨于穩定，核心生態圈的用戶會成為這一特定話題短視頻知識動員社區中的領導者，最外層生態圈的低活躍度與低交互度用戶會從參與者演變成只關注點贊、但不做出評論的關注者，3層生態圈的層次分化也愈加顯著。這說明其動員結構存在內外生態圈，生態圈內部趨于協同，形成知識活化和價值化，生態圈外部趨于分散，需要對生態圈外部的成員進行知識賦能。這就是“大聚居”，即從整體而言，整個知識動員活動存在大殼體層、大幔層、大核心層。“小聚居”是指作為意見領袖的“周萌然然”“綠孩子Johnny”“北巷橘貓-”等人，在其自身的影響范圍內，也呈現小型的3層生態圈，即小核心層，分別以不同的意見領袖為核心。小幔層是指圍繞不同意見領袖形成的活躍度和交互度相對較低的參與者形成的生態圈。小殼體層是指圍繞不同意見領袖形成的活躍度和交互度極低的參與者形成的生態圈。

3.3 內容維度：短視頻知識動員內容分析

3.3.1 短視頻知識動員主題分析

對特定話題（健身）短視頻的評論內容進行文本分析，剔除無關信息（短視頻標題、發布者ID、贊同數目、評論數目、評論時間、評論贊同數），僅導入評論內容及回復內容兩項文本數據，提取其中高頻詞，如圖6所示。話題的關鍵詞主要集中在“運動”“熱量”“食譜”“減脂”“跑步”“動作”“消耗脂肪”等方面，而這些關鍵詞也正是該話題短視頻的主體知識價值。健身短視頻是否含有以上因素或相應知識信息會影響用戶參與知識動員的意愿，是用戶實施或開展知識動員時最關注的問題。

3.3.2 基于扎根理論的質性研究內容分析

本研究選取Maxqda12軟件進行質性分析，主要原因有以下兩方面：一是其具有強大的編碼功能，可以直接在軟件中生成理論關聯，無需手動計算Pearson相關系數和建立理論關聯。二是該軟件可創建各數據間的關系和矩陣數據，并可在矩陣瀏覽器功能下直接瀏覽和加工數據信息，操作便捷，數據呈現更為直觀。

（1）數據編碼

將數據導入Maxqda12軟件中，采用文本挖掘的方法對文本的關鍵因素進行提取，在分析資料基礎上，根據扎根理論使用Maxqda12軟件對評論資料進行仔細編碼與分析。首先，從收集到的400多條數據中，選取485個參考點，即初級編碼（自由節點）;然后，將這些自由節點整合歸納到19個樹節點中;最后，提煉概括出短視頻領域中知識動員的7個主要因素，即知識精益內涵、知識開放式創新、知識個性化推薦、媒介知識情懷、知識認知強化、知識體驗感知、知識多元協同，如圖7所示。

（2）代碼矩陣分析

選擇軟件中“可視化工具”，啟用“代碼矩陣瀏覽器”功能，對樹狀節點進行可視化分析。對矩陣進行設置，選取要分析的7個主要節點，分析結果如圖8所示。可以看出，“體驗反饋”對應的數據顏色最鮮艷，說明其所包含的自由節點最多，其權重也最高，對應的編碼數量為56，這表明在短視頻領域的知識動員過程中，體驗反饋是用戶最關注的內容，也是知識動員參與者間討論交互頻次最高、涉及相關話題知識最廣的一項關鍵因素。同理，涉及“經驗交流”“情感認同”內容的評論，也是知識動員參與者關注的焦點。

（3）子代碼的統計數據

表2所示短視頻領域中知識動員編碼表，涉及初級編碼、次級編碼和高級編碼。由于代碼較多，為直觀查看主要維度，需要對子代碼進行統計，創建統計圖表。將次級代碼和高級代碼導入“子代碼統計數據”功能進行分析，得到高級編碼的數據統計表，這7個高級編碼分別為：知識多元協同、知識體驗感知、知識認知強化、媒介知識情懷、知識個性化推薦、知識開放式創新和知識精益內涵。

由于圖表較多，本研究選取“知識多元協同子代碼統計數據”作為代表進行展示（如圖10所示）。用軟件自帶圖片轉換功能將統計數據轉換為可視化統計圖（如圖9所示），圖例是經過加工處理的可視化數據餅狀圖。

3.4 內容維度的理論關聯

由圖10短視頻領域中知識動員代碼變量圖所展示的數據統計可知，短視頻領域中知識動員分為3層。位于最內層核心位置的是理論名稱;處于中間層是短視頻領域中影響知識動員的7個關鍵因素，即知識精益內涵、知識開放式創新、知識個性化推薦、媒介知識情懷、知識認知強化、知識體驗感知和知識多元協同;最外層是對應中間層所呈現的每個次級編碼的細化分類。

