互動視角下網絡百科知識協同模型構建與實證研究

劉豐軍 林曉峰 林正奎 曲毅

收稿日期：2020-05-14

基金項目：中國博士后科學基金面上項目“早高峰‘雙瓶頸擁擠模式下的錯峰調控與擁擠定價研究”（項目編號：2019M651099）;山東省自然科學基金項目“基于概率型語言評價信息的多屬性決策理論與方法研究”（項目編號：ZR2017BG014）;山東工商學院博士啟動基金項目“概率型語言信息集成理論及其在決策中的應用”（項目編號：B5201705）。

作者簡介：劉豐軍（1986-），男，博士研究生，研究方向：信息行為。林曉峰（1995-），男，碩士研究生，研究方向：信息處理與數據挖掘。曲毅（1986-），男，博士后，研究方向：知識管理與智能信息處理。

通訊作者：林正奎（1971-），男，教授，博士，博士生導師，研究方向：知識管理、自然語言處理與人工智能。

摘? 要：[目的/意義]從互動視角分析網絡百科知識協同核心因素間的互動關系，揭示網絡百科知識協同機理。[方法/過程]基于協同進化理論分析了網絡百科知識協同基本過程，提取知識協同的核心因素并構建了網絡百科知識協同模型。以百度百科詞條名偵探柯南為例，選取2007—2017年月度時間序列數據，采用向量誤差修正模型、格蘭杰因果檢驗和脈沖響應函數，對群體規模、認知沖突和內容質量間的互動關系進行了實證分析。此外，通過預測分析驗證模型的合理性和向量誤差修正模型的適用性。[結果/結論]研究結果表明群體規模、認知沖突和內容質量間存在顯著的互動關系。具體而言，認知沖突和群體規模存在正向互動關系;認知沖突和內容質量同樣存在正向互動關系。

關鍵詞：網絡百科;知識協同;協同進化理論;向量誤差修正模型

DOI：10.3969/j.issn.1008-0821.2020.12.007

〔中圖分類號〕G203? 〔文獻標識碼〕A? 〔文章編號〕1008-0821（2020）12-0064-10

Model Construction and Empirical Study of Knowledge Collaboration in

Online Encyclopedias from the Perspective of Interaction

Liu Fengjun? Lin Xiaofeng? Lin Zhengkui*? Qu Yi

（School of Shipping Economy and Management，Dalian Maritime University，Dalian 116026，China）

Abstract：[Purpose/Significance]From the perspective of interaction，this paper analyzes the dynamic interrelations among core factors of knowledge collaboration in online encyclopedias，and reveals the collaborative mechanism of knowledge construction.[Method/Process]This paper analysed the basic process of knowledge collaboration in online encyclopedias based on co-evolution theory and proposed a knowledge collaboration model of online encyclopedias through the analysis of collaborative relationship among core factors.Taking Detective Conan as an example，this paper selected monthly time series data from 2007 to 2017，and uses vector error correction model，Granger causality test and impulse response function to analyze the dynamic interrelations among group size，cognitive conflict and content quality.[Result/Conclusion]The research results showed that there were significant dynamic interrelations among group size，cognitive conflict and content quality.Specifically，there was positive interaction between cognitive conflict and group size，as well as cognitive conflict and information quality.

Key words：online encyclopedia;knowledge collaboration;co-evolution theory;vector error correction model

隨著信息技術的快速發展和互聯網的日益普及，用戶已經由單純的內容消費者轉變為內容的主要生產者，知識生產模式發生了巨大變革。網絡百科是集“知識共享”與“網上社交”功能于一身的“知識社區”，基于網絡開放共享平臺，匯聚群體智慧協同創造知識，開啟了知識生產的新時代。網絡百科突破傳統知識社區僵化的組織模式，奉行以用戶為中心的理念，倡導“人人參與”的用戶生成內容（UGC）協同模式，顛覆了傳統百科全書學院精英式（PGC）編纂模式，獲得了巨大成功[1]。

