文摘

积极参与与可持续经营密切伙伴共同创造的社区。不同于最近的研究对促进可持续操作通过识别用户参与的内部和外部动机,本文旨在分析机制对于不同的动机如何影响用户参与的决策组级别的视角。为了更好地理解的机制,内部和外部动机,分别被return-cost分析和用户互动网络。之后,一个网络进化博弈模型是制定分析动态策略选择(例如,主动参与和被动参与)的所有用户。此外,稳定平衡和演化路径的策略进行了分析通过计算实验。结果表明以下几点:(a)奖励会影响促进积极参与。然而,持续增长的回报,这促进可持续地没有意义。(b)信息噪音的促销效果的选择积极参与可以找到当被动的参与是占主导地位的战略。然而,抑制作用可以看到人群中主要采用积极参与。(c)用户互动网络的无标度特性抑制的选择积极参与,积极参与人口的主要策略。 Results found here is beneficial for managers to implement the specified policies and thus to achieve the sustainability of co-creation community.

1。介绍

共同创造社区大大改变了用户的角色分手生产者和消费者之间的区别(1),把更多的机会促进公司的收入和利润2]。大约60%的世界上最大的公司使用在线社区,他们允许用户分享经验和贡献创意产品/服务的改进3]。由于每个用户充当内容创造者在共同创造的社区,用户生成的内容发挥重要作用在产品/服务创新4]。然而,许多共同创造社区无法生存,因为用户参与不足(5]。因此,管理者的关键挑战是鼓励用户参与和创造一个繁荣的社区4,5]。

用户参与,它被定义为在多大程度上用户积极参与社区活动,与其他用户互动(6),是一个新兴的研究课题在营销领域的科学(7和信息管理系统8]。基于定义的6),用户在共同创造社区可分为两种类型:被动用户和活跃用户。前者从社区没有接收到有用的知识共享行为。后者是很高兴分享他们的经验,想法,和智能自愿的方式,发挥着不可或缺的作用在产品创新和盈利的性能改进。然而,尼尔森(9描绘,参与不平等的结果得出的结论是90-9-1规则。90%的用户是潜水者(例如,他们阅读和观察,但是他们不提供)。9%的用户偶尔做出贡献。1%的用户积极参与,占大多数的贡献。因此,广泛的研究动机的识别从内部和外部的角度讨论了用户参与,促进积极参与,从而实现共同创造社区的可持续性。

基于理论的个人行为(例如,承诺理论)和社会行为(例如,社会互动理论),研究内部方面解释了用户参与的动机,根据一些观点从心理科学和社会科学4]。例如,徐和李8]研究了面向外在动机的影响(例如,声誉和互惠)和面向内在动机(如利他主义和享受)用户参与。周(10)进行社会互动的影响(例如,合规和识别)用户参与。蔡et al。6)社区参与定义为成员之间的互动和参与他们的活动,和几个影响因素进行了分析从个人方面(例如,外向性和归属感需要),集团方面(例如,识别和感知临界点),和关系方面(例如,满意度和关系信任关系)。罗伯茨et al。11用户参与的动机分为三个方面:创新的动机(例如,有趣,激情,和技能发展),动机导致社会创新活动(例如,识别,反馈,和社区关系)和动机的直接与公司合作(例如,渴望更好的产品,工作机会和经济目标)。陈等人。12]讨论了未来的意图参与知识共享的角度。他们证实,对用户参与知识共享行为有很大的影响通过客户学习价值、社会综合价值,和享乐价值。另一方面,一些研究集中在外部动机与外部环境的社区。例如,方和张13)发现与用户数量密切相关的网络规模对潜水者的参与有很大的影响。基于用户参与的广泛的研究动机,Malinen [14)得出结论,组织过程也影响在线参与。例如,个人(特别是那些有相似兴趣)相互关联有一个很大的影响他们的决定。

尽管进行了许多实证研究身份用户参与的动机,有价值的主题应该进一步讨论在三个方面:

