从浏览到回答：注意力分配视角下问答社区流量转化的组态研究.pdf

研究论文作者简介 仇姝懿,硕士生,研究方向为在线用户行为、知识社区;马玲(通讯作者),博士,教授,硕士生导师,研究方向为在线用户行为、知识共创,E m a i l:m a l i n g e c u s t.e d u.c n。本文引用格式:仇姝懿,马玲.从浏览到回答:注意力分配视角下问答社区流量转化的组态研究J.信息资源管理学报,2 0 2 4,1 4(1):8 4-9 7.从浏览到回答:注意力分配视角下问答社区流量转化的组态研究仇姝懿 马 玲(华东理工大学商学院,上海,2 0 0 2 3 7)摘 要 促进从问题浏览到作答的流量转化对问答社区至关重要。本研究将流量转化视为由问答界面信息线索协同作用的多要素并发过程,以知乎的2 0 8 5条问题为样本,应用模糊集定性比较分析,从注意力分配视角对问答社区的流量转化进行组态研究,并辅以回归分析。研究发现,高流量转化率问题的组态路径包括低作答竞争-高社会关注刺激与低作答竞争-强社会影响刺激的高可读性问题,与非高流量转化率问题的组态路径并非完全因果对称;知识结构化程度不同的问题实现流量转化的组态存在差异。研究解释问答社区用户从浏览向作答转化过程中的注意力分配,揭示从浏览到回答的流量转化机制,有助于促进知识分享平台流量转化,优化问答界面设计。关键词 问答社区 流量转化 注意力分配 内源性注意 外源性注意 模糊集定性比较分析(f s Q C A)中图分类号G 2 0 6 文献标识码A 文章编号2 0 9 5-2 1 7 1(2 0 2 4)0 1-0 0 8 4-1 4D O I:1 0.1 3 3 6 5/j.j i r m.2 0 2 4.0 1.0 8 4F r o m B r o w s i ng t o A n s w e r i ng:A C o n f igu r a t i o n a l A n a lys i s o f T r a f f i c C o n v e r s i o n i n Q&A C o mm u n i ty f r o m t h e P e r spe c t i v e o f A t t e n t i o n D i s t r i b u t i o nQ i u S h u y i M a L i n g(S c h o o l o f B u s i n e s s,E a s t C h i n a U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y,S h a n g h a i,2 0 0 2 3 7)A b s t r a c t T r a f f i c c o n v e r s i o n f r o m q u e s t i o n b r o w s i n g t o a n s w e r i n g i s o f g r e a t s i g n i f i c a n c e t o Q&A c o m-m u n i t y.I t i s r e g a r d e d a s a m u l t i-f a c t o r c o n c u r r e n t p r o c e s s o f t h e s y n e r g y o f i n f o r m a t i o n c l u e s w i t h i n t h e Q&A i n t e r f a c e.E m p l o y i n g f u z z y-s e t q u a l i t a t i v e c o m p a r a t i v e a n a l y s i s,t h i s s t u d y e x a m i n e s 2,0 8 5 q u e s t i o n s f r o m Z h i h u t o e x p l o r e h o w t r a f f i c c o n v e r s i o n i n t h e Q&A c o mm u n i t y c a n b e f a c i l i t a t e d,w i t h s u p p l e m e n t a r y i n s i g h t s f r o m r e g r e s s i o n a n a