網絡百科的成功引起了學術界的高度關注，已經成為信息科學領域的研究熱點。目前國內外學者主要從用戶、內容和社區3個層面圍繞用戶參與動因、內容質量評價、因素影響關系、知識協同模式等主題進行研究，探究網絡百科成功背后的原因和機理[2-3]。其中，對于網絡百科知識協同因素關系的研究，主要從靜態視角采用橫向研究方法圍繞百科詞條內容質量開展研究[4]。例如，Arazy O等[5]針對Wikipedia采用PLS路徑模型探究了群體結構和沖突（純沖突、任務—情感沖突、任務—過程沖突）對詞條內容質量的影響關系。Kane G C等[6]通過貝葉斯有序Logistic回歸實證分析了貢獻者數量、網絡質量加權度中心性和網絡特征向量中心性對Wikipedia詞條內容質量的影響。張薇薇等[7]基于在線社區用戶身份交流理論和內容質量感知的雙過程理論，采用單因素方差分析探究了在線百科知識貢獻者身份對內容質量作用機理與影響關系。Matei S A等[8]以Wikipedia和Stack Overflow為例，通過線性回歸實證研究了貢獻不平等和精英用戶粘性與內容質量間的關系。不可否認，現有研究增進了對網絡百科知識協同因素間影響機制的認知和理解。但還存在一些不足：首先，在研究視角上。網絡百科作為復雜系統具有明顯的動態特性，因素間更多表現為復雜的動態關系。目前大多數研究采用靜態視角，忽視了網絡百科動態演化的特點，無法客觀真實反映因素間動態關系。其次，在研究方法上。網絡百科屬于典型的自組織系統，系統存在反饋機制，因素間更多表現為相互作用（雙向影響）關系。然而，現有研究普遍采用回歸分析、結構方程等傳統的實證研究方法，僅考慮了因素間的單向影響關系，無法對因素間雙向影響關系進行分析。

本研究基于協同進化理論，以群體規模、認知沖突和內容質量為核心因素，構建網絡百科知識協同模型。然后，以百度百科詞條“名偵探柯南”為例，綜合運用誤差向量自回歸模型、格蘭杰因果檢驗、脈沖響應函數一套系統的計量方法實證分析因素間互動關系，深入揭示網絡百科知識協同機理。本研究不僅在理論上豐富了網絡百科在知識協同方面的理論成果，在研究方法上還為該領域研究提供了新的思路。

1? 模型構建

1.1? 網絡百科知識協同過程分析

協同進化（Coevolution）概念源于生物學，最早是由Ehrlich和Raven在論文《蝴蝶與植物：關于協同進化的研究》中提出的，意指兩個以上的物種在一定程度上相互影響并協同進化的現象[9]。此后，協同進化概念在生物學領域獲得了長足發展，到20世紀80年代已經發展成為生物學的一個重要分支。與此同時，協同進化理論也迅速擴展到其他學科領域，如社會經濟學、遺傳學、語言學、地理學等，逐步成為揭示系統復雜現象的科學研究方法。

網絡百科知識協同過程中包含外化建構和內化建構兩個并行過程：一方面，個體通過自身的認知對詞條內容進行編輯，每一次編輯都會形成一個歷史版本，經過大量個體的協同編輯，實現詞條內容的動態演化;另一方面，個體在知識編輯的過程中，伴隨著知識的學習，不斷完善和豐富自己的認知，實現個體認知系統的發展。由此可見，知識協同本質上是認知系統（參與個體）和知識系統（百科詞條）通過認知交互，實現雙向知識建構的動態演進過程，如圖1所示。這個過程類似于一種進化，與協同進化理論的思想相切合。具體而言，個體認知結構和百科詞條內容存在認知沖突時，認知平衡被打破，個體通過內部同化（在原有的認知結構中添加新的信息，定量知識學習）或內部順化（改變原有的認知結構，定性知識學習）對原有認知結構進行調整或改變，重新恢復認知平衡，實現個體知識學習。同時，個體通過外部同化（對詞條內容進行擴充，定量知識建構）或外部順化（對詞條內容進行重新組織，定性知識建構）對詞條內容進行編輯，實現百科詞條建構[10-11]。

