視頻博客Vlog用戶的持續使用行為影響因素研究

黃煒 沈欣蕓 李偉卿

摘 要：[目的/意義]本文基于探索用戶持續使用行為原理，挖掘Vlog用戶持續使用行為狀態及影響因素。一方面幫助Vlog行業從業者擴大用戶規模，加強用戶黏性，增加用戶信息共生;另一方面分析高質量Vlog的特征，幫助平臺給博主提供更好的衡量指標。[方法/過程]基于ECM-ISC及S-O-R范式，構建Vlog用戶的持續使用行為概念模型。結合HMM模型方法探索不同影響因素對不同情況Vlog的差異。[結果/結論]用戶的信息關注和對視頻的滿意度會直接影響其Vlog使用決策。用戶對視頻整體體現的效果感受會直接影響用戶持續使用行為的判斷。由于不同視頻類型的差異，不同用戶的情感認同和沉浸體驗有明顯差異。

關鍵詞：視頻博客;用戶;持續使用行為;影響因素;隱馬爾可夫模型;B站

DOI：10.3969/j.issn.1008-0821.2022.06.007

〔中圖分類號〕G252.0 〔文獻標識碼〕A 〔文章編號〕1008-0821（2022）06-0069-11

Abstract：[Purpose/Significance]Based on exploring the principle of users continuous use behavior，this paper excavates the status and influencing factors of vlog users continuous use behavior.On the one hand，it helps vlog industry practitioners expand the scale of users，strengthen user stickiness and increase the symbiosis of user information;On the other hand，analyze the characteristics of high-quality vlog to help the platform provide better measurement indicators for bloggers.[Methods/Process]Based on ecm-isc and S-O-R paradigm，a conceptual model of vlog users continuous use behavior was constructed.Combined with HMM model method，the differences of different influencing factors on vlog in different situations were explored.[Results/Conclusion]users attention to information and satisfaction with video will directly affect their vlog use decision.Users perception of the overall effect of the video will directly affect the judgment of users continuous use behavior.Due to the differences of different video types，the emotional identity and immersion experience of different users are significantly different.

Key words：Vlog;user;continuous use behavior;influencing factors;HMM model;Bilibili

近年來，Vlog作為年輕人偏愛的一種視頻表達方式，已成為網絡視頻的重要組成部分，并且其發展呈上升趨勢。據第47次《中國互聯網絡發展狀況統計報告》[1]顯示，至2020年12月，網絡視頻用戶規模達到了9.27億，與2020年3月相比增加7 633萬。Vlog作為網絡視頻的重要組成部分，其已成為新聞報道新選擇、電商平臺宣傳新標配，其用戶數量也一直保持相當高的水平且穩定上升。這代表Vlog行業已經度過初始接受階段，進入持續使用階段，Vlog行業來到了一個關鍵節點。我國相較于國外Vlog產業起步較晚且缺少宣傳渠道，Vlog的播放量在很大一方面也取決于視頻發布者本身的流量。

對于OSN（Online Social Networks，在線社交網絡）而言，被用戶采納只是邁向成功的第一步，只有大量用戶的持續使用才是決定成功的關鍵[2]。當前大部分研究都聚焦于Vlog被大眾市場采納的原因，而Vlog已被群眾廣泛接受，應當進入下一階段的研究。本研究通過探索用戶持續使用行為原理，挖掘Vlog狀態及影響因素，一方面向Vlog行業從業者提供擴大用戶規模的建議，加強用戶黏性，增加用戶信息共生[3];另一方面探索高質量Vlog所具有的特質，幫助平臺給博主提供更好的衡量指標。

因此，本研究建立Vlog用戶持續使用行為模型，以Bilibili網站的Vlog用戶為例，收集相關核心視頻數據進行實例分析。從內外兩大方面因素出發，對Vlog相關數據進行分類、參數估計和回歸分析。從數據出發，判斷出Vlog視頻所處的三大狀態及狀態間的關系，各狀態的影響因素的關系，并通過結果分析出結論。

1 相關研究進展

1.1 視頻博客Vlog

Vlog（視頻博客）代替文本及圖片記錄，用視頻對生活進行記錄。Vlog制作者多以第一視角拍攝生活中的片段或事件，國內研究者大多將Vlog認為是擁有人格化特點和記錄性的視頻[4]。Vlogger（視頻博主）通過其鏡頭語言凸顯個人性格特點、生活態度，制作成具有個人特色且具有時效性的視頻日記。Vlog日常化和第一人稱的特性使其與觀眾產生代入感與情感聯系[5]。Vlogger通過獨白將觀眾拉入視頻，并發布于社交平臺，提供了一個網友們交流的平臺。2AC46568-9043-4891-A42B-E92F97BB1D59