l y s i s.T h e f i n d i n g s r e v e a l t h a t t h e c o n f i g u r a t i o n p a t h o f h i g h t r a f f i c c o n v e r s i o n r a t e i n-c l u d e s r e a d a b l e q u e s t i o n t y p e o f l o w c o m p e t i t i o n-h i g h s o c i a l c o n c e r n a n d l o w c o m p e t i t i o n-s t r o n g s o c i a l i n f l u e n c e.C o n v e r s e l y,t h e c o n f i g u r a t i o n p a t h f o r n o n-h i g h t r a f f i c c o n v e r s i o n r a t e s i s c a u s a l a s y mm e t r y.F u r-t h e r m o r e,t h e c o n f i g u r a t i o n p a t h s o f h i g h t r a f f i c c o n v e r s i o n a r e d i f f e r e n t f o r q u e s t i o n s w i t h d i f f e r e n t d e g r e e s o f k n o w l e d g e s t r u c t u r e.T h e s e f i n d i n g s e l u c i d a t e t h e u s e r a t t e n t i o n d i s t r i b u t i o n i n Q&A c o mm u n i t i e s d u r i n g t h e t r a n s i t i o n f r o m b r o w s e r s t o a n s w e r e r s a n d r e v e a l t h e m e c h a n i s m s o f t r a f f i c c o n v e r s i o n,w h i c h h e l p s t o f a c i l i-t a t e t r a f f i c c o n v e r s i o n o f k n o w l e d g e s h a r i n g p l a t f o r m a n d o p t i m i z e t h e Q&A i n t e r f a c e d e s i g n.K eyw o r d s Q&A c o mm u n i t y;T r a f f i c c o n v e r s i o n;A t t e n t i o n d i s t r i b u t i o n;E n d o g e n o u s a t t e n t i o n;E x o g e-n o u s a t t e n t i o n;F u z z y-s e t q u a l i t a t i v e c o m p a r a t i v e a n a l y s i s(f s Q C A)481 引言问答社区的兴起激发了用户以问题发布形式表达的知识需求。然而，由于用户的注意力和精力有限且问题众多，“光浏览不回答”的现象越发普遍，大量问题悬而未解，导致了“问题饥饿现象”1。换句话说，点进问题界面的用户尚未产生知识贡献的价值就离开了，这不利于社区内容的初始化和问题“冷启动”的有效运营2，同时也导致平台流量的浪费。因此，探讨如何吸引浏览者的注意力并促使浏览者参与回答，从而提升社区内从问题浏览向作答的流量转化，具有重要现实意义。用户注 意 力 是 平 台 必 须 获 得 的 稀 缺 资源3，是吸引并有效转化流量的关键因素。与广告流量3、直播流量4等类似，问答社区中用户对问题分配的注意力也能促进流量产生价值5。一方面，用户浏览问题时会接触到由问题本身、作答环境和他人行为释放的多种信息线索，这些线索共同分配着浏览者的注意力而非独立存在。