{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"ae053936-f6b1-488b-8973-bb2332d1be14","title":"数字技术研究","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787308182003","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"ae053936-f6b1-488b-8973-bb2332d1be14","id":"ae053936-f6b1-488b-8973-bb2332d1be14","uuid":"ae053936-f6b1-488b-8973-bb2332d1be14","title":"数字技术研究","normalized_title":"数字技术研究","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787308182003","isbns":["9787308182003"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":790,"navigation_url":"https://workshop.closeclaw.top/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14","title_url":"https://workshop.closeclaw.top/ai/title/%E6%95%B0%E5%AD%97%E6%8A%80%E6%9C%AF%E7%A0%94%E7%A9%B6","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/ae053936-f6b1-488b-8973-bb2332d1be14/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/ae053936-f6b1-488b-8973-bb2332d1be14","page_url":"https://workshop.closeclaw.top/api/ai/books/ae053936-f6b1-488b-8973-bb2332d1be14/page","search_url":"https://workshop.closeclaw.top/api/ai/books/ae053936-f6b1-488b-8973-bb2332d1be14/search"},"page":{"printed_page":"245 / 369","pdf_page":393,"physical_index":393,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"771949276e9a8056b6b7a67ed6b6e0d4297b633903958cfa764665b14d228aab"},"chapter":"第16章 在线社区分析中的行为踪迹数据","content":"行为踪迹数据的局限性\n\n获取在线社区中可用的大量社会行为数据是理解社会体系与技术的一大有利条件。然而，这些数据也是有局限性的，因为其传达给研究者的信息是有限的。行为踪迹数据往往能给出“人们在在线社区中做了什么”这样的细节信息，但很少能说出“人们为何在这些体系中做出这样的选择”。比如，两个人可能通过关联特征，在Twitter等网站上建立了联系，但这种关联的存在并不能说明这个关联是如何产生的、人们从他们的关联中获得了什么、除了系统中表现的行为之外他们多久联系一次。有好几位学者曾试图通过线下使用的信念及观点来证明线上行为的合理性(Burke et al.,2010;Gilbert and Karahalios，2009)，但要对行为数据与行为背后的心理机制进行三角测量，还需从各个方法角度进行更多研究。凯拉姆等人(Kairam et al.,2012)将行为踪迹数据与其他方法结合起来进行多方法研究，对该主题进行了更全面的探讨，他们对社交网站Google+用户利用该网站特点有选择性地进行信息分享的方式颇感兴趣。他们随机抽取了10万名Google十用户，运用行为踪迹数据来表明人们是如何使用“圈子”特性的，该特性允许用户将自己的在线社交网络分成不同的类别，继而轻松地选择与哪些类别人群分享帖子。作者使用内容分析法，确定了Google十用户创造了哪些组别；他们发现，人们大体上会使用生活层面(工作、学校、个人)及关系强度(密友、熟人)来对社交关系进行划分。为了增强行为踪迹数据的解释能力，研究人员还对一部分细分用户进行了调研与访谈，加深了对用户与不同群体分享信息的动机的了解。\n\n行为踪迹数据的另一个局限性在于其记录的往往只是某一通信“渠道”中的行为，而很少考察多种情境下的用户行为。比如，某个人可能使用Twitter、维基百科、Facebook与Pinterest，向这些网站提供内容。但由于每个网站都有独立的数据库，要追踪用户在不同网站间的行为是不现实的。事实上，某些网站允许匿名或以化名发帖，因而要比较个体用户在不同网站间的行为极其困难。这就局限了研究者从单个网站获得的行为踪迹数据中得出的观点类型。不过，也有一些从单个网站行为中得出的结论，在与更广泛的介质交互理论相结合之后，可以推广至整个在线社区。\n\n第16章 在线社区分析中的行为踪迹数据\n\n245\n\n369","previous_page":392,"next_page":394}