首先动机被研究人员基于问卷调查对于个人用户来说,忽略了用户交互在共同创造的社区。基本上,用户建立交互式网络通过发布和回复帖子,和用户直接相互作用在这个网络可以积极参与15]。例如,用户交互被视为组级别变量分析交互式网络用户参与的影响(16]。其次,最初的动机是由大量的研究人员基于假设用户参与的过程是单环和静态(17]。然而,用户的参与是一个动态的过程,在这个过程中,用户需要不断地决定是否积极参与,下次什么时候积极参与。目前用户可以选择积极参与,采取被动策略后,使用组合策略。在这个过程中,决策是受不同动机,不同的动机对用户参与的影响随着时间的变化(14,18]。例如,自由知识获取动机积极参与,而奖励吸引用户选择持久的积极参与。第三,尽管现有研究作出重要贡献的动机识别、分析机制对于不同的动机如何影响用户参与这些研究仍然稀缺。换句话说,一个关于是否积极参与机制,积极参与,这种策略如何表现良好并没有建立。(17)认为,需要一个分析和数学方法研究机制,使用控制变量,以便理解各种用户参与动机的影响。这项工作将带来机会的预测用户参与行为和为不同的用户创建个性化服务(19]。类似的观点基于不同动机的机制设计也提出了(20.]。

基于语句前面提到的,本文的研究问题是如何制定一个自适应模型涉及用户交互、动态决策过程,分析机制和动机的用户对于不同的动机如何影响用户参与的决策组级别的视角。幸运的是,网络进化博弈方法提供了一个强大的工具来解释给定的应急策略(例如,主动参与和被动参与)在人口结构。

实现三个主要任务。首先,内部动机(如奖励、声誉、时间成本和知识溢出效应)被视为收益和成本的用户在用户参与的决策过程。传统的进化博弈模型(TEGM)开发基于return-cost分析分析进化稳定策略(如主动战略,被动策略,或混合策略)两个人用户随机选择从共同创造的社区。其次,将用户交互集成到动态决策过程,网络进化博弈模型(NEGM)应用于分析所有用户的策略选择由用户交互的网络连接。在这个模型中,不仅内部动机的影响,而且外部动机的影响(例如,网络规模、网络结构、信息噪音)可以讨论。第三,由于用户参与行为演化的非线性特性,计算实验模型的动态决策过程。用户参与的策略演化提出了计算实验。

本文的其余部分组织如下。部分2提出了一个关键的文献综述。部分3介绍了TEGM NEGM。计算实验中实现部分4。最后,结论和未来的发展方向进行了讨论5。

2。文献综述

相关研究从三个角度进行了综述:(a)用户参与共同创造社区;(b)通过进化博弈模型建模用户参与网络;和(c)发现通过计算实验策略选择的动态过程。

2.1。社区用户参与共同创造

由于用户参与密切伙伴共同创造可持续发展的社区,它已经收到了一个特别近年来越来越多的关注。例如,科勒et al。21)强调经验的重要性,鼓励积极参与,他们发现,积极参与增强了愉快的体验(例如,鼓舞人心,内在激励,包括,和有趣的)。Akman et al。22共同创造活动划分为四种类型,他们检查机制对用户贡献他们的创造力在多个活动的原因。基于不同风格的员工沟通,李和van Dolen [23)测试了个人用户情绪对用户行为的影响(例如,创造性行为和社区参与)。探索志愿者参与共同创造价值活动的原因,李和金(24]采用expectancy-value理论和经验确定了三个客户的好处(例如,认知、社会融合和享乐主义)显著影响其意图的持续参与。根据Stimulus-Organism范式,Kamboj和拉赫曼4)建立了一个理论模型来检查前情品牌创造,从用户的角度参与。不同于许多研究关注动机识别、Chepurna和Criado25试图确定价值共同创造的障碍。基于动机和威慑识别方面,他们开发了一个理论模型来理解用户的参与行为。沈et al。26]发现行为共同创造的价值是通过在线社区的互动性和在线信任。陈等人。27)提出了知识共享模型来说明为什么用户共同创造活动选择分享他们的经验。

