数字技术研究

创建社交网站与在线社区

如果研究人员无法利用商业社交网站，如果他们的问题不适合于这些网站，那么不妨尝试自己建立社交网站，研究在这些网站上发生的相互作用。这么做的好处在于，当用户向服务器发出请求时，我们可以更好地把握网站界面及用户行为数据。从网站上获取行为数据的其他方法并没有将影响用户行为方式的工具的控制水平计算在内。创建一个抓取数据的网站也使得研究人员能够以理想的方式来调节网站，使他们获得他们认为与研究问题相关的所有用户行为数据。然而，这种做法的缺点在于，创建、推广并维持一个网站，吸引足够多的人员参与其中，满足社会分析需要，需要大量的成本与投入。

纪怀新(EdChi)曾创建了多个在线社区来研究社会交互与技术特征的交集，他指出，研究者可以通过建立在实验室或“野外”的系统进行测试(Chi，2009)。在前一种情况下，潜在用户在控制实验室环境中与在线社区进行互动。这一方法有很强的内在可靠性，但缺少外部合理性。后一方法增强了外部合理性，但牺牲了对变量的控制，需要更多投入以建立一种自然的用户基础。

由于成本高昂，许多出于研究目的而创建的在线社区是从产业研究中心转型过来的。产业研究人员拥有获得非研究资源的优势，包括程序支持，有时还带有营销人员；这对于在线社区的创建至关重要。某些产业实验室选择在本机构内执行社交软件，使研究人员得以接触到自然聚集到一起的人员。在产业环境中建立网站的缺点在于，机构的重心可能发生转移，导致网站因为商业决策而非研究决策被放弃。此外，这些网站的数据受制于各种雇佣法或知识产权政策，难以与非该机构内的其他研究人员共享这些网站的数据。

IBM研究室曾创建了许多在线社区来分析人们如何在网上互动。被用于学术研究的一个IBM在线社区案例是Beehive，这是一个仅对IBM员工开放的社交网站。该网站高峰时期拥有7万多名用户，被用来测试一些问题，如人们在工作中为何使用社交网站(DiMicco et al.，2008)、人们如何利用社交网站在像IBM这样极其分散的机构内获取社会资本及知识(Steinfield et al.，

数字技术研究(世哲手册)

243

366

2009)、人们如何通过该系统彼此认识(Chenet al.，2009)。对Beehive的研究使用了多种方法，包括获取行为踪迹数据、访谈、调研及界面变更实验。

除了产业研究实验室外，为研究目的而创建在线社区的还有明尼苏达大学GroupLens研究实验室。该实验室创建了几个持续性的在线社区，包括MovieLens[1和Cyclopath[2]。研究人员利用MovieLens进行了几项基本研究，即评级等技术系统如何与社会进程相互作用。比如，该研究团队研究了如何利用界面变更来克服社会惰化等社会心理学原则(Ling et al.，2005)、人们如何回应在线社区里不同类型的评级系统(Cosley et al.，2003)、如何运用系统反馈来提升用户参与度(Ludfordet al.,2004)。研究人员运用Cyclopath进行了一些基础研究，即用户如何领取在线社区中的不同任务、用户如何从在线社区内容的偶然消费者转变为贡献者(Panciera，2011;Pancieraetal.，2010)。同使用维基百科的常用数据包时一样，这几项研究也对在线社区的新进入者提出了相似的问题(Panciera，Halfaker and Terveen,2009)，但通过用户的IP地址增强了对用户踪迹的掌握，在用户发言之前就有所掌握，从而对用户行为有了更全面的认识这是主持创建在线社区的另一个好处。

如何对行为踪迹进行分析

社交网络分析(SNA)这一方法已经被强势运用于行为踪迹数据的分析。社交网络分析方法分析的是社会关系的结构，以及该结构与社会结果有何关联(EasleyandKleinberg,2010)。使用社交网络分析方法的研究者能了解社交网络结构的整体布局，包括各个群体如何建立联系，某个网络内的各个不同关系如何导致不同的社会结果。其他社交网络分析手段包括分析人与人之间的联系(“关系”)强度(Granovetter，1982)，以及这些强度差异会如何影响社交结果。用社交网络分析来研究行为踪迹数据的案例之一是霍根的研究（Hogan,2010)，他使用Facebook的一个应用来下载用户网络，展示了人与人之间的相互联系是怎样的。