另一方面，用户浏览问题后的作答决策是由多信息线索协同作用的复杂决策过程。理解用户如何对问题浏览过程中捕获的信息线索进行注意力分配，并做出作答决策，对社区管理者至关重要。因此，本文基于注意力分配视角，采用模糊集定性比较分析（F u z z y-s e t Q u a l i t a t i v e C o m p a r a t i v e A n a l y s i s，f s Q C A）方法，探究实现从问题浏览到作答的流量转化的前因条件。综上，本文研究问题为：在问答社区用户注意力有限的情况下，怎样组合配置浏览问题过程中的复杂信息线索，以刺激浏览者的注意力并激励其作答，从而提升社区中从问题浏览到作答的流量转化率。本文为吸引并留住用户、实现流量转化提供相关的影响条件组合，也为社区识别高价值问题、优化问答界面设计提供实践指导。2 文献综述与分析框架2.1 问答社区的用户知识贡献用户知识贡献是指用户自发为他人贡献知识的行为，包括提供专业知识、问题解决办法或发展新理念等6。本文聚焦于狭义的知识贡献，即知识供给者回答知识需求者提出的问题，也就是用户的回答行为7。当前，国内外学者主要从用户的行为动机、个人特征、社交互动和社区环境与机制四个方面展开对社区用户知识贡献的研究。针对用户的行为动机，相关文献已发现兴趣和享受8、自我效能9-1 0、利他主义9、社会学习9,1 1-1 2等内在动机，以及徽章1 3、金钱奖励1 4、声誉1 5-1 7、社会联系1 8等外在动机对用户的知识贡献具有显著作用。针对用户的个人特征，相关文献证实了社会地位1 1、社区级别1 9和个人身份披露1 1,1 9等特征对用户知识贡献行为的重要影响。针对用户的社交互动，相关文献发现了社交嵌入2 0、关注关系网络1 8、同伴效应1 2,2 0等影响了用户在社区内的贡献行为。针对社区环境与机制，相关文献表明，知识传播环境1 8、社区个性化推荐机制1 0、社区徽章认可机制2 1、社区价值共创机制1 9,2 1等是影响用户知识贡献的重要环境或机制因素。由文献梳理可知，以往知识贡献相关研究多侧重于用户的回答动机、社交互动与社区机制的影响等方面，鲜少有研究从用户认知层面的注意力分配视角切入，探讨外界信息线索组合如何影响用户的作答决策，从而促进问答社区内从浏览问题向作答转化的研究更是少数，尚待补充。2.2 流量转化流量（t r a f f i c）是基于搜索引擎、推荐策略或广告投放而吸引进来的点击数量、浏览数量、访客数量等。流量转化（t r a f f i c c o n-v e r s i o n）是吸引潜在用户行为转化，使其真正实现价值的过程3。现有文献主要从吸引流量的来源特征、促成流量转化的用户认知及平台机制三方面探讨了流量转化的影响因素。例如，在吸引流量的来源特征方面，H u a n g等3、X u等2 2和L i等2 3分别探讨了广告市场中广告自身语言风格特征和展示类型特征对流量转化的影响。在促成流量转化的用户认知方面，L i等2 4探讨了用户认知对竞争系统间访问流量转化的影响。在促成流量转化的平台机制方面，H u a n g等2 5、S u n等2 6和L i等2 3分别探讨了电商平58台口碑机制、零售平台实时聊天机制和营销平台推荐机制对流量转化的作用机理。从研究场景来看，目前流量转化的相关研究主要集中于在线广告市场3,2 2-2 3、电商零售运营4,2 5-2 6、应用软件系统2 7等场景，且主要关注从点击用户到购买用户的流量转化。而对于问答社区而言，促进流量的有效转化至关重要，但该场景中涉及流量转化的研究十分有限，仅有的研究探讨了从知识寻求到知识贡献2 8、从浏览到反馈赞同2 9、从医生界面浏览到咨询3 0以及从免费到付费1 7的流量转化。由文献梳理可知，现有研究多关注单因素对流量转化的净效应2 5，且多运用随机实验、机器学习和计量模型等方法，很少考虑到多因素的组合影响机制。少有的综合多因素对流量转化影响的研究，仅探究了每个因素或渠道对 流 量 转 化 率 的 各 自 归 因 和 贡 献率2 3，并未真正探讨多因素组合如何协同促成流量转化。另一方面，用户注意力是促进流量转化的重要稀缺资源3,2 9，也是促进流量转化漏斗的第一步3 1，但鲜有研究从注意力分配视角进一步探究促进流量转化的组态效应。2.3 理论视角:选择性注意理论个体注意力通常受内部认知、外部环境或他人行为刺激3 2。