总之,用户参与讨论的文献提到开始从不同的角度或用户在社区共同创造行为。表1介绍了这些相关研究的总结。五个部分,包括研究问题、励志类型的决策过程,考虑用户交互,和研究方法,详细总结最近的研究的研究焦点。特别是,出于4),用户参与的动机可分为两类。一方面,内在动机密切关联的认知个人用户(例如,自我发展、利益、社会沟通、和社会群体的归属感)。另一方面,外部动机是指外部环境(例如,网络规模、网络结构、信息噪音)。作为江et al。18描绘,最近的研究认为,最初的动机的影响持续很长一段时间,和用户并没有改变他们的决定在较长时间跨度。然而,用户的动机往往随时间变化,用户将改变他们的策略。因此,决策过程分为两种类型:静态过程和动态过程。沈et al。26]认为,在线互动的关键前提共同创造价值的行为。感知交互性,如感知质量和各种各样的信息共享,对积极参与共同创造活动有积极影响通过在线信任。因此,用户交互给出额外的考虑用户共同创造参与社区的决策过程。研究方法是一个合适的工件(例如,理论模型、实证研究和数学模型)的贡献他们的主要思想。

从表1用户(继续)的参与是一个热门话题在很多报纸广泛讨论的话题。基于静态决策过程的假设,许多研究者采用实证的方法来研究内部动机的影响用户参与调查的个人用户。然而,很少有研究调查用户参与的机制(也可以被理解为一个策略的选择积极参与或被动参与)。换句话说,有一个缺乏指向分析问题的研究涉及用户交互如何影响用户参与的决定。除此之外,一个数学模型来分析动态决策过程(缺席14]。因此,如何采用一个数学模型描述用户参与作为一个动态决策问题是本文的特殊贡献。

2.2。通过进化博弈模型建模用户参与网络

用户参与行为是一种multiperiod决策过程,用户可能不断改变他们的策略基于不同的内部和外部动机的时候。Vassileva [20.)表明,基于博弈论的数学模型建模过程的分析是一个很好的方法。特别是,作为一个受欢迎的方法建模社会互动,TEGM与multiperiod游戏为玩家提供了一个有效的决策指导(28,29日]。TEGM假设球员有限理性(例如,球员不愿意承认别人的完整信息)。第一游戏的新玩家,他们会做出决定基于他们的收益和成本的评估。接下来,他们将调整自己的策略基于先前的行为(特别是成功的策略)。复制因子动态,用微分方程,描述了离散的动态频率变化决定进化游戏。

基于不同的动机,用户可以选择积极参与当前,采取被动策略后,使用组合策略。不同的动机可以转换依照multiperiod游戏用户的收益和成本。所有用户将调整自己的策略来最大化他们的回报(例如,知识获取、声誉提高,从社会交换和满足)在每一个游戏。根据前面所提到的,语句TEGM为建模提供了一个有用的工具return-cost-based游戏两个球员之间的随机选择从共同创造的社区。然而,用户交互,用户交互式制定的行为(例如,发布一个帖子和回复帖子),很难在这个模型分析。除此之外,它也很难描述的影响,外部环境对用户参与。因此,研究者们试图找到另一个合适的方法来建模用户参与行为。

幸运的是,作为一个广泛的方法TEGM, NEGM描述用户交互和动态决策过程可替换主体博弈模型。这种方法最初是用来分析人类在自然科学领域的合作。NEGM填满空白的一些因素的影响(例如,用户交互和外部环境)被忽略在TEGM [30.]。特别是用户交互的用户互动网络连接边缘显示用户交互的存在。双方博弈在NEGM一般发生在两个球员是通过给定的用户交互的网络连接。此外,考虑用户交互有利于检查外部动机的影响(例如,群偏好,用户数量和信息噪声引起的外部环境)用户参与行为。特别,群体偏好可以被视为复杂网络的无标度特性。用户的数量可以被网络的大小。

