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,200237)

1 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(Fuzzy-set Qualitative Comparative Analysis,fsQCA)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[9-10]、利他主义[9]、社会学习[9, 11-12]等内在动机,以及徽章[13]、金钱奖励[14]、声誉[15-17]、社会联系[18]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[11]、社区级别[19]和个人身份披露[11, 19]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[20]、关注关系网络[18]、同伴效应[12, 20]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[18]、社区个性化推荐机制[10]、社区徽章认可机制[21]、社区价值共创机制[19, 21]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(traffic)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(traffic con-version)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,Huang等[3]、Xu等[22]和Li等[23]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,Li等[24]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,Huang等[25]、Sun等[26]和Li等[23]分别探讨了电商平台口碑机制、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[3,22-23]、电商零售运营[4,25-26]、应用软件系统[27]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[28]、从浏览到反馈赞同[29]、从医生界面浏览到咨询[30]以及从免费到付费[17]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[25],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[23],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, 29],也是促进流量转化漏斗的第一步[31],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[32]。选择性注意理论(selective attention theory)将个体注意力分为内源性注意(endogenous attention)与外源性注意(exogenous attention)[33]。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[34]和文本阅读[35]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(cue consistency theory)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[36],这也为本文采用fsQCA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:①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。②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。③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fsQCA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)[5,37]的信息线索,构建如图1所示的理论模型。

图1 理论模型

2.4.1 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[34]。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[35]。

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[38]。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[34,39]。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[34]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[11,40];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。Havakhor等[41]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[11,18],也是除焦点问题以外的主要外部现象与外生力量[34],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:

图2 问答社区场景下刺激浏览者注意力的信息线索

(1)作答竞争。Peng等[40]和Shi等[11]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[42],体现了作答环境的拥挤度[11],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[11],强烈的竞争环境会使用户产生风险厌恶心理[43],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[42]。

(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[29, 44]。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[34]。

(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[45],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[46-47]。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[48]。

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(Qualitative Comparative Analysis, QCA),结合了基于案例的定性分析与面向变量的定量分析[49],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。QCA方法包含清晰集定性比较分析(Crisp-set Qualitative Comparative Analysis, csQCA)、多值集定性比较分析(Multi-value Qualitative Comparative Analysis, mvQCA)以及模糊集定性比较分析(fsQCA),其中fsQCA适用于分析不同大小样本的连续性变量[37]。

本研究选择fsQCA的原因为:①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,fsQCA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;②fsQCA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[50],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[51-52]。例如,Wu等[52]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[53]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fsQCA分析;③本研究采用超过100案例数的大样本数据,且条件变量包含连续型变量,而fsQCA正适用于处理大样本连续型变量[49, 54-55]。

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Python爬虫获取知乎在2021年2月同一时间节点新增的2224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2085条问题样本作为后续组态研究的2085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。

表1 各指标变量说明

(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[56]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。①作答竞争可以由问题现有回答被认可程度体现[11,57]。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[11]。②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[11]。③浏览者倾向于观察、模仿高声誉领先型用户群体的行为[58],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[15,59],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[47]。

(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。

3.3.2 变量描述性统计与校准

采用fsQCA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[60]。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[54-55]。

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95%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[61],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(CR)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=2085)

4 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0.9[62]。必要条件分析结果如表3所示。

表3 必要条件分析结果

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[63]。由于必要条件的覆盖度通常较高[64],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[65],即上述条件变量均为无关紧要的必要条件。

然而,Schneider等[62]和里豪克斯等[66]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fsQCA 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(complex solution)、中间解(intermediate solution)和简约解(parsimonious solution)。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[66]。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[64]。频数阈值根据样本规模而定,本文案例采用大样本(N=2085),因此将案例频数的阈值设置为4[67]。原始一致性阈值应不低于0.75[68],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Fiss[51]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0.75[62],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。

表4 组态效应分析结果

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,并追随高声誉用户也去回答该问题,因此更愿意转化为回答者[69]。其中:①Y1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。②Y2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。③Y3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:①N1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。②N2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。③N3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fsQCA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[18],继而影响用户参与[70]。因此,本文从2085个案例中筛选出150个与电影、电视剧、综艺和饭圈相关的娱乐类问题,以及293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。

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

就娱乐类问题实现高流量转化的三种组态而言,①E1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。②E2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。③E3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,①S1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。②S2表明,无论社会关注如何,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,①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。②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[71],相对较少关注问题的社会关注。③娱乐类问题更多反映了大众在日常生活中津津乐道的事件,用户无需掌握过多的结构化专业知识即可参与作答,这使得更多的低专业知识水平用户加入作答行列,更加自由地发表观点,这也降低了用户对声誉损失等作答风险的敏感度和竞争规避心理,因此E2和E3中的作答竞争为无关紧要的条件或辅助条件。相比之下,回答科研类问题的难度和门槛更高,答案更容易有比较和参差,导致作为理性人的用户更强烈地厌恶风险,分配更多外源性注意给作答竞争。若回答科研类问题未得到较高的赞同,在一定程度上会被视为对回答者专业知识能力的否定[16]。为避免声誉受损的风险,用户会倾向于更安全的选择,因此S1和S2中的作答竞争均为核心条件。④浏览者更倾向于观察学习科研类问题下高声誉专业用户的回答,使自己获得更高的影响力,因此高社会影响是核心条件。