选择性注意理论（s e-l e c t i v e a t t e n t i o n t h e o r y）将个体注意力分为内源性注意（e n d o g e n o u s a t t e n t i o n）与外源性注意（e x o g e n o u s a t t e n t i o n）3 3。其中，内源性注意由焦点目标驱动，是个体自上而下基于主观努力的自愿注意；外源性注意是由外部现象或环境中的信息线索引发的自下而上的注意4。目 前，现 有 研 究 探 讨 了 电 商 直播4、应用程序市场3 4和文本阅读3 5等场景中的注意力分配，但问答社区场景中用户的注意力机制还未被充分探索。问答社区中，能否实现从问题浏览到作答的流量转化，主要取决于用户的作答决策。线索一致性理论（c u e c o n s i s t e n c y t h e o r y）认为，用户同时接触的大量信息线索对其注意力的影响并非独立存在，而是相互协同地影响用户决策3 6，这也为本文采用f s Q C A探究多种信息线索对流量转化的多要素并发机制提供了理论支撑。2.4 分析框架由文献梳理可得：目前“流量转化”的概念被广泛应用于电商运营策略研究，而“流量转化”对问答社区的问题“冷启动”同样关键。已有研究多采用计量回归等统计分析探究促进流量转化的净效应，忽视了其中的复杂因果关系，因此亟待从组合的角度分析如何促进流量转化。选择性注意理论呼应了用户在浏览问题时的注意力分配；线索一致性理论从理论层面为本文采用f s Q C A方法提供了支撑。综上，本文基于选择性注意理论和线索一致性理论，从注意力分配视角切入，区分了刺激用户内源性注意（与焦点目标直接相关）和外源性注意（由外部现象及环境特征等引发）5,3 7的信息线索，构建如图1所示的理论模型。图1 理论模型682.4.1 刺激内源性注意的线索内源性注意由焦点目标驱动，主要强调用户认知信息的重要性和用户的目的性3 4。例如，电商直播间观众的目标是购买心仪的商品，因此主播推荐的商品是刺激观众内源性注意的主要信息线索4。阅读时理解文字的语义内容是读者的目标，因此文本中的字母位置是刺激读者内源性注意的线索之一3 5。类似地，用户浏览问题时的目标是对问题信息进行认知以评估其价值，从而决定是否作答。双重编码理论指出言语编码和非言语编码是人们认知系统的两个重要部分，言语编码对应于文字、文本信息的认知，非言语编码对应于视觉图像等信息的认知3 8。问题浏览者会同时处理问题的文本信息和非文本信息，以分别形成对问题的可读性和可观性的认知。因此，本文将问题可读性和问题可观性纳入刺激用户内源性注意的信息线索。2.4.2 刺激外源性注意的线索人们对焦点目标的注意力在一定程度上会受到外部环境和他人行为的影响，因此刺激外源性注意的线索通常为外部现象及环境特征3 4,3 9。例如，现有研究将直播间售卖商品时底部弹幕体现的互动环境4、应用程序在其生态系统中的流行度3 4等作为与外源性注意相关的信息线索。如图2所示，本研究场景中，问题、答案和社区用户构成了知乎问答界面的三个信息要素主体。对浏览者而言，问题是其关注的焦点目标；现有答案是其作答环境的信息要素之一1 1,4 0；社区用户包括其他浏览者和现有回答者，其行为对于浏览者而言属于他人行为。H a v a k h o r等4 1指出个人作为主体，能与环境及其他主体进行互动，并根据接收到的信息改变行为。因此，环境和他人行为作为信息线索会影响个人认知与行为1 1,1 8，也是除焦点问题以外的主要外部现象与外生力量3 4，同时在一定程度上影响着用户对焦点问题的认知与评价。本文将作答竞争、社会关注和社会影响纳入刺激外源性注意的信息线索，并认为它们会与刺激内源性注意的信息线索联动，对最终实现从问题 浏 览 到 回 答 的 流 量 转 化 发 挥 综 合 作用。具体而言：（1）作答竞争。P e n g等4 0和S h i等1 1的研究证实了问题的现有回答情况反映了当前的 作 答 环 境。作 答 竞 争 是 一 种 环 境 线索4 2，体现了作答环境的拥挤度1 1，代表用户回答问题需承担的竞争压力。已有学者关注到了同一问题的答案间存在着竞争1 1，强烈的 竞 争 环 境 会 使 用 户 产 生 风 险 厌 恶 心理4 3，进而影响用户决策。因此，作答竞争是一种反映环境特征的外源性信息线索4 2。（2）社会关注。社会关注是他人行为的表现之一，主要来源于社区其他浏览用户的关注行为，并向浏览者反馈该问题是否受到其他浏览用户欢迎。