目前，對Vlog的研究大多集中在對其本身表現手法及形式、傳播形式的探究。Vlog作為一種傳遞情感的虛擬社交，用戶可以通過分享其真實形象直接實現社會資本的累積[6]。McClintock表示情感是滿意程度的心態表露，可作為交換資源直接參與交換。許多學者將情感作為資源的傳遞應用于Vlog傳播的研究中。面向Vlog的理論分析已經趨近飽和，目前主流觀點是，Vlog一方面風格較小眾，內容易同質化;一方面創作自由度高，內容易庸俗化。

當前，在針對Vlog的眾多研究中，大多僅僅針對Vlog現狀進行主觀的行業發展分析，缺少更客觀的研究，難以得出新鮮的結論，并且對Vlog的用戶行為研究還較為稀缺，本文將在此方面進行針對性的研究。

1.2 持續使用行為

持續使用行為研究被國內外學者廣泛應用于產品、網站、品牌上，通過對用戶持續使用行為的研究，了解影響因素，由此進行產品改良，促進產業發展，盡可能多地留住用戶。其研究范圍十分廣泛，各個網絡平臺的使用，以及各種網絡產品的使用都有對持續使用行為的研究。基于這些研究，也已經形成了一些持續使用行為判斷的體系、指標、模型。其中最常用的有信息系統持續使用模型（ECM-ISC）、期望確認理論（ECT）框架、“使用—滿足”理論、S-O-R（刺激—機體—響應）范式。

S-O-R范式由Mehrabian A等[7]提出，描述了環境因素對用戶行為產生的影響機制，常被應用于線上用戶行為、消費行為和市場營銷的研究。該模式描述了人類行為的一般模式，其理念為個體的認知感受會受外界刺激影響，該影響又會使個體做出決策，進行響應。

ECM-ISC中持續使用行為被“期望確認度”“感知有用性”“滿意度”3個因素所影響，其關系如圖1所示。

在持續使用行為的模型研究方面，Bhattacherjee A[8]突破了技術接受模型（TAM）的不足，在期望確認理論的基礎上建立了ECM-ISC。Jeung-Tai E T等探討了在期望確認理論中包含體驗價值在研究博客網站持續使用中的價值，證明了其對博客研究的適用性[9]。孫建軍等以期望確認模型為框架，建立了視頻網站持續使用模型[10]，并通過實證分析證明了感知娛樂對視頻網站持續使用意向有顯著影響[11]。由Kate E[12]提出的“使用—滿足”理論則廣泛應用于對社交媒體用戶行為的研究，認為用戶的需求基于外部社會環境與自身心理的共同影響，而非盲目選擇。如Hsu M H等[13]基于“使用—滿足”理論，加入了感知交互性變量，對Facebook用戶持續使用行為影響因素進行了分析。

近年來，鄧君等以知乎為例研究了用戶的非持續使用行為，得出了各個因素對用戶意愿的影響[14];孫挺等通過研究社會化閱讀用戶的持續使用意愿，來探索社交因素對大學生群體和混合人群的影響作用機理[15];武慧娟等則對微閱讀用戶的持續使用行為影響因素及作用路徑進行了深入研究[16]。

然而，當前持續使用行為研究側重于對平臺、App[17-19]的研究，而面向某一產業的研究較少。研究構建的模型大多比較偏向宏觀且往往缺乏相關的實驗探索和持續行為的狀態變化描述。如ECM-ISC模型作為一個通用模型，雖提出了影響用戶持續使用行為的三大因素及其內部影響關系，但并未表現出用戶的內在動機與需求。尤其對于Vlog這種注重讓觀眾產生代入感和情感聯系的表現形式來說，更多是其中的情感連接促使用戶產生持續使用行為。本研究將針對Vlog對其進行進一步探索。

2 Vlog用戶的持續使用行為影響因素分析及模型構建

2.1 影響因素

正如用戶對產品的期望程度被企業的名聲、廣告宣傳、用戶的個人體驗等外部因素所影響。勒溫（Kurt Lewin）提出了人類行為的一般公式：B=f（P，E），即人類行為（B）是受自身因素（P）和環境因素（E）影響的函數。用戶對Vlog的期望同樣被用戶個人認知及Vlogger的粉絲量、播放量等外部因素所影響。Vlogger的個人魅力是吸引受眾的首要因素，其印象管理與在受眾話語權下給Vlogger帶來的額外人格賦魅，共同促使用戶持續觀看Vlog[26-27]。