通過分析挖掘，得出短視頻領域中知識動員的理論關聯，如圖11所示。核心層與中間層間連接橋梁上的數字代表短視頻領域中知識動員與7個主要因素間的相關系數，相關系數的絕對值越大，相關性越強。一般情況下，相關強度取值標準如下：系數在0.8（包含0.8）至1之間為極強相關，在0.6（包含0.6）至0.8之間為強相關，在0.4（包含0.4）至0.6之間為中等程度相關，在0.2（包含0.2）至0.4之間為弱相關，在0.2以下為無關[21]。依據上述標準可以看出，知識多元協同為極強相關，知識個性化推薦、媒介知識情懷、知識體驗感知為強相關性，而知識精益內涵、知識開放式創新、知識認知強化的相關性為中等水平。此外，中間層與最外層連線上的百分數為細分后的因素對7個主要因素的構成占比，百分比越大，說明其權重越大，在理論關聯構建過程中越重要，越需要重點關注。如在知識多元協同方面，知識需求是影響短視頻領域中知識動員的主要影響因素;在知識體驗感知方面，經驗交流是影響短視頻領域中知識動員的主要影響因素。以此類推，可以得出在7個主要因素中的知識需求、經驗交流、知識體驗、知識質量、知識原創、體驗反饋、情感認同等因素為影響知識動員的重要細分因素。

4 結 論

依據扎根思想，即扎根于實際研究、資料、數據、田野之中，不是空想或臆想，從實踐中形成的研究思維、研究意識及思想等，從而探索數據及現象背后的規律、理論。本研究扎根于現實知識動員實踐社區，扎根于短視頻及其評論的資料中，對數據的多維屬性進行數據畫像，探索其背后的知識動員模型。依據數據畫像的探索得出如下結論：

（1）移動技術賦能空間：技術賦能是通過應用新興移動信息技術，形成具有鮮明時效性，且不受時空限制的路徑，激發和強化知識需求者的能力[22]。移動技術賦能在連接參與者、連接數字內容、連接知識、連接服務的平臺上，進一步形成更

適合未來發展趨勢的社交、內容、知識服務與技術的融合。移動技術賦能強調技術本身的設計、技術與人的互動，從而形成差序格局鮮明的網絡社區態勢。移動技術在賦能過程中發揮如下作用：①知識庫的接口，保障眾多知識具有實效性和綜合性;②知識橋梁與連接器;③知識個性化推薦：從共性式群體互動到個性化的定制互動;④媒介知識情懷：技術媒介理性與知識價值融合形成媒介知識情懷;⑤技術賦能能力：技術輻射力和影響力的合力形成賦能能力。技術因素帶來的價值正向影響用戶的行為。移動技術賦能使知識動員社區參與者能夠在不確定情況下通過有效途徑獲取到正確的或者需要的知識。移動技術賦能使知識動員社區去中心化變為可能，去中心化會形成知識動員的內在動機。在面對不確定的知識動員情境下，移動技術增強了賦能的敏捷性和適應性。移動技術使得獲得知識的人能夠超越時空限制擁有相應的知識和視野，并在此基礎上依據獲取的知識采取明智的行動。由于移動技術是不斷升級和迭代的，技術的更新推動賦能的實施，所以也可以稱為技術流賦能。

（2）非對稱協同空間，即局部協同的長期性和全景協同的不確定性。非對稱協同是由知識不對稱效應所導致。知識生產者和知識需求者之間存在知識不對稱效應，知識不對稱效應使得知識在知識主體與知識客體之間形成分布不均衡現象，從而形成知識差。知識差的形成推動了知識多元協同。通過分析發現，在知識不對稱和知識動員之間存在非對稱協同機制，即局部協同的長期性和全景協同的不確定性。局部協同的長期性是指在例如在核心層，各參與者之間存在非線性的相互作用，從而產生協同效應，使得核心層由混沌走向有序、自組織乃至自適應。局部協同滿足了需求者的動態知識需求。全景協同的不確定性是由于知識需求者的個體特征及其意愿，使其具有個性化知識需求及知識過濾網，從而獲取個性化的知識，彼此之間會存在知識認知偏差，從而導致存在“核心—幔層—殼體層”3種身份屬性。全景協同的不確定性為知識動員帶來機遇與挑戰，需要在局部協同和全景協同之間找到平衡點，或者在“核心層—核心層不穩定邊緣、幔層—幔層不穩定邊緣、殼體層—殼體層不穩定邊緣”找到最佳平衡點。

非對稱協同及不穩定邊緣會形成內生態協同與外生態賦能。外生態賦能是短視頻知識互動的實踐過程，在網絡社區中形成動態化的交互關系與開放性的形態。內生態協同與外生態賦能是針對“核心生態圈—幔層生態圈—殼體生態圈”而言。相對于幔層而言，核心生態圈是內生態協同，這一層面中各個參與者之間存在協調與合作的行為。參與者之間的交互、協調、協作形成拉動效應，帶動內生態知識圈的形成，從而達到正向知識體驗感知和知識認知強化。相對于核心層而言，幔層生態圈是外生態。外生態與內生態邊界及外生態認同缺乏穩定對應關系。這種穩定對應關系的缺乏會超越參與者個體或局部性交互，使得內生態圈對外生態圈賦能，而外生態賦能一旦突破“生態邊界”，便融入更大的知識生態中。由于這種不對稱協同也是動態變化的，因此可以成為協同流賦能。