他人的关注行为是体现问题价值的标准之一，会影响浏览者对问题内容本身的认知情况2 9,4 4。现有研究将社会关注纳入刺激外源性注意的线索中，并证实了它在用户注意力分配中发挥的重要作用3 4。图2 问答社区场景下刺激浏览者注意力的信息线索78（3）社会影响。社会影响是他人行为的另一方面表现，它是指个体感知到的对其有重要影响的人（例如高声誉者）对自己的态度和决策的影响4 5，因此社会影响主要来源于问题现有高声誉回答者的作答行为。当问题现有回答者的声誉普遍较高时，浏览者更容易受到他们的社会影响，倾向于跟随他们也去回答该问题4 6-4 7。相比于关注行为，作答行为需付出更多的认知精力，因而问题现有高声誉回答者的作答行为能更明确可靠地向浏览者反馈问题的价值。已有研究证实了社会影响作为刺激外源性注意的信息线索在电商直播场景中的作用4，其对在线社区的作用同样不容忽视4 8。3 研究方法与数据3.1 研究工具本文 采 用 模 糊 集 定 性 比 较 分 析 开 展 研究。该方法属于定性比较分析方法（Q u a l i t a-t i v e C o m p a r a t i v e A n a l y s i s,Q C A），结合了基于案 例 的 定 性 分 析 与 面 向 变 量 的 定 量 分析4 9，主 张 因 果 结 构 具 有 复 杂 性 和 非 对 称性，并强调结果发生与否是基于一系列相关条件的综合影响作用。Q C A方法包含清晰集定性比较分析（C r i s p-s e t Q u a l i t a t i v e C o m p a r a-t i v e A n a l y s i s,c s Q C A）、多值集定性比较分析（M u l t i-v a l u e Q u a l i t a t i v e C o m p a r a t i v e A n a l y s i s,m v Q C A）以 及 模 糊 集 定 性 比 较 分 析（f s Q-C A），其中f s Q C A适用于分析不同大小样本的连续性变量3 7。本研究选择f s Q C A的原因为：能否实现从问题浏览到回答的流量转化是由复杂信息线索决定的，相比传统统计方法关注单一因素的净效应，f s Q C A能较好地处理多因素组合对结果的影响，适用于本研究问题；f s Q-C A能较好地处理因果非对称关系。因果非对称关系是指因果条件的存在或不存在不会隐含地导致结果的发生与不发生5 0，即导致结果存在的原因可能与导致结果不存在的原因截然不同5 1-5 2。例如，W u等5 2指出高职业地位可能经常出现在解释高收入结果的组态中，但低职业地位也许和解释非高收入结果的组态无关；杜运周等5 3指出有核心能力可以获得竞争优势，但没有核心能力（如通过非市场战略）也能获得竞争优势，这些均代表了因果非对称关系。而传统相关理论化中，因果关系是对称的，即“高职业地位会导致高收入，反之低职业地位会导致低收入”“有核心能力能获得竞争优势，没有核心能力就无法获得竞争优势”。而在本研究中，流量转化率的影响因素可能存在差异且并非完全因果对称，适合采用f s Q C A分析；本研究采用超过1 0 0案例数的大样本数据，且条件变量包含连续型变量，而f s Q C A正适用于处理大样本连续型变量4 9,5 4-5 5。3.2 数据来源本研究数据来自国内知名问答社区“知乎”的免费问答板块，以每条问题作为研究的维度，基于每条问题的浏览数、回答数等信息来探究从浏览到回答的转化。利用P y t h o n爬虫获取知乎在2 0 2 1年2月同一时间节点新增的2 2 2 4条问题，以满足问题案例在发布时间上的一致性。以这些问题为种子，时隔两个月追踪包括其话题、具体内容、提问者、回答者和对应回答等相关信息，剔除在观察期内被删除和更改的问题、缺失值以及异常数据，最终得到知乎的2 0 8 5条问题样本作为后续组态研究的2 0 8 5个案例。3.3 变量定义与校准3.3.1 变量定义本文结合选择性注意理论和线索一致性理论对条件变量进行定义，具体描述如表1所示。（1）刺激内源性注意的信息线索本文将问题可读性和问题可观性作为刺激内源性注意的信息线索。对于问题可读性，考虑到中文情境，本文参考齐托托等5 6的测量方式，用问题标题平均每句长度来进行测量，即标题总字数与句子结尾的标点符号总数的比值；平均每个句子越长，可读性越低，因此问题可读性是一个负向指标。