基于當前對Vlog影響因素的研究，總結出其影響的內外因素，如表1所示。影響Vlogger用戶持續使用行為的因素大致可分為兩類。一類是內因，即基于視頻的情感認同、沉浸體驗，以及影響最終決策的信息關注與滿意度;另一類是外因，即Vlogger個人魅力和用戶審美區隔心理對認知的影響。此外，感知有用度和滿意度為用戶層面影響指標，信息關注為Vlog持續使用層面影響指標。

1）情感認同為衡量用戶對Vlog內容接受度的內部感知因素。Vlog作為以情感傳遞為核心的娛樂方式，通過“準社會關系”給用戶帶來積極的情感體驗。相較同樣帶來情感體驗的社交網絡，社交網絡中很多信息是被動呈現的，且容易發生消極社會比較[31]。Vlog的信息獲取則是主動的，用戶觀看Vlog時產生的情感認同，是用戶進行持續使用行為的主要判斷因素。

2）沉浸體驗為衡量用戶娛樂需求滿足程度的內部感知因素[23]。Vlogger與用戶之間的互動能令用戶體會到真實的社會情感交流，與Vlog中角色進行擬社會人際互動時，易發展出“幻覺式親密關系”[24]，從而促使用戶產生持續使用意向。

3）Vlogger人格賦魅為衡量用戶娛樂需求滿足程度的外部表現因素，是用戶持續觀看Vlog的核心驅動力。Vlog因為Vlogger的人格化特點而被新一代年輕人所廣泛接受[27]，此特點使用戶更易達成情感認同，獲得沉浸體驗，并使用戶產生積極的娛樂體驗，從而對Vlogger更多的內容產出產生期待，外顯為被Vlogger人格魅力所吸引。

4）審美區隔心理為衡量用戶對視頻質量評判的外部表現因素，會直接影響用戶對視頻的信息關注。審美作為一種隱性的“區隔”力量，使文化資本占有者對各個階層的審美活動進行軟性支配和引導。人與人之間的審美與喜好是有個體差異的，尤其是在Vlog內容同質化嚴重的情況下，用戶觀看不同質量的Vlog達成的情感認同和沉浸體驗程度有明顯差異，從而影響用戶地選擇，由此外顯為不同審美“質量”的Vlog在用戶反饋數據上的差異。2AC46568-9043-4891-A42B-E92F97BB1D59

5）滿意度是用戶綜合體驗，也是用戶即時體驗的衡量標準。Vlog用戶的滿意度是觀看完Vlog后最直觀的感受，會影響用戶觀看后的行為。如直接退出或進行點贊、投幣等促進信息關注的可觀測行為，與信息關注從即時和長遠影響角度對用戶持續使用行為產生影響。

6）感知有用度為對Vlogger人格賦魅和審美區隔心理進行概括的概念性指標。該指標綜合體現了用戶對Vlog的價值判斷，即通過Vlog是否達到了娛樂或情感互動效果。

7）信息關注是各因素影響結果的一個重要衡量標準。對于通過平臺傳播信息的Vlogger來說，信息關注度影響著平臺算法，決定了視頻的推廣程度和曝光度，高信息關注度是Vlogger長遠發展的重要指標。

2.2 模型構建

本研究基于S-O-R（Stimulus-Organism-Response，刺激—機體—響應）范式，結合信息系統持續使用模型（ECM-ISC）和相關研究建立了Vlog用戶持續使用行為理論模型。

S-O-R范式由表示外部環境因素的前因變量Stimulus（刺激）、表示個體的情感和認知反應的中介變量Organism（機體），以及表示個體態度或行為上的反應的結果變量Response（反應）三部分組成，核心理念為個體的情緒狀態會受到環境刺激的作用而產生相應變化，這一情緒狀態又使得個體執行趨近或規避行為。

本研究將內部因素及外部因素作為前因變量，內部因素通過用戶感知轉化為外部因素。中間因素和信息關注作為中介變量，是對用戶感受的綜合評判指標。產生的持續使用判斷過程為結果變量，反映了用戶決策過程。此外，觀看和互動對情感和行為忠誠都有著正向影響，即對持續使用行為存在正向影響。在變量對感知有用性、滿意度的多重作用下，促使用戶花費更多的時間，產生對Vlog的持續觀看行為，而用戶對Vlog的反饋會體現在評論、彈幕、點贊、收藏、播放等可觀測數據上。

彈幕表現實時的情緒，評論表現Vlog觀看后的期望結果。點贊量表現用戶對Vlog的喜愛。同時，收藏與投幣量將會給予Vlog正反饋，平臺的視頻推薦機制會給視頻更多被看到的機會，從而獲得更高的播放量，且質量高的視頻會被多次觀看。粉絲基數則更多地影響Vlog的播放量，充足的粉絲基數能保證Vlog的基礎播放量且通過推薦機制吸引更多的人觀看Vlog。基于此，對Vlog持續使用行為進行因素上的完善，如圖2所示。