1.2? 網絡百科知識協同模型構建

基于上述網絡百科知識協同過程分析可以發現，認知沖突是認知系統和知識系統協同演化的內驅力。認知系統的演化主要體現了個體參與者數量（即群體規模）動態變化。大量認知獨立的個體通過網絡百科平臺匯聚到一起，在認知沖突的驅動下進行創造性思維，為百科詞條的構建提供豐富的認知資源。因此，群體規模是群體知識協作的重要基礎和根本保障，是形成群體智慧的核心因素。知識系統的演化集中體現了百科詞條內容質量的動態變化。個體在認知沖突的驅動下參與百科詞條構建，實現內容不斷更新和質量的不斷提升。因此，內容質量是群體知識協作的結果和目的，是衡量群體績效的核心指標。目前，學者們針對群體規模、認知沖突和內容質量三者間的關系進行了大量的實證研究，其代表性文獻如表1所示。

由表1可見，現有研究未能將群體規模、認知沖突和內容質量3種因素納入一個統一的研究框架，割裂了因素間固有的內在聯系，無法系統全面地反映因素間的關系。其次，網絡百科作為一個典型的復雜系統，系統因素間存在反饋機制，因素間不是簡單的單向靜態關系，更多表現為復雜的雙向動態關系，即互動關系。遺憾的是，絕大多數研究只考慮了因素間單向靜態關系。鑒于此，本研究借鑒Etzkowitz H等[22]提出了三螺旋模型構建網絡百科知識協同模型，如圖2所示。該模型包含了群體規模、認知沖突和內容質量3種因素，并考慮因素間的互動關系。

2? 研究方法與數據獲取

2.1? 向量誤差修正模型

向量自回歸（VAR）模型僅適用于分析長期影響，而大多情形下變量之間既存在長期影響也存在短期波動。為此，Engel和Grangre在VAR模型的基礎上引入協整理論，建立了向量誤差修正（VEC）模型，并將其應用于具有協整關系的非平穩時間序列的建模分析中[23，24]。VEC模型形式如下：

ΔYt=αecmt-1+∑p-1i=1ΓiΔYt-i+εt（1）

其中，ecmt-1=β′Yt-1是誤差修正項，反映變量之間的長期均衡關系，系數向量α反映了變量間均衡關系偏離長期均衡狀態時，將其調整到均衡狀態的調整速度。所有作為解釋變量的差分項的系數反映了各變量的短期波動對作為解釋變量的短期變化的影響。

2.2? 樣本選擇

百度百科是由百度公司于2006年4月推出的一部內容開放、自由的網絡百科全書平臺。目前，百度百科擁有超過1 700萬個詞條和700萬用戶，總編輯次數超過1.6億次，日均訪問量近4億，已經成為全球最大中文百科全書。此外，百度百科記錄了詞條演化和用戶活動的歷史數據，為學術研究提供了良好的數據支持。因此，本文選擇百度百科作為研究對象。

本文選擇百度百科詞條——《名偵探柯南》作為研究樣本，主要有以下幾個方面原因：首先，該詞條極具典型性和代表性。“名偵探柯南”屬于特色詞條，特色詞條是百度百科詞條的典范之作，是高質量詞條的一種榮譽稱號。其次，該詞條是目前用戶參與度最高的詞條。該詞條從2006年至今共吸引用戶近2 500個，編輯次數高達5 800多次，是已知編輯次數最多的詞條。此外，該詞條關注度極高。“名偵探柯南”屬于漫畫周刊，從1994年開始連載至今，贏得了極高的關注度，詞條瀏覽次數超過4 200萬。總之，“名偵探柯南”作為百度百科最具代表性、最受關注的詞條之一，是理想的研究樣本。