对于问题可观性，本文采用问题所含图片和视频数来进行测量。（2）刺激外源性注意的信息线索本文将问题现有回答的作答竞争、其他88浏览者的社会关注、现有回答者的社会影响作为刺激外源性注意的信息线索。作答竞争 可 以 由 问 题 现 有 回 答 被 认 可 程 度 体现1 1,5 7。当某问题现有回答普遍受到了较高的认可，则之后回答该问题并获得同样程度的认可往往需要更高的要求和难度，这代表该问题现有回答已存在较为激烈的竞争。因此，本文用问题现有回答的平均获赞数来衡量作答竞争1 1。社会关注反映了问题的受欢迎度，通常可以用问题受到的关注数衡量1 1。浏览者倾向于观察、模仿高声誉领先型用户群体的行为5 8，希望通过回答来获得声誉和影响力。现有研究常以用户获赞数衡量用户声誉1 5,5 9，当问题现有回答者的整体声誉普遍较高时，用户更容易受到他们的社会影响从而模仿他们的行为并作答。因此，本文用问题现有回答者的平均获赞数来衡量社会影响4 7。（3）结果变量本文的结果变量为从浏览到回答的流量转化率，即每条问题收到的回答数与问题被浏览数的比值。表1 各指标变量说明变量类别指标类别变量名称变量符号变量描述条件变量刺激内源性注意的信息线索刺激外源性注意的信息线索问题可读性L问题标题平均每句长度问题可观性M问题所含图片和视频数作答竞争C问题现有回答的平均获赞数社会关注F问题受到的关注数社会影响I问题现有回答者的平均获赞数结果变量流量转化率C R问题收到的回答数/问题被浏览数3.3.2 变量描述性统计与校准采用f s Q C A需要将变量校准为0到1的模糊集，取值为1表示完全隶属，取值为0表示完全非隶属。数据校准时通常设置三个阈值，分别表示完全隶属、交叉点以及完全非隶属6 0。理想的阈值确定需有理论和实际支撑，但现实研究中多数变量缺乏理论依据支撑，此时往往以原始数据的分布特征为校准依据。当数据集中的变量呈现非正态分布时，广泛应用分位数、均值等作为校准锚点5 4-5 5。表2给出了变量描述性统计和校准的结果。由表2可知，多数变量的均值与标准差有较大差异，呈现非正态分布，且未能在理论上直接找到可参考的校准点。因此采用9 5%分位数、中位数和5%分位数作为完全隶属、交叉点和完全不隶属的阈值6 1，并结合实际经验和变量分布特征，采用均值对问题可观性（M）、作答竞争（C）的交叉点进行校准。此外，由于问题可读性（L）是一个负向指标，因此需对其进行反向校准。从结果变量（C R）的均值来看，每条问题下从浏览到作答的流量转化率普遍较低，因此探索高流量转化率问题的组态结果存在必要性。表2 变量描述性统计与校准结果(案例数=2 0 8 5)变量类别变量符号平均值标准差最小值最大值完全隶属交叉点完全不隶属条件变量L1 4.8 6 76.8 8 235 1.0 0 07.3 3 31 3.0 0 02 8M0.1 6 10.7 1 101 2.0 0 01.0 0 00.1 6 10C0.5 1 94.5 4 701 6 4.6 9 21.9 5 90.5 1 90F1 8.9 6 02 2 5.8 5 307 4 4 9.0 0 04 6.0 0 02.0 0 01I7 6 0.4 0 05 3 1 1.1 6 201 7 2 7 4 32 6 2 4.7 0 01 1.0 0 00结果变量C R0.0 1 7 20.0 2 900.3 3 30.0 6 70.0 0 704 数据分析与实证结果4.1 必要条件分析在分析组态效应前，需要对各条件变量进行必要性分析。必要性分析是确认某条件变量是否构成了结果实现的必要条件，通常用一致性判断。一般认为，确定为必要条件的一致性最低阈值为0.96 2。必要条件分析结果如表3所示。98表3 必要条件分析结果条件变量符号高流量转化率问题非高流量转化率问题一致性覆盖度一致性覆盖度L0.7 0 6 3 0 00.5 5 6 9 7 60.6 1 4 9 1 80.6 9 3 5 3 5L0.6 1 1 3 7 30.5 2 6 0 7 50.6 0 7 2 0 60.7 4 7 2 7 6M0.1 9 2 7 0 90.6 0 5 5 0 20.1 6 7 3 3 90.7 5 1 9 9 3M0.9 2 1 0 6 90.4 3 6 1 2 40.9 1 2 2 1 60.6 1 7 7 5 9C0.2 8 2 3 3 20.6 1 5 7 8 90.2 6 8 5 2 10.8 3 7 6 3 3C0.9 2 5 5 5 60.4 6 9 4 2 00.8 7 6 8 2 50.6 3 6 0 2 6F0.7 6 6 3 3 60.7 4 4 4 1 40.4 6 8 3 4 70.6 5 0 6 7 9F0.6 4 0 3 9 70.4 5 7 1 7 20.8 1 6 0 4 70.8 3 3 1 9 9I0.6 4 0 3 3 60.7 5 0 8 1 20.4 0 7 7 8 50.6 8 3 8 4 5I0.7 3 0 3 6 70.4 6 3 0 3 30.8 5 1 4 1 60.7 7 1 9 9 7注：大写字母表示条件“存在”，大写字母表示条件“缺席”。