3 基于HMM的Vlog用戶持續使用行為量化分析

3.1 HMM模型方法

HMM模型為Baum L E等[32]和Egon提出的一種統計模型，它包括一組隱含狀態序列和一組觀測序列，用來描述一個含有隱含未知參數的馬爾可夫過程。作為一種十分成熟的概率統計模型，HMM模型可以考慮時間序列的影響，因此在描述動態隨機過程上有突出的優勢[33]。HMM模型最初被廣泛應用于信號處理，現已被推廣到語音、行為、文字識別和故障識別等多個領域[34]。其用來研究一個含有隱含狀態的馬爾可夫過程，通過隱藏狀態來表示該過程的潛在變化，并識別狀態間的轉換[35]。Vlog用戶在進行持續使用決策時，心理和感知的狀態是難以直接觀測的[36]。

使用λ=（S，U，C）三元組來表示一個隱馬爾可夫模型，S表示初始持續使用行為狀態概率向量，U表示持續使用行為狀態轉移概率矩陣，C表示持續使用行為決策概率矩陣。

1）初始持續使用行為狀態概率向量S

S={s1，s2，…，sN}，N為隱狀態個數（其中1表示最初級狀態，N表示最高級狀態），s1為其初始狀態，sN表示處于第N狀態持續使用行為的初始概率。

2）持續使用行為狀態轉移概率矩陣U

U=U（w，t，t+1）=（Uwij）N×N（1）

Uwij=P（gwt+1=j|gwt=i）

Uwij表示觀看者w在時刻t處于狀態i的條件下，在時刻t+1轉移到狀態j的概率。該公式用來描述Vlog各個狀態間轉移的概率，通過參數估計對持續使用行為中各狀態的變化情況進行具體分析。

持續使用行為狀態在相鄰時刻有提升（gwt+1>gwt）、下滑（gwt+13）持續使用行為決策概率矩陣C

C（w，n）表示Vlog視頻w在時刻t的可觀測的持續使用行為決策概率矩陣，其定義如下：

C（w）=（cwik）N×H

其中cwik=P（xwt=vk|gwt=i），cwik是觀看者w在時刻t基于狀態i條件下生成持續使用行為決策vk的概率。

3.2 滿意度與信息關注函數

設Awt+1i表示Vlog視頻w處于狀態i條件下在時刻t+1的滿意度，Collectionwt+1、Goodwt+1、Coinwt+1分別表示Vlog視頻w在時刻t+1的收藏、點贊、投幣，3個變量的因果關系用效用函數表述如式（2）所示。

Awt+1i=ρi1Collectionwt+1+ρi2Goodwt+1+ρi3Coinwt+1 i∈{1，2，…，N}（2）

其中ρi表示持續使用狀態為i時，各因素對滿意度的影響程度。

設Bwt+1i表示Vlog視頻w處于狀態i條件下在時刻t+1的信息關注度，Watchwt+1、Repostwt+1分別表示Vlog視頻w在時刻t+1的觀看、轉發，兩個變量的因果關系用效用函數表述如式（3）所示。

Bwt+1i=αi1Watchwt+1+αi2Repostwt+1 i∈{1，2，…，N}（3）

其中αi表示持續使用狀態為i時，各因素對信息關注的影響程度。

式（2）、（3）詳細地對內部決策因素滿意度和信息關注進行了量化定義，并通過下文實驗分析中的相關性分析對滿意度和信息關注進一步定義，對持續使用行為的用戶體驗因素和促進程度進行了體現與衡量。

3.3 狀態影響函數

觀看者的持續使用行為決策會受到信息關注（Attentionwt）、情感認同（Emotionwt）、沉浸體驗（Immersewt）、滿意度（Satisfywt）等內部變量的影響，構建狀態影響函數，如式（4）所示。

cwik=βi1Attentionwt+βi2Emotionwt+βi3Immersewt+βi4Satisfywt i∈{1，2，…，N}（4）

其中，βi=（βi1，βi2，βi3，βi4）表示各因素變量對Vlog狀態的影響程度。

該公式展示了4個因素對Vlog狀態的影響情況。

3.4 BIC準則

BIC準則是被Schwarz G E[37]提出的一種識別模型標準的信息量準則，應用十分廣泛，可確定HMM模型的隱含狀態個數。其計算公式為：

BIC（J）=-2logL（J）+nplog（R）（5）

其中，L為該模型的極大似然函數值，np為該模型中自由參數的數量，R為觀測的樣本數，BIC準則的基本思想為似然函數最大化和模型復雜程度最小化。

該準則確定了數據集的Vlog狀態數。

4 實驗分析——以Bilibili為例

4.1 樣本來源與數據處理方法

本次實驗分析選擇了目前國內最大的Vlog作品集聚地——Bilibili。根據2021年《嗶哩嗶哩Q2財報》，B站月均活躍用戶達2.37億，移動端月均活躍用戶達2.2億，生活類更是作為最受用戶歡迎的內容品類。作為“中國版YouTube”，Bilibili聚集了眾多自媒體，Vlog日均產量達上千條。