2.3? 變量測度

群體規模（SIZE）。目前，學者對群體規模的測度方法較為一致，主要通過計算詞條參與人數來度量[6]。據此，本文通過計算詞條參與者數量測度群體規模。

認知沖突（CONF）。傳統組織研究將沖突劃分為任務沖突、情感沖突、過程沖突等類型。在網絡百科中，單個沖突事件通常包含多種類型的沖突，而不同類型沖突間的界限較為模糊。鑒于此，本研究對沖突不做嚴格區分，統稱為認知沖突。為了更加全面準確地識別沖突，本文借鑒Kittur A等[25]的研究方法，綜合用戶標簽法（關鍵詞抽取）和信息摘要算法（MD5）共同測度認知沖突。

內容質量（QUAL）。目前內容質量的測度指標主要基于詞條內容要素，如詞條編輯次數、詞條年齡、詞條長度、鏈接數量、參考文獻數量等[26]。在這些測度指標中詞條編輯次數是一個較為理想的指標，被廣泛應用于內容質量的測度中。本文借鑒Ren Y等[4]的方法通過計算詞條編輯次數衡量內容質量。

基于以上方法，本研究獲取了2007年1月至2017年8月“名偵探柯南”在群體規模、認知沖突和內容質量3個變量的月度時間序列。此外，為了評估模型的預測性能，截取了后面6個月的數據用于樣本外預測。

3? 實證分析

3.1? 單位根檢驗

為避免偽回歸，需要對模型中各變量序列的平穩性進行檢驗。本文采用Eviews 10.0軟件通過ADF單位根檢驗對變量平穩性進行了檢測，結果如表2所示。可以看出，變量LNSIZE、LNCONF和LNQUAL在5%的顯著性水平下的ADF統計值均大于其相應的臨界值，表明3個變量原序列都是非平穩的，而其相應的一階差分序列在1%的顯著性水平下的ADF統計值均小于其相應的臨界值，表明3個變量的差分序列是平穩的，即這些變量是一階單整的。

注：檢驗形式中的C、T和K分別表示常數項、趨勢項和滯后階數;滯后階數K的選擇標準是以AIC和SC值最小為準則;為消除時間序列異方差，對變量進行自然對數變換，記為：LNSIZE、LNCONF和LNQUAL，D代表變量序列的一階差分;***、**分別代表顯著水平為1%和5%的臨界值。

3.2? 協整檢驗

本文運用Johansen檢驗法對群體規模、認知沖突和內容質量3個變量進行協整檢驗。在進行Johansen檢驗之前，首先要確定VAR模型的合理滯后階數。本文同時參考LR、FPE、AIC、SC、HQ 5個準則，最終選定模型最優滯后階數為3，具體結果見表3。基于VAR模型的協整檢驗滯后期是無約束VAR模型一階差分變量的滯后期，由此確定協整檢驗的滯后期為2。此外，聯合檢驗選取序列有線性趨勢但協整方程只有截距的檢驗形式。

Johansen協整檢驗結果如表4所示，在5%的顯著水平下系統至少存在1個協整關系，即LNSIZE、LNCONF和LNQUAL 3個變量存在著長期均衡關系，取標準化的協整向量，可以得到如下協整關系（括號內的數值為對應系數的標準差）：

LNQUAL=1.487LNSIZE-2.266LNCONF（2）

（0.429）（0.412）

從方程（1）可知，群體規模與內容質量呈正向相關，認知沖突與內容質量呈負向相關。具體而言，群體規模每變動1個百分點帶動內容質量同向變動1.487個百分點;認知沖突每變動1個百分點帶動內容質量反方向變動2.266個百分點，這與以往大多數學者的研究結論相一致[5，12，19]。

3.3? VEC模型

VEC模型實證結果如表5所示，整體來看VEC模型的AIC和SC值都較低，擬合效果較好。此外，對模型進行穩定性檢驗發現，各特征方程的特征根均位于單位圓內，表明模型是穩定的。鑒于VEC模型固有的復雜動力學特點，單個變量的估計系數意義并不大，通常不用作分析變量間互動關系的主要依據。鑒于此，本文不對VEC模型估計系數做詳細分析，而是將重點放在下文中的格蘭杰因果檢驗和脈沖響應函數。