4.3 稳健性检验

定性比较分析研究中常用的稳健性检验方法包括调整校准阈值、改变案例频数、改变一致性门槛值和补充或剔除案例等[64]。本文通过调整校准阈值的方法进行稳健性检验,将95%分位数替换为90%分位数,将5%分位数替换为10%分位数,作为对应的阈值(交叉点阈值保持不变)。调整后的结果如表6和表7所示,得到的组态路径与上文一致,结果稳健。

表6 组态效应分析稳健性检验结果

表7 娱乐类问题和科研类问题实现高流量转化率的组态结果(调整校准阈值)

4.4 回归模型分析

由于样本数量较多(N=2085),本文进一步采用最小二乘法回归进行定量分析,结果如表8所示。

表8 回归结果

由表8可知:①由于问题可读性是负向指标,因此系数负向显著(β=-0.067,p<0.01)代表问题可读性越高,流量转化率越高;问题可观性的系数不显著(β=-0.019,p>0.1)。这与采用fsQCA得到的组态特征基本一致,即在刺激内源性注意的信息线索中,问题可读性是促进流量转化的核心条件,问题可观性则是无关紧要的条件或辅助条件。②作答竞争的系数负向显著(β=-0.272,p<0.01),表明高作答竞争抑制了流量转化;社会关注的系数正向显著(β=0.190,p<0.01)且社会影响的系数正向显著(β=0.128,p<0.01),表明高社会关注和社会影响均促进了流量转化。这与实现高流量转化率问题的组态结果基本一致(Y1至Y3),即低作答竞争、高社会关注、高社会影响为促进流量转化的核心条件。

综上,本文在fsQCA基础上对2085条问题样本应用回归模型进行了定量分析补充,结果能进一步解释实现高流量转化率问题的组态特征,也验证了基于fsQCA得到的组态路径是可靠的。

5 结论与展望

本文基于注意力分配视角,采用fsQCA对问答社区的流量转化进行组态研究,结论表明:①问答社区流量转化的前因具有复杂性,导致流量转化率高低的信息线索组合并非完全因果对称。②在问答社区用户注意力有限的情况下,低作答竞争-高社会关注的高可读性问题与低作答竞争-强社会影响的高可读性问题,更能刺激浏览者的注意力并激励其作答,实现从问题浏览到作答的高流量转化率。③知识结构化程度不同的问题实现流量转化的信息线索组合存在差异。

本文管理启示为:①问题越可读易懂,越能加强浏览者对问题信息的认知,浏览者越能达到评估问题价值的目标。因此平台可提示用户避免在提问时使用许多长句,同时视情况适当加入图片或视频以使问题更可观。②利用浏览者的风险规避心态,在问题已有回答普遍为低赞状态时间,设置如“现在回答此问题有可能收获宝贵的点赞”等提示(尤其对高结构化、强专业性的问题);优化问题推荐策略,将低难度低竞争的高可读性问题优先推荐给专业水平相对较低的用户,并在问答界面提示类似问题的优质回答作为参考,以促进从浏览到回答的流量转化。③采用差异化社会关注显示策略(尤其对低结构化强主观性的问题),针对高社会关注的问题,加粗显示其关注度以刺激浏览者的注意力;针对低社会关注的问题,模糊显示关注度等级,或采用不显示策略以避免浏览者注意。④利用社会影响的信息线索和浏览者的社会学习行为,设计提示框提醒浏览者“某些用户是优秀回答者,他们也回答了这个问题”,以刺激他们的外源性注意;加强邀请问题特定领域内的高声誉专业用户回答的频率(尤其对高结构化、强专业性的问题)。

本文理论贡献为:①以往研究多运用统计分析探究用户作答动机和意愿的影响因素净效应。本文把从浏览到回答的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,采用fsQCA探究了问答社区实现流量转化的条件组态,有助于社区通过优化问答界面设计、改善信息线索组合配置的实践来缓解用户“光浏览不回答”的现象。②将行为认知领域的选择性注意理论[11,43]应用于解释问答社区内用户浏览问题的注意力分配,揭示了从浏览到回答的转化机制。③引入电商营销领域的流量转化概念[22,72-73]以刻画从浏览到回答的过程,从而解释问答社区内知识分享的有效达成。

本文局限性和展望在于:①本研究对象为综合型问答社区,未来可进一步探究在线健康社区等垂直细分型问答社区的流量转化。②由于平台可获取数据的局限性,本研究聚焦于从问题浏览到作答的流量转化,并以此间接探究用户从浏览者到回答者的转化,为了更加有效地优化平台管理措施,提升用户服务的个性化,未来可辅以问卷调查、访谈或实验等方法直接探究从浏览者向回答者的用户转化。