第16章 在线社区分析中的行为踪迹数据

[1]www.movielens.org/login

[2]cyclopath.org

367

虽然社交网络分析方法在社会科学领域的应用已有相当长的时间(Wellman，1997b)，但嵌入在在线社区中的通信数据可用性，仍旧将这种分析方法与数据类型进行了自然匹配。阿达米克和格兰斯(AdamicandGlance，2005)运用社交网络分析方法来分析政治博客间的联系，以弄清楚跨意识形态类帖子在持不同政见的博客间出现的可能性有多大。韦尔泽等人(Welseretal.，2011)考察了维基百科的编辑之间的沟通方式如何随编辑类型而有所差异。在这些案例中，研究人员能够从博客或维基百科页面的共同参与等关系中归结出社交网络。社交网站能提供社交网络分析所需要的更丰富的数据源，因为这些网站就是围绕清晰表达自身社交网络的用户来设计的，往往反映了他们线下生活中的真实社交网络(Lampe,Ellison and Steinfield,2006)。

运用社交网络分析与行为踪迹数据来理解社会进程的一个绝佳案例是由巴克什等人(Bakshy et al.，2012)完成的。他们使用社交网络分析考察了Facebook网络中信息分散的作用，以此确定在该网络中的不同人如何成为信息在该网络中扩散的关键环节(Bakshyetal.，2012)。研究人员感兴趣的，是信息如何通过Facebook用户网中的成员而得以扩散。他们设计了一个用于2.3亿名Facebook用户的实验条件，在这种条件下，人们能看到朋友分享URL的信息；而在其他条件下则不行。在这种情况下，因变量是分享者的好友是否也会将URL发布在自己的“信息流”当中，即依时间顺序排列的用户帖子。关系强度被用作自变量，通过分析用户在网站上与转发自己内容的其他用户之间的互动频率进行测量。他们发现，整体而言，弱关系(发帖者与转发者没有经常性的互动)对于宣传网站上的URL作用更大。这一案例表明，从行为踪迹数据中得出的社交网络测度可用作自变量，用以解释社会结果，在本例中是指社会影响对于信息扩散的作用。本例中所讲的行为数据是从Facebook用户群中得出的，展现了访问此类大型网络的力量。在这种行为踪迹数据获取方式出现之前，社交网络分析受到限制，主要是因为用其他方法获取的网络数据量不足。即便是获得了大量数据，在进行社交网络分析时仍然要与研究问题仔细匹配。在以上案例中，研究人员只能描述Facebook网站上的传播模式，因而也解释不了同类信息是如何从Facebook分享到其他渠道，如Twitter、电子邮件或面对面交流中的。

用社交网络分析来理解行为踪迹数据已经非常普遍，近期出版的好几本教科书都旨在帮助研究人员将社交网络分析技巧运用于行为踪迹数据(Easley and Kleinberg,2010; Hansen, Shneiderman and Smith,2011; MongeandContractor,2003)。然而，也有人指出，研究人员在将社交网络分析运用于行为踪迹数据时需当心其合理性，包括这些网络中行为者间联系的完整性与意义(Howison,Wiggins and Crowston,2011)。

数字技术研究(世哲手册)

244

368

行为踪迹数据的局限性

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。

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。

第16章 在线社区分析中的行为踪迹数据

245

369

结论

要理解在线社区中的社交行为，需要借助于多种研究方法，从多个实证视角出发。从民族志到实验室实验，我们已经运用了多种数据采集技巧来获取在线社区与社交媒体的数据。然而，研究在线社区的一个有利条件是，这类数据包含了使用这些社区的用户的行为记录。

在线社区的特殊性在于能提供用户行为的详细记录，即本文所讲的行为踪迹数据。这些数据极其细致地记录了人们在在线系统中的行为，使我们得以采用新的方法理解大范围内的人类交互。这些数据已被人们用以进行各种分析，但最有用的还是运用社交网络分析来理解大规模社会交互。虽然以这种方式使用行为踪迹数据有许多注意事项，但由于数据可用性被大幅提升，通过此类研究不仅能理解有中介的人类交互，而且也可以更深入地认识社会进程。将行为踪迹数据与其他数据采集手段相结合，赋予我们接近社会科学的新机遇，这点令人兴奋。

参考文献：

数字技术研究(世哲手册)

370

第16章 在线社区分析中的行为踪迹数据

371

数字技术研究(世哲手册)

372

第16章 在线社区分析中的行为踪迹数据

373

数字技术研究(世哲手册)

374

第16章 在线社区分析中的行为踪迹数据

375