3.4? 格蘭杰因果檢驗

協整分析表明群體規模、認知沖突和內容質量間存在長期動態均衡關系，但并不意味著變量間存在因果關系。格蘭杰因果檢驗（Granger Causality Test）通過判斷一個變量的滯后值是否有助于預測另一個變量的值來確定變量間的因果關系，為揭示群體規模、認知沖突和內容質量間因果關系提供了有效的方法。

從表6格蘭杰因果檢驗結果來看，其中最值得關注的是，認知沖突和內容質量均在5%的顯著性水平下拒絕了原假設，說明兩者互為Granger原因。這為百度百科系統存在反饋機制提供了有力證據。此外，群體規模和認知沖突在5%的顯著性水平下

拒絕了不是內容質量的Granger原因的原假設，而且兩者聯合檢驗也拒絕了原假設，說明群體規模和認知沖突均為內容質量的Granger原因。

3.5? 脈沖響應函數

脈沖響應函數（Impulse Response Function）描述了內生變量對于誤差變化大小的反映，用于衡量來自隨機擾動項的一個標準差大小的沖擊對內生變量當期值和未來值的影響，為揭示模型中各變量間動態作用關系提供了更為直觀的描述。

從圖3給出的各個變量的脈沖響應圖來看，脈沖響應函數結果與格蘭杰因果檢驗結果基本一致。圖3第1行為群體規模對各個變量的1個單位標準差的沖擊脈沖響應。可以看出，群體規模除了受到自身的內部沖擊外，外部沖擊主要來自認知沖突。具體來看，對于認知沖突1個單位標準差的沖擊，群體規模經過前4期上下波動后趨于穩定。這表明認知沖突增加會對群體規模產生穩定的拉動作用。圖3第2行為認知沖突的脈沖響應，其外部沖擊主要來自群體規模，而內容質量的沖擊相對較小。具體來看，對于群體規模的沖擊，認知沖突表現為顯著的正向響應，并且具有較長的持續效應。這表明群體規模的增加會引發更多的認知沖突。而內容質量和認知沖突間的關系較為復雜，對于內容質量的沖擊，認知沖突前期表現為短暫的負向響應，從第3期開始表現為正向響應，逐步增長并趨于穩定。圖3第3行為內容質量的脈沖響應。對于群體規模和認知沖突的沖擊，內容質量均表現出顯著的持續性的正向響應。這表明群體規模和認知沖突的增加均有助于提升內容質量。

3.6? 預測分析

為了檢驗模型的合理性，對模型的預測能力進行分析。圖4給出了認知沖突與內容質量的真實值和預測值對比圖。整體來看，認知沖突與內容質量的實際值和預測值非常接近，趨勢保持一致。清楚起見，專門給出了樣本外預測值和真實值的放大圖，發現絕大多數預測值在95%的置信區間內包含真實值，初步表明了知識協同模型的合理性和VEC方法的適用性。

為了進一步評估預測性能，對不同模型的預測效果進行了對比分析。首先，基于認知沖突和內容質量兩個時間序列的自相關系數（AC）和偏自相關系數（PAC）構建整合移動平均自回歸模型（ARIMA）模型，然后，通過平均絕對誤差（MAE）和均方根誤差（RMSE）兩個預測評價指標對比VEC模型相比ARIMA模型的預測精度。結果如表7所示，相比ARIMA模型，VEC模型在認知沖突和內容質量的預測精度上均有顯著的提升，充分證明了知識協同模型和VEC方法的結合具有明顯的優越性。

4? 結論與討論

4.1? 研究結論

本研究基于協同進化理論建構了網絡百科知識協同模型，并以百度百科詞條“名偵探柯南”為例，采用VEC模型、格蘭杰因果檢驗、脈沖響應

函數實證分析了群體規模、認知沖突和內容質量之間的互動關系。主要有以下幾點發現：

群體規模和認知沖突存在正向互動關系。群體規模對認知沖突存在顯著的正向影響，同時認知沖

突對群體規模同樣存在正向影響，即兩者存在正向互動關系。這一新的研究發現充分說明了網絡百科系統存在反饋機制，因素間不是簡單的單向關系。值得一提的是，認知沖突對群體規模存在正向關系與以往研究結論相左，原因在于：其一，存在嚴重沖突的百科詞條，會引發較高的關注度，激發個體參與的意愿和熱情;其二，當沖突難以解決時，網絡百科社區會發布公告征求外部意見，通過引入外援（新人）的方式間接提高了詞條參與人數。