數據集選取B站2017年7月11日—2021年1月17日的100個Vlog數據，爬取數據包括“UP主”“視頻標題”“粉絲量”“播放量”“彈幕量”“收藏數”“硬幣數”“轉發數”“點贊數”，以及每個視頻的約1 500條“彈幕”和1 000條“評論”數據，總計約150 000條彈幕和100 000條評論。調用百度Api進行情感分析，對文字信息進行量化，得出評論的情感傾向“Sentiment（評論）”、彈幕的主觀性“Confidence（彈幕）”。基于已爬取的數據對其相關性進行分析，依據其相關性對信息關注度及滿意度指標進行定義。基于HMM模型，通過Python代碼及最小BIC值原理選取最佳擬合模型并進行數據分類。按照分出的3個類型，利用最小二乘法進行具體分析。

本文數據主要使用Python爬蟲在嗶哩嗶哩網站進行數據爬取，導入百度Api使用Python代碼進行分類和情感分析，利用Hmmlearn模型實現Baum-Welch算法[38]對HMM模型進行參數估計，使用Spss26.0進行Pearson相關性及回歸分析。

4.2 變量及因素的量化定義

播放量作為用戶行為的最終以及關鍵表現因素，通過皮爾遜相關性實驗得出其與其他各個表現因素的相關關系，實驗結果如表2所示。依據各個變量相對于播放量的相關性及式（2）、（3）得出各個變量的衡量指標表如表3所示。

4.3 外部變量

在HMM模型中，外部變量包括Vlogger個人魅力和用戶審美區隔心理，其中：①Vlogger人格賦魅是Vlogger對用戶影響力、聲譽的主觀折射;②用戶審美區隔心理是指用戶受Vlogger風格的影響，會影響后續用戶的點擊率。

1）Vlogger人格賦魅

Vlog在Bilibili表現出了明顯的“粉絲經濟”，粉絲是內容消費者，也是內容產出者。頂層Vlog的博主自身具備一定的流量，有充足的粉絲基礎。UP主們為平臺提供優質內容，吸引更多粉絲加入，粉絲們通過點贊、發彈幕、評論等互動行為激勵UP主持續創作。內容的產出者與消費者彼此促進，形成完美的良性循環，使UP主創作出更多的優質作品，從而獲得更多的關注[39]。

因此，基于數據集在此進行播放量與粉絲量的相關性分析。分析得其顯著性為0.000，在0.01級別相關性顯著。Pearson相關系數為0.512，說明粉絲量與播放量存在明顯的正相關關系。

2）用戶審美區隔心理

用戶在觀看Vlog時，總會期望從視頻制作者的作品中找到共鳴。尤其在當代，年輕人格外渴望尋求自己與他人的不同。Vlog與短視頻相比，其畫面、文字、配樂更加精良，更加符合當代年輕人的審美趣味。Vlog內容涵蓋旅游、娛樂、美食等多個領域，而Vlog中表達的正能量的生活也正與年輕人對美好生活的向往不謀而合，也象征著人們對高審美和生活品質的追求。用戶審美區隔心理則作為個人之間存在的差異，對用戶的感受產生影響。

4.4 內部變量

在HMM模型中，內部變量包括情感認同、沉浸體驗、滿意度和信息關注4個指標。其被各種中間變量所決定，中間變量樣本特征如表5所示。

4.4.1 HMM訓練與參數估計

基于HMM模型定義，確定其隱含狀態。根據BIC準則的計算公式，如式（5）所示，結果如表6所示。根據最小BIC值準則[40]，N=3時HMM模型的擬合度最優，所以下述分析將采用1階段能力狀態的HMM模型，此時CK={1，2，3}，狀態集中的3種狀態分別表示為“初級狀態”“中級狀態”和“高級狀態”。2AC46568-9043-4891-A42B-E92F97BB1D59

本文中Baum-Welch算法利用Python的隱馬爾可夫HMMLearn庫進行實現。對數據集中的樣本數據進行訓練，構建多維連續HMM模型。對Vlog不同狀態觀測值進行參數估計[41]，結果如表7所示。本研究從初始概率向量來看，大部分Vlog集中于狀態2，狀態1與狀態2相對較少。從狀態間轉移概率看，轉移過程中，狀態幾乎不變，十分穩定，相對狀態1有較小可能發生變化。