近年来,NEGM已广泛应用于可替换主体系统的应用。例如,Esmaeilyfard et al。31日)建立了一个博弈论模型分析用户参与短暂的社会车辆网络。Al-Dhanhani et al。17)使用可替换主体博弈模型,讨论人类合作在社会应用中四种情况下(例如,与固定的传统以牙还牙历史,慷慨的以牙还牙,基于声誉以牙还牙,和组基于声誉以牙还牙)。徐et al。32)开发出一种可替换主体博弈模型为探索用户参与协作filtering-based推荐系统中,他们发现,满意的推荐依靠高期望的推荐质量。刘等人。33专利合作作为一个多重代理系统特征,他们构建了一个产业,大学和研究模型来分析所有用户的策略选择。江et al。18通过multigame]研究知识共享行为的进化模型。然而,有一个缺乏针对调查研究用户参与共同创造社区(20.]。

因此,本文的重点(例如,内部动机、外部动机、动态决策过程,并考虑用户交互)可以NEGM数学建模的方法。

2.3。发现通过计算实验策略选择的动态过程

TEGM,战略选择的动态过程很容易通过上市来解决每个球员的平均回报率,分析复制因子动态、进化稳定均衡的计算和显示策略选择的路径。然而,用户参与共同创造社区并不是由一个简单的积累的结果在一个时间内举行。分析NEGM涉及制定用户互动网络,建立进化博弈模型,进化规则的设置(例如,如何更改用户的策略基于他们以前的行为)在用户互动网络30.]。NEGM换句话说,这个过程建模的非线性特点,难以解决的TEGM的分析工具。

幸运的是,计算实验是一个有用的工具来理解用户参与系统的复杂性和动态。动态决策过程可以通过设置环境分析,定义一个理论模型,设计一个算法来模拟一个多重代理系统,识别不同参数对决策的影响由球员。因此,该方法广泛应用于研究用户交互和用户行为在社会交际18]。

出于[18),用户参与系统可以分为四个部分。首先,用户互动网络设置为环境影响所有用户的策略选择。其次,TEGM设置为基于return-cost分析的理论模型来描述两个球员之间的游戏是从种群中随机选出的。第三,多代理系统的用户参与开发的动态决策过程包括网络设置,进化规则,TEGM。第四,不同参数的影响(例如,网络结构和网络大小)可以分析用户参与基于计算实验的结果。

3所示。NEGM社区用户参与共同创造的

用户参与共同创造社区是一个决策过程,许多用户通过用户交互网络相结合使决定是否active-participate或passive-participate社区。根据文献综述,这个过程可以被一个可替换主体模型集微观个体行为(例如,两个用户之间的游戏)和宏观现象(例如,个人行为受到用户交互)成一个系统的框架。接下来,TEGM微观个人行为描述的部分3.1。NEGM宏观现象阐述的部分3.2。本文提出了在图的框架1。

3.1。用户参与TEGM及其分析

在本节中,所有用户的个人行为是制定两个玩家的游戏。问题描述、模型公式和模型分析详细如下。

3.1.1。问题描述

个人行为的用户参与决策过程,用户需要决定是否主动参与或被动参与cocreation社区。自用户参与社区通过网上交流技术,用户无法知道策略选择的其他用户和其他用户就能得到多少回报。因此,用户通常使他们的决定基于return-cost分析抽象的内部动机。表2显示的是测量的收益和成本的决策过程。

一方面,用户可以从他们的参与获得回报。特别,内部动机(例如,利息,交朋友,和声誉)占积极参与,而被动参与是由自由的知识获取方式和社会交流。此外,奖励积极参与社区动员社区所支付的。另一方面,用户应该支付一些费用,比如时间、关系维护、知识获取和一点钱了。

3.1.2。模型公式

开发一个合适的模型来更好地理解问题描述,阐述了基本假设如下:假设1。考虑到所有用户之间没有区别,两名球员在TEGM利益相关者都是相同的。换句话说,这里提出了一种对称TEGM。假设2。当用户决定参与社区时,两种策略对积极参与和被动的参与可以选择。他们将决定基于他们return-cost分析。目前的各种因素的综合概述,参数设置是总结表3。假设3。表示x当用户B的概率选择积极的策略,和1 - x表示用户B的概率选择被动策略。对用户来说,y和1 y分别代表的概率选择积极参与或选择被动的参与。三种交互模式(例如{主动,被动},{被动,被动},{活跃,活跃})两个玩家从游戏中获得矩阵(见表4)。最好的情况是,两个玩家同时选择积极的策略,使社区的可持续操作的机会。