認知沖突和內容質量存在正向互動關系。研究表明認知沖突對內容質量存在顯著的正向影響，這與傳統觀念相悖。不可否認，網絡百科群體協作過程中存在一些惡意破壞、編輯戰等惡性沖突行為，給詞條造成了不利影響。但從整體來看，絕大多數沖突源于觀點分歧和認知差異，屬于良性沖突。這些沖突不僅有利于修正詞條錯誤，提升內容準確度;同時能夠激發群體的創造性思維，豐富詞條內容，提升內容創新度。此外，內容質量對認知沖突同樣存在正向影響，原因在于：內容質量涉及信息內容的豐富度、復雜度、權威性、準確性等多個維度[27]。個體參與編輯詞條，提高了詞條內容的豐富度和復雜度，在實現詞條內容質量提升的同時，增加了個體認知負荷，降低了個體對信息處理能力，從而容易引發沖突。

4.2? 研究意義

隨著網絡百科的不斷發展，知識協同因素間的關系變得越來越復雜，互動關系的研究將更加有助于厘清系統因素間內在協同機制。本研究主要有兩個方面的研究意義：首先，基于協同進化理論提出了網絡百科知識協同模型。該模型同時包含了群體規模、認知沖突和內容質量3個核心因素，更加系統地反映了因素間的協同關系，彌補了現有研究只關注因素間單向關系的不足，豐富了網絡百科知識協同理論。其次，將VEC模型應用到網絡百科的研究中，解決了傳統實證研究方法無法分析因素間動態交互關系的弊端，為網絡百科知識協同因素間互動關系的研究提供了新的思路。

4.3? 局限性和未來研究展望

本研究還存在一些局限性：首先，研究數據局限性。本文只選擇了一個詞條作為研究樣本，盡管該詞條極具代表性，但可能會影響研究結論的準確性。因此，后續研究可以選擇用面板數據來擴大樣本量，同時對樣本進行分類對比研究。其次，研究情景局限性。本文以百度百科作為研究對象，模型可能并不適用于其他網絡百科。為了檢驗模型的普適性，有必要擴大模型應用范圍，在其他網絡百科平臺（Wikipedia，MBA智庫百科等）中對模型做進一步檢驗。

參考文獻

[1]Crowston K，Fagnot I.Stages of Motivation for Contributing User-Generated Content：A Theory and Empirical Test[J].International Journal of Human-Computer Studies，2018，109：89-101.

[2]Mesgari M，Okoli C，Mehdi M，et al.“The Sum of All Human Knowledge”：A Systematic Review of Scholarly Research on the Content of Wikipedia[J].Journal of the Association for Information Science and Technology，2015，66（2）：219-245.

[3]Shah C，Kitzie V，Choi E.Modalities，Motivations，and Materials-Investigating Traditional and Social Online Q&A Services[J].Journal of Information Science，2014，40（5）：669-687.

[4]Ren Y，Chen J，Riedl J.The Impact and Evolution of Group Diversity in Online Open Collaboration[J].Management Science，2015，62（6）：1668-1686.

[5]Arazy O，Yeo L，Nov O.Stay on the Wikipedia Task：When Task-Related Disagreements Slip into Personal and Procedural Conflicts[J].Journal of the American Society for Information Science and Technology，2013，64（8）：1634-1648.

[6]Kane G C，Ransbotham S.Research Note—Content and Collaboration：An Affiliation Network Approach to Information Quality in Online Peer Production Communities[J].Information Systems Research，2016，27（2）：424-439.

[7]張薇薇，朱杰.在線知識社區貢獻者身份對內容質量的影響研究[J].現代情報，2019，39（8）：103-110.