4.4.2 結果分析與討論

對不同狀態集進行數值實驗。基于式（4），對其進行回歸分析，結果如表8所示。

1）基礎信息分析及討論

根據上表及內部變量隨狀態變化趨勢，如圖3所示，觀測得：

a.狀態1為初級狀態，即Vlog滿意度較低，播放量相對較少（幾萬～幾十萬量級）。處于該狀態的視頻博主擁有一些粉絲基礎，但并沒有穩定的高質量視頻輸出。

b.狀態2為中級狀態，即Vlog滿意度中等，處于該狀態的視頻博主已經處于Vlog行業的核心地帶，并保持著長期的高質量水平輸出，擁有較豐富的粉絲基礎。

c.狀態3為高級狀態，即Vlog滿意度較高，處于該狀態的視頻博主與狀態2的視頻博主有部分重合。

由數據集分類結果和內部變量隨狀態變化趨勢，如圖3所示，可以得出以下觀點。

①用戶的信息關注和對視頻的滿意度會直接影響其Vlog使用決策。信息關注決定了用戶是否會在博主下一次更新時及時關注，而長期的信息關注會使用戶對博主產生依賴心理[42]。滿意度則決定了該博主視頻對用戶的吸引力。二者共同作用，使觀看Vlog演變為習慣，習慣促使用戶在空閑時間主動尋找Vlog觀看，從而產生持續使用行為。

②滿意度隨狀態的提升上升。滿意度對初級和高級狀態Vlog均有相對顯著的直接正向影響，而中級狀態大部分都保持著穩定的滿意度。用戶對視頻整體體現的效果感受會直接影響用戶持續使用行為的判斷。

③僅憑借內部變量，從初級狀態到中級狀態的概率很小，而中級狀態到高級狀態的突破幾乎是不可能的。這也說明如果要實現狀態突破，需要外部變量，即極高的粉絲量或極具價值的視頻內容的助力。

④情感認同對初級狀態Vlog的信息關注有顯著負向影響，而其他狀態影響不明顯。一方面其原因可能是，初級狀態Vlog的內容更趨向于小眾化，不具備代表性，難以形成情感認同;另一方面，Vlog表現形式具有時間限制，觀看時間不充足導致難以形成情感認同。

⑤沉浸體驗對高級狀態Vlog的信息關注有顯著負向影響，而其他狀態不明顯。該結論與陳明紅[42]的結論一致，但與其他相關研究不一致。其原因可能是，處于高級狀態的Vlog比起日常生活的記錄，更趨向于對人生關鍵節點的“非日常”記錄，并且一部分用戶是被熱度所吸引，并非基于本身興趣。用戶沒有主觀對Vlog的認同，難以形成沉浸體驗。初、中級狀態則因為觀看Vlog時間的“碎片化”，難以形成沉浸體驗。

2）優勢積累

從初級狀態向高級狀態躍遷的過程，即視頻博主長期滿足用戶需求的Vlog通過高信息關注的優勢累積，從而達到粉絲與視頻播放量的雙重增長。因而，從用戶角度，用戶期待Vlog與自身的情感契合、長期的優質產出、Vlogger的個人魅力。從視頻博主角度，Vlogger期待用戶長期的高信息關注和粉絲量的增長。只有用戶與博主的雙向作用，才有可能躍遷到高級狀態，成為Vlog流量大V，如圖4所示。

5 總結與展望

針對Vlog用戶持續使用行為，通過文獻梳理和數據分析，以S-O-R為基礎架構，推論出Vlog用戶持續使用模型。基于此，對其進行情感分析、Pearson相關分析、參數估計等，進行模型驗證。以下從用戶層面影響因素，Vlogger層面及Vlog層面對其進行深度挖掘，得出結論如下：

1）用戶的信息關注和對視頻的滿意度會直接影響用戶是否選擇繼續觀看Vlog，以及是否將觀看Vlog作為娛樂習慣。由于Vlog的時長限制，“碎片化”的觀看令用戶難以形成情感認同與沉浸體驗，并且流量過高的視頻吸引來的部分用戶會拉低視頻的數據質量，視頻內容僅僅是“個人”生活體驗的Vlog流量往往較低。

2）Vlogger要想成為頭部博主，需要經過前期長期穩定的優質內容輸出以及運氣加成和后期粉絲量的累積，才能獲得穩定的高質量數據。“出圈”的Vlog則需要滿足兩點要求，一是博主本身具備較高熱度;二是視頻內容與熱點話題結合，有“爆點”，讓用戶有分享欲。