3.1.3。模型分析

基于文献回顾,复制因子动力学方法(34是用来分析TEGM。

用户B的预期回报率,采取积极策略

用户B的预期收益,采用被动策略

用户B的平均预期收益下的混合策略

类似地,用户的平均预期收益下的混合策略

根据TEGM理论,如果策略选择一个用户的预期收益大于人口的平均预期收益,这种策略将在人群中传播28]。这些策略的频率可以被描述为用的复制因子动力学微分方程。特别,复制因子动态系统的用户B

同样,复制因子动态系统的用户

基于方程(5)和(6平衡),5分,即 , , , 和 ,得到了,

平衡的稳定点是通过复制因子动态系统的雅可比矩阵的分析。基于[34),雅可比矩阵被定义为方程(8): 在哪里

雅可比矩阵的行列式和跟踪,分别用侦破J和trJ,在那里

当 , ,平衡点是局部稳定。换句话说,平衡点是TEGM的演化稳定策略(ESS)。

根据提到的分析开始,三个ess讨论如下:情况1。如果 和 ,ESS集团将达到“被动参与。”情况2。如果 和 ,ESS集团将达到“积极参与”。情况3。如果 和 ,ESS集团将达到的混合策略和 。这表明,主动和被动策略是互换由用户选择。

TEGM基于复制动态方法有利于分析两个球员的multiperiod游戏随机选择从人口和设计用户参与微环境的一种机制。然而,进化用户参与的结果并不是一个简单的积累游戏州举行的一个时期。这样的进化结果,显著影响决策的其他用户,社区的环境(例如,组偏好和用户数量),和信息噪音,需要考虑在宏观环境中用户参与行为建模。

总之,非线性特性和自进化进化平衡分很难计算TEGM, NEGM包括游戏理论和复杂网络被认为是下一个。

3.2。NEGM社区用户参与共同创造的

一旦用户参与社区,用户通过创建交互式网络将不断加强与其他用户的关系。用户参与行为的决定明显受到用户交互式网络(例如,组偏好和用户数量)。建模用户交互和网络游戏,NEGM制定详细的步骤。步骤1。开发一个网络呈现在一个共同创造的社区用户交互。特别,用户直接与给定用户交互称为给定用户的邻居。步骤2。在每一个时间,所有用户基于TEGM计算回报,与获得的回报他们的邻居。然后,基于进化规则,他们在决定是否模仿邻居的策略。

模型假设,网络的定义,阐述了进化规则如下。

3.2.1之上。模型的假设

基于网络研究人员专注于观察到的属性共同创造社区和应用进化博弈模型,给出了几个假设。假设1。由于本文的重点是所有用户之间的连接,无向网络为代表 。 是一组节点(例如,用户在共同创造社区)。 是一组边缘(例如,一个共同创造的社区中用户交互)。表达的是一个邻接矩阵吗 。 表示一个无向的存在,而 表明一个无向的缺失。由于无向特征,没有区别和 。假设2。本文中使用的所有网络是基于模拟网络。社区管理者可以调整模型的参数以适应现实世界的网络,从而在实践中全面描述不同的情况。共同创造社区中用户交互的特点可以从两个方面得出的结论。一方面,优惠附件用户交互行为的主要原则。它表明,用户更愿意接触人高的影响(例如,领袖用户在社区共同创造)。由于这个特性,用户互动网络一般出现在无标度网络(35]。另一方面,用户通常发布或回复的帖子在给定组的人有相同的利益(例如,改进的产品/服务和反馈的使用经验)。这样的用户行为导致用户交互式网络组成的很多小的群体。特别,连接密度在小群体中,而不同小组之间的连接是稀疏的36]。进一步验证无标度特性和小群体的出现,作者做了一个实证研究通过真实数据是来自著名的共同创造社区花粉俱乐部。花粉俱乐部是一个社交网络平台,客户使用电子设备(如手机)由华为。用户可以发表帖子分享他们的经验,为产品改进建议,寻求指导,并提供反馈的电话使用。强调共同创造的重要性,文章讨论产品改进的建议。华为P40, 21:00点推出。,米arch 26, 2020, is the newest mobile phone which receives a growing attention. To explore the evolution of users’ behaviors from the beginning, the time period for this case is from March 26, 2020 to September 5, 2020. The data extracted from Pollen Club includes user name, time, and topic. Finally, 64302 posts, 8197 users’ names as well as posting time are collected by the tool of Octopus Data Collector. Based on this data, user interactive network of 8197 8197是由Python工具。根据(37),无标度特性和小群体的特点可以分别证明了累积度分布和分层组织(见图2)。从图2,实证结果提供一个强大的验证,用户互动网络共同创造社会无标度特性和小群体的出现。制定互动网络开始提到的,网络一代模型有关的增长选择用户和用户交互。该模型的更多细节将在下一节中讨论。假设3。鉴于用户参与行为是明显受到return-cost其他用户的分析,选择进化的规则(例如,复制因子动态)来更新用户的决策。战略的选择取决于最后一场比赛的结果,和内存长度设置为1。

