首页 理论教育高校微信公众平台和抖音平台用户接受行为的影响因素

高校微信公众平台和抖音平台用户接受行为的影响因素

【摘要】:其中ρ是流行病学中的传染率,可近似地理解为转发行为发生后引起他人阅读行为的概率,ρ的影响因素会在第四章第三节中的用户接受行为影响因素中展开论述,k前文已提到是顶点的边数成为顶点的度,也就是这个节点产生联系的数量,t是信息传播的时间。

随着平台用户数的扩大,图文阅读的人数与次数逐渐出现分离的态势,阅读次数与阅读人数所夹的面积不断扩大。其原因主要是由于用户分享转发行为的增加,使得信息的二次传播现象出现。原本在平台用户内部共享的信息,拓展到了平台以外,使得非平台的受众得以阅读并加以传播(图3-41)。

图3-41 图文消息阅读人数与阅读次数

在分享行为中,分享转发的路径主要为朋友圈和转发给好友,比率分别为66.57%和25.59%。相对真实的传播对象也促进了信息的有效传递。同时我们可以发现微信平台的边界是可以突破的,多个网络之间可以进行彼此连接,实现信息传递,每一个用户都是一个节点,每一个节点都可以形成一个自我中心的网络(表3-5)。

我们对转发数和图文转化率的两项指标进行了SPSS软件的相关性分析(表3-6、图3-42)。

表3-6的结果显示,转发数与图文转发率的简单相关系数为0.785,P值小于0.001,表明转发数与图文转发率之间为显著的正相关关系,并且呈现了强烈的相关关系。

表3-6 图文转发数与图文转化率的相关性分析

**:在置信度(双侧)为0.01时,相关性是显著的。

图3-42 图文转发数与图文转化率的相关性分析散点图

通过以上分析,我们基本可以这样来概括,即图文消息的首日阅读率能够提前预测图文信息的转化率,分享行为是提高图文转化率的有效措施。我们对这两个数据与图文转化率可以进行公式化的表述。下面我们对这三个变量进行线性回归分析,将首日阅读率和转化率视为自变量,图文转化率视为因变量,可得出以下回归方程

表3-7的回归分析结果表明,转发数的系数为0.037,P值小于0.001,表明转发数对图文转化率有显著的正向促进作用。首日阅读率的系数为1.013,P值小于0.001,表明首日阅读率对图文转化率有显著的正向促进作用。其回归方程为:

表3-7 图文转化率与转发数和首日阅读率的相关性分析(www.chuimin.cn)

因变量:图文转化率。

该方程表示,当转发数增加一个单位时,图文转化率会平均增加0.037个单位。当首日阅读率增加一个单位时,图文转化率会平均增加1.013个单位。

之前的研究发现,转发行为能够提高图文阅读率,但是图文消息的阅读是一个过程,因此图文消息的转发也是一个动态的过程,在这个过程中,微信的转发行为也与之前研究较为深入的微博信息的转发有很大的区别。上文提到,本书将利用流行病学和网络动力学等交叉学科的知识来对微信转发行为的过程和影响因素进行初探,这种图文消息的转发和再阅读行为可看做一种传染介质不断扩散的过程。

目前随着网络技术的不断发展,很多学者从数学建模的视角出发来研究传染病及流行病学的传染方式。[10]这一观点被信息科学,尤其是计算机科学的研究者们广泛应用于计算机、手机病毒的扩散领域。目前较为常见的流行病学模型有以下三类:SI模型、SIR模型和SIS模型。流行病学研究经历了从SI模型到SIS模型不断完善的过程。

这三类模型都假定某一地区的人数为固定的常量(即微信公众平台关注的人数,在固定时间内是一个常量),将人口(受众)视为在连续介质中均匀分布,总人口由易感人群(Susceptible,用S表示)和被感染者(Infected,用I表示)组成,被感染者已经被感染但同时又能继续传染别人,这就是SI模式,这种模式也被称为阻滞增长模式(Logistic),但是有一部分感染者经过治疗可以治愈,并且形成抗体,恢复了免疫力,不再被感染,即流行病学当中所谓的“移出”(Removed,用R表示),这就是SIR模式,现实社会中常见的水痘、腮腺炎就是这种模式。后期发现,一些流行病治愈后仍可被再次感染,不具备免疫力,因此在人群的分组上又重新划分为:未患病可被转染(Susceptible)、病人且可传染别人(Infected)、治愈但仍会感染(Susceptible)三类,这就是SIS模式。也有学者鉴于网络传播的复杂性,提出了网络病毒传播的SIRH模型,即易受感染(Susceptible)、已被感染(Infected)、被临时移出(Romved)和健康(Healthy)这四种状态。

对以上的理论加以改造,我们可以将微信公众平台的受众进行转置,将图文信息的转发用户看做感染人群I,非读用户看做易感人群S,已阅读但不转发的人数看做R(对于图文消息的阅读,很少出现多次阅读的状态,可视为对已读图文消息具有免疫力),平台的所有用户看做T(Total)。我们可以将微信公众平台的图文消息阅读人数建立这样一个模型:

其中T是常量,R的数量会随着时间的增加不断增加,那么S和I就呈现出负相关的关系。在此I即代表转发数量的动力,在《小小世界:有序与无序之间的网络动力学》一书中,对于这种动力该书给出了公式:

①[美]邓肯·J.瓦茨著,陈禹等译:《小小世界:有序与无序之间的网络动力学》,北京:中国人民大学出版社,第166~169页。

其中ρ是流行病学中的传染率(0≤ρ≤1),可近似地理解为转发行为发生后引起他人阅读行为的概率,ρ的影响因素会在第四章第三节中的用户接受行为影响因素中展开论述,k前文已提到是顶点的边数成为顶点的度,也就是这个节点产生联系的数量,t是信息传播的时间。由公式我们可以发现,随着K值的增加,I的数量呈现指数的变化,即越是在信息传播中占据核心位置的关键节点转发,越有利于图文消息的扩散,在相对封闭的用户空间内,意见领袖的作用会更加放大。

我们再来看2015—2019年图文阅读人数和图文阅读次数的统计情况,2015年至2017年上半年,图文阅读人数与阅读次数所夹的中间面积在不断扩大,证明我们就2014年所得出的推论基本正确,分享作用对于提升图文消息的二次阅读具有十分明显的作用。同时虽然2017年后两条统计曲线的相隔不再像之前那样距离不断扩大,但是“爆款”图文开始出现,尤其在2018年还出现了“10万+”的图文消息,从侧面反映出微信平台尤其是图文推送的传播状态发生了变化,用户由日常的分享而变为了对感兴趣选题的集中分享,刷屏效应更加凸显(图3-43)。