3）經數據集分類結果總結，用戶Vlog類型偏好為：日常記錄類<搞笑類<“非日常”記錄類。這說明用戶更偏愛內容新穎、信息充實、有現實意義的Vlog。從博主方面，做出高熱度視頻的博主大多主職其他類別視頻，而并非專職Vlogger，而專職Vlogger視頻內容易同質化，具有一定限制。

在國際市場，Vlog已經經過了9年的考驗。而在國內，Vlog作為舶來品，于2016年才受到廣泛的關注，正處于發展的關鍵點。目前，Vlog的發展蒸蒸日上，在各個自媒體，各領域視頻創作者都有逐漸向Vlog博主轉型的趨勢，并且Vlog創作不受領域限制。Vlog的制作是低門檻的，它展示人們的生活，這方面與其他需要專業知識的視頻不同。但從另一方面，高質量的Vlog制作的難度也極大。

Vlog的未來發展需要持續高質量的輸出，提高Vlog的整體檔次，壓縮低質Vlog的市場。按照Vlog現在的發展趨勢以及一些高效Vlog制作軟件的出現，在未來，Vlog有機會沖擊現今短視頻的“全民參與”地位，代替圖片作為一種更鮮活的生活記錄方式。但同時，Vlog若想向高普及率發起沖擊，對Vlogger的要求極高。Vlogger需要制作出滿足更多人對美好生活向往的Vlog，其自身也必須十分優秀以及擁有獨特的生活體驗。從文字到圖像，再到影像，人們的記錄方式越來越先進，這不僅僅是一種生活的記錄，更是一種文化的記載。隨著科技的發展，VR、AR技術的出現也許在未來能給Vlog的發展帶來新的生機，從二維平面影像變為三維全息立體影像。Vlog也將從積極情緒的傳遞，變為沉浸式人生體驗。2AC46568-9043-4891-A42B-E92F97BB1D59

本研究仍存在一定的局限性，研究模型或許不夠完善，獲取數據有限，只能從宏觀方面進行分析，未從用戶角度深入探究，后續研究可在情感認同和沉浸體驗方面，進一步探索用戶心理。

參考文獻

[1]CNNIC.第47次《中國互聯網絡發展狀況統計報告》[EB/OL].http：//www.gov.cn/xinwen/2021-02/03/content_5584518.htm.

[2]楊善林，王佳佳，代寶，等.在線社交網絡用戶行為研究現狀與展望[J].中國科學院院刊，2015，30（2）：200-215.

[3]陽長征.突發事件中社交媒體用戶黏性與情感負荷對信息共生行為影響研究[J].情報學報，2021，40（6）：640-655.

[4]張昕.Vlog的特點與發展趨勢——從視覺說服視角[J].青年記者，2018，（17）：98-99.

[5]Wang Y W.Humor and Camera View on Mobile Short-form Video Apps Influence User Experience and Technology-adoption Intent，an Example of TikTok（Dou Yin）[J].Computers in Human Behavior，2020，110：106373.

[6]鄧勝利，楊璐伊，付少雄.基于自我差異理論的社交網絡用戶自我披露行為研究[J].情報理論與實踐，2021，44（3）：122-130.

[7]Mehrabian A，Russell J A.An Approach to Environmental Psychology[M].US：MIT，1974：43.

[8]Bhattacherjee A.Understanding Information Systems Continuance：An Expectation-Confirmation Model[J].Mis Quarterly，2001，25（3）：351-370.

[9]Jeung-Tai E T，Chi-Hui C.Integrating Experiential Value of Blog Use Into the Expectation-Confirmation Theory Model[J].Social Behavior and Personality：AnIinternational Journal，2010，38（10）：1377-1389.

[10]孫建軍，裴雷，劉虹.基于期望確認模型的視頻網站持續使用模型構建[J].圖書情報知識，2013，155（5）：82-88，45.

[11]劉虹，裴雷，孫建軍.基于期望確認模型的視頻網站用戶持續使用的實證分析[J].圖書情報知識，2014，159（3）：94-103.

[12]Katz E，Blumler J G.The Uses of Mass Communication：Current Perspectives on Gratifications Research[J].American Journal of Sociology，1974，3（6）：318.

[13]Hsu M H，Chang C M，Lin H C，et al.Determinants of Continued Use of Social Media：The Perspectives of Uses and Gratifications Theory and Perceived Interactivity[J].Information Research，2015，20（2）：671.

[14]鄧君，魏瑤，李蛟，等.在線知識社區用戶非持續使用意愿研究——以知乎為例[J].情報科學，2021，39（5）：138-145，155.