由表3可知，高流量转化率组M和C和非高流量转化率组M条件变量的一致性超过了0.9，因此上述变量有可能构成必要条件。为分析它们是否为无关紧要的必要条件，还 需 要：根 据 覆 盖 度 进 行 充 分 性 分析6 3。由于必要条件的覆盖度通常较高6 4，而上述三个条件变量的覆盖度均处于较低水平，部分甚至低于0.5，表明必要条件的解释力较低。因此尽管它们的一致性超过0.9，但依然无法构成必要条件6 5，即上述条件变量均为无关紧要的必要条件。然而，S c h n e i d e r等6 2和里豪克斯等6 6认为，删除必要条件会使研究框架不完整且脱离实践，同时表3中大部分条件变量的一致性低于0.9，说明影响流量转化的因素仍具有复杂性，需要条件变量的共同作用。因此，本文在组态分析中不删除必要条件，即综合考量上述五种条件变量的协同效应。4.2 条件组态分析在变量校准和必要条件分析之后，采用f s Q C A 3.0软件进行条件组态分析，此时通常会得到三种解：复杂解（c o m p l e x s o l u t i o n）、中间解（i n t e r m e d i a t e s o l u t i o n）和简约解（p a r-s i m o n i o u s s o l u t i o n）。复杂解是不经过反事实分析的结果，中间解是经过简单反事实分析的结果，简约解是经过复杂反事实分析和简单反事实分析的结果6 6。通常根据中间解汇报相应条件，根据简约解判定是核心条件还是辅助条件。其中核心条件是能够对结果产生重要影响的条件，辅助条件是对结果具有辅助贡献的条件6 4。频数阈值根据样本规模而定，本文案例采用大样本（N=2 0 8 5），因此将案例频数的阈值设置为46 7。原始一致性阈值应不低于0.7 56 8，本文根据主流做法，将原始一致性的阈值设置为0.8，分别依据高流量转化率问题和非高流量转化率问题的真值表进行组态分析，并参照F i s s5 1提出的组态结果呈现形式来描述各条件变量在组态中的核心程度和替代关系。组态效应分析结果如表4所示，从中可知在高流量转化率和非高流量转化率的组态结果中，一致性得分均高于0.8，且总体解的一致性都高于可接受阈值0.7 56 2，证实了得到的组态对结果产生的充分性。解的覆盖度表示组态在多大程度上解释了案例样本，类似于回归分析中的R2，一般不存在阈值要求。表4的组态结果能解释一半以上的总样本，具有较强的解释力。就高流量转化率的三种组态而言，低作答竞争是三个组态的共同核心条件，表明浏览问题时用户感知的作答竞争程度是影响其从浏览者向回答者转化的关键外源性线索。当浏览者注意到回答问题需面对很高的内容竞争风险，例 如 得 不 到 作 答 回 报（如 他 人 的 点赞），或者自己的回答无人问津，会产生强烈的损失规避心理，以及“失大于得”的感觉。高社会影响是Y2和Y3的共同核心条件。当浏览者注意到某问题受到了越多高声誉用户的回答时，他们越会受到社会影响的作用，认为该问题是高质量和高价值的，并追随高声誉09表4 组态效应分析结果指标类别条件变量高流量转化率非高流量转化率Y1Y2Y3N1N2N3刺激内源性注意的信息线索L吠M吠吠吠刺激外源性注意的信息线索C吠吠吠吠F吠I吠一致性0.8 7 10.8 6 30.9 0 70.8 4 90.9 3 30.9 1 5原始覆盖度0.5 4 40.5 6 80.5 5 30.7 3 90.1 8 20.2 1 5唯一覆盖度0.0 2 90.1 1 60.0 0 60.6 2 10.0 0 40.0 2 7解的一致性0.8 3 50.8 5 1解的覆盖度0.6 9 80.8 4 1注：代表核心条件存在，吠代表核心条件缺席，代表辅助条件存在，吠代表辅助条件缺席，空白表示条件可存在、可不存在；Y1至Y3分别表示高流量转化率问题的三种组态结果。