[8]Matei S A，Jabal A A，Bertino E.Social-Collaborative Determinants of Content Quality in Online Knowledge Production Systems：Comparing Wikipedia and Stack Overflow[J].Social Network Analysis and Mining，2018，8（1）：36-51.

[9]Ehrlich P R，Raven P H.Butterflies and Plants：A Study in Coevolution[J].Evolution，1964，18（4）：586-608.

[10]Cress U，Kimmerle J.A Systemic and Cognitive View on Collaborative Knowledge Building with Wikis[J].International Journal of Computer-Supported Collaborative Learning，2008，3（2）：105-122.

[11]Kimmerle J，Moskaliuk J，Oeberst A，et al.Learning and Collective Knowledge Construction with Social Media：A Process-Oriented Perspective[J].Educational Psychologist，2015，50（2）：120-137.

[12]Wu K，Zhu Q，Vassileva J，et al.Does Conflict Matter in the Success of Mass Collaboration？Investigating Antecedents and Consequence of Conflict in Wikipedia[J].Chinese Journal of Library and Information Science，2012，5（1）：34-50.

[13]劉豐軍，裘江南，林正奎，等.網絡百科社區協調機制研究——以Wikipedia為例[J].管理評論，2018，30（6）：123-135.

[14]Kane G C.A Multimethod Study of Information Quality in Wiki Collaboration[J].ACM Transactions on Management Information Systems，2011，2（1）：1-16.

[15]Lin Y，Wang C.Wisdom of Crowds：The Effect of Participant Composition and Contribution Behavior on Wikipedia Article Quality[J].Journal of Knowledge Management，2020，24（2）：324-345.

[16]Ransbotham S，Kane G C，Lurie N H.Network Characteristics and the Value of Collaborative User-Generated Content[J].Marketing Science，2012，31（3）：387-405.

[17]Wu K，Vassileva J，Zhu Q，et al.Supporting Group Collaboration in Wiki by Increasing the Awareness of Task Conflict[J].Aslib Journal of Information Management，2013，65（6）：581-604.

[18]Chen J，Ren Y，Riedl J.The Effects of Diversity on Group Productivity and Member Withdrawal in Online Volunteer Groups[C]//Proceedings of the 28th International Conference on Human Factors in Computing Systems，New York：Association for Computing Machinery，2010：821-830.

[19]Arazy O，Nov O，Patterson R，et al.Information Quality in Wikipedia：The Effects of Group Composition and Task Conflict[J].Journal of Management Information Systems，2011，27（4）：71-98.

[20]Asadi S，Ghafghazi S，Jamali H R.Motivating and Discouraging Factors for Wikipedians：The Case Study of Persian Wikipedia[J].Library Review，2013，62（4-5）：237-252.

[21]徐孝娟，趙宇翔，朱慶華.社交網站用戶流失行為理論基礎及影響因素探究[J].圖書情報工作，2016，60（4）：134-141.

[22]Etzkowitz H，Leydesdorff L.The Triple Helix—University-Industry-Government Relations：A Laboratory for Knowledge Based Economic Development[J].Glycoconjugate Journal，1995，14（1）：14-19.

[23]王勁屹.農村金融發展、資本存量提升與農村經濟增長[J].數量經濟技術經濟研究，2018，35（2）：64-81.

[24]高鐵梅，王金明，陳飛，等.計量經濟分析方法與建模：EViews應用及實例（第3版）[M].北京：清華大學出版社，2017.

[25]Kittur A，Suh B，Pendleton B A，et al.He Says，She Says：Conflict and Coordination in Wikipedia[C]//Proceedings of the SIGCHI Conference on Human Factors in Computing Systems，New York：Association for Computing Machinery，2007：453-462.

[26]Stvilia B，Gasser L，Twidale M B，et al.A Framework for Information Quality Assessment[J].Journal of the American Society for Information Science and Technology，2007，58（12）：1720-1733.

[27]Stvilia B，Twidale M B，Smith L C，et al.Information Quality Work Organization in Wikipedia[J].Journal of the Association for Information Science and Technology，2008，59（6）：983-1001.

（責任編輯：陳? 媛）