[15]孫挺，夏立新，李雪，等.社會化閱讀用戶持續使用意愿影響因素的薈萃分析[J].情報科學，2021，39（7）：153-161.

[16]武慧娟，尚冰琦，孫鴻飛，等.微閱讀用戶持續使用行為影響因素及作用路徑研究[J].情報科學，2020，38（6）：76-82，102.

[17]張大權，朱泓飛，孫笑.基于扎根理論的高校新媒體平臺信息用戶持續關注行為影響因素分析[J].情報科學，2021，39（3）：113-119.

[18]龐立君，楊洲.虛擬品牌社區中信息交互對用戶參與行為的影響研究[J].情報科學，2021，39（7）：108-115.

[19]張敏，龍貝妮，邵欣，等.短視頻APP用戶持續使用意愿之形成機理及其治理展望——基于擬態陪伴的分析視角[J].現代情報，2021，41（7）：49-59.

[20]Tajfel H.Differentiation Between Social Groups：Studies in the Social Psychology of Intergroup Relations[J].London：Academic Press，1978.

[21]熊勵，郭慧梅.基于動機認知理論的突發事件網絡信息分享行為影響因素研究[J].情報雜志，2021，40（5）：125-131.

[22]歐陽宏生，胡畔.交互傳播中的移情效應及其實現途徑[J].西南民族大學學報：人文社科版，2017，38（1）：174-178.

[23]張寧，袁勤儉，朱慶華.個體認知專注與虛擬社區參與關系的元分析[J].情報學報，2018，37（2）：161-171.2AC46568-9043-4891-A42B-E92F97BB1D59

[24]Horton D，Richard W R.Mass Communication and Para-social Interaction[J].Psychiatry，1956，19（3）：215-229.

[25]Katz E，Haas H，Gurevitch M.On the Use of the Mass Media for Important Things[J].American Sociological Review，1973，38（2）：164-181.

[26]彭蘭.連接與反連接：互聯網法則的搖擺[J].國際新聞界，2019，41（2）：20-37.

[27]王德勝，楊園園.共情撫慰、整合歸屬與人格賦魅：對年輕群體Vlog觀看動機的研究[J].中國編輯，2020，（Z1）：45-49.

[28]魏抒.Vlog的受眾心理與優化策略探析[J].傳媒，2020，（11）：52-54.

[29]季亞萍，萬棋民.傳播學視角下短視頻APP用戶的個體表達——以小咖秀為例[J].新聞研究導刊，2016，7（23）：70-71.

[30]Gao L，Bai X.An Empirical Study on Continuance Intention of Mobile Social Networking Services：Integrating the IS Success Model，Network Externalities and Flow Theory[J].Asia Pacific Journal of Marketing and Logistics，2014，26（2）：168-189.

[31]甘春梅，林晶晶，肖晨.社交網絡用戶間歇性中輟行為的影響因素研究[J].情報理論與實踐，2021，44（1）：118-123.

[32]Baum L E，Petrie T.Statistical Inference for Probabilistic Functions of Finite State Markov Chains[J].Annals of Mathematical Statistics，1966，37（6）：1554-1563.

[33]廖雯竹，李 丹.基于SAEM-HMM的設備狀態診斷模型研究[J].系統工程理論與實踐，2017，37（7）：1910-1918.

[34]張瑞，董慶興.基于LDA-HMM的知識流動模式發現研究[J].情報科學，2020，38（6）：67-75.

[35]韓冬梅，夏麗華.基于HMM模型的MOOCs持續使用行為影響因素研究[J].情報科學，2020，38（12）：70-77.

[36]Huang Y，Singh P V，Ghose A.A Structural Model of Employee Behavioral Dynamics in Enterprise Social Media[J].Management Science，2015，61（12）：2825-2844.

[37]Schwarz G E.Estimating the Dimension of a Model[J].The Annals of Statistics，1978，6（2）：461-464.

[38]Rabiner L R.A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77（2）：257-286.

[39]黃仲山.隱性“區隔”與顯性支配——論審美趣味與審美權力的雙向建構[J].山東大學學報：哲學社會科學版，2014，（6）：147-152.

[40]Wasserman L.Bayesian Model Selection and Model Averaging[J].Journal of Mathematical Psychology，2000，44（1）：92-107.

[41]Singh P V，Tan Y，Youn N.A Hidden Markov Model of Developer Learning Dynamics in Open Source Software Projects[J].Information Systems Research，2011，22（4）：790-807.

[42]陳明紅，鄭潔萍，漆賢軍.移動社交媒體用戶信息共享持續意愿研究[J].情報理論與實踐，2017，40（4）：37-43.

（責任編輯：陳 媛）2AC46568-9043-4891-A42B-E92F97BB1D59