N1至N3分别表示非高流量转化率问题的三种组态结果。用户也去回答该问题，因此更愿意转化为回答者6 9。其中：Y1表明，无论问题可读性和社会影响如何，即便问题可观性较低，低作答竞争和高社会关注也能促进高流量转化。Y2表明，无论问题可观性和社会关注如何，高问题可读性、低作答竞争和高社会影响也能促进高流量转化。Y3表明，无论问题可读性和可观性如何，低作答竞争、较高的社会关注和高社会影响也能促进高流量转化。就非高流量转化率的三种组态而言，其中：N1表明，无论问题可读性和可观性如何，即便作答竞争较低，低社会关注和低社会影响会难以实现高流量转化。N1的原始覆盖度较高，揭示了多数问题难以实现高流量转化的路径，即多数情况下，受外部环境和他人行为影响，当浏览者感知到较高的作答风险时，他们就不愿意转化为回答者。N2表明，无论社会关注如何，即便社会影响很高，较低的问题可读性、低问题可观性和高作答竞争也会影响流量转化。N3表明，无论问题可读性如何，即便问题有较高的社会关注和高社会影响，低问题可观性和高作答竞争也难以实现高流量转化。N2和N3的核心条件均为低问题可观性、高作答竞争和高社会影响，说明当问题可观性是影响浏览者信息认知的重要因素时，即使高社会影响刺激了浏览者的外源性注意，促使他们感知到较高的作答收益，但仍难以弥补高作答竞争所带来的心理阻力，致使流量转化率较低。由于f s Q C A对案例的敏感度较高，且内容主题会影响知识的结构化程度，而知识的结构化 程 度 已 被 证 实 会 影 响 内 容 传 播 的 效果1 8，继而影响用户参与7 0。因此，本文从2 0 8 5个 案 例 中 筛 选 出1 5 0个 与 电 影、电 视剧、综艺和饭圈相关的娱乐类问题，以及2 9 3个与学术咨询、论文研讨、考研咨询相关的科研类问题，进一步分析不同主题的问题在实现高流量转化的组态路径上是否存在差异（见表5）。娱乐类问题属于结构化程度较低且主观性、互动性较强的问题，科研类问题属于结构化程度较高且客观性、专业性较强的问题，这两类问题能较好地区分知识的结构化程度。就娱乐类问题实现高流量转化的三种组态而言，E1表明，无论问题可读性和社会影响如何，即便问题可观性较低，低作答竞争和高社会关注也能促进此类问题的高流量转化。E2表明，无论问题可观性和作答竞争如何，高问题可读性、高社会关注和社会影响就能促进此类问题的高流量转化。E3表明，即便社会关注和社会影响较低，高问题可读性和可观性、较低的作答竞争也能促进此类问题的高流量转化。就科研类问题实现高流量转化的两种组态而言，S1表明，无论问题可读性如何，即便问题可观性和社会关注较低，低作答竞争和高社会影响可以促进此类问题的高流量转化。S2表 明，无 论 社 会19表5 娱乐类问题和科研类问题实现高流量转化率的组态结果指标类别条件变量娱乐类问题科研类问题E1E2E3S1S2刺激内源性注意的信息线索LM吠吠吠刺激外源性注意的信息线索C吠吠吠吠F吠吠I吠一致性0.8 7 80.8 7 30.8 1 40.9 3 30.9 0 4原始覆盖度0.6 4 40.4 7 00.1 4 20.4 5 50.5 0 1唯一覆盖度0.2 4 30.0 4 90.0 1 00.0 6 20.1 0 8解的一致性0.8 1 70.8 9 9解的覆盖度0.7 2 50.5 6 3注：代表核心条件存在，吠代表核心条件缺席，代表辅助条件存在，吠代表辅助条件缺席，空白表示条件可存在、可不存在；E1至E3分别表示娱乐类问题实现高流量转化率的三种组态结果；S1和S2分别表示科研类问题实现高流量转化率的两种组态结果。关注如何，即便问题可观性较低，高问题可读性、低作答竞争和高社会影响也会促进此类问题的高流量转化。对比组态结果可知，对于越可读或可观的问题，浏览者越会认为其有进一步作答的价值。E3和S2表明在问题可读的情况下，问题可观是娱乐类问题实现高流量转化的重要条件，但并非科研类问题实现高流量转化的重要条件。即娱乐类问题浏览者会关注是否穿插丰富的图片和视频，而科研类问题浏览者更关注问题是否清晰可读易懂。高社会关注通常是娱乐类问题被广泛讨论的重要条件，但不是科研类问题的核心条件。对科研类问题而言，回答者需具备较强的专业知识能力并提供标准化回答。高专业知识水平的用户通常更关注问题的专业对口程度，依据自身经验来感知问题价值7 1，相对较少关注问题的社会关注。娱乐类问题更多反映了大众在日常生活中津津乐道