下个章节介绍制定用户交互式网络和演化规则。

3.2.2。用户互动网络的定义

基于假设2,提出的演化网络模型(36)是用来生成网络类似的所需的网络包括无标度特性和小群体的出现。阐述了网络一代的过程。步骤1(初始化)。最初的网络包括小群体,节点是连接完全图。节点分别选自小组连接完全图,这表明两个小组至少由最初的边缘相连。第二步(增长)。在每一个时间 ,一个新节点参与网络和连接在一个小组 。然后,新节点连接 组内节点通过群链接。与此同时,新节点连接 节点在其他集团通过内部链接的可能性 。考虑优先原则为网络生成模型、互动附件总结说:(一)群优惠附件。概率( )一个新的节点连接节点在小组依赖的程度 。 被定义为 在哪里 节点的程度吗在集团 。 组节点的总数 。 组节点的总程度 。(b)部落之间的优惠附件。概率( )一个新的节点连接节点在一个小组 依赖的程度 。 被定义为 在哪里节点的程度吗答辩组 。 是外部组的总和(除了组吗 )。 是节点连接外部节点的数量吗 。 是节点连接外部节点的总和。步骤3(配方)。生成所需的网络开始提到的,算法的算法1。

3.2.3。进化规则NEGM

基于假设3,复制因子动态方法的选择。

(节点的程度吗 )是一组节点连接的节点 。换句话说,所有的邻居节点吗 。在时间 , 的概率是用户积极参与社区。节点的预期收益和节点是计算

在时间 ,如果 ,最初的策略仍然是选择的节点 。否则,节点决定发展作为你的邻居的策略。的概率 用户积极参加社区 在哪里节点的概率是模仿用户的策略 ,它被定义为 在哪里是决策过程的信息噪音。 表明用户是完全理性的。节点肯定会模仿的策略吗 。当 , 约等于 。它表明,用户是有限理性的。用户研究节点的策略在随机的。

策略(例如,主动或被动参与)选择用户和相关的回报是本文的重点。因此,表示和分别代表他们。

4所示。计算实验NEGM

在本节中,NEGM用户参与行为的分析了一些计算实验。特别,内部动机(如自我发展、声誉和奖励)讨论通过return-cost分析提出了部分4.1。外部动机(例如,网络规模、信息噪音,和网络结构)讨论了部分4.2。

出于[18),计算系统分为四个模块:(一)开发网络,并定义游戏参数和模型参数。(b)图形化呈现网络演化和显示创建的节点和关系的变化。(c)显示结果,显示网络的程度。(d)把进化策略( )和相关的回报( )。

计算实验是由Matlab R2018b实现。该算法2给下一个。

4.1。计算结果讨论了从内部动机

内部动机的影响可以理解为用户参与游戏的影响参数(例如,返回的和 ,的成本和 ,奖励 )进化策略( )和平均回报率( )在NEGM。因此,为了提供更好的比较在不同情况下,参数关于外部动机在本部分设置为相同的值。特别、网络大小设置为2000,这表明在这个社区有2000用户。用户互动网络具有无标度特性和小群体。减少网络结构对决策的影响用户参与行为,数量的小组,每个小组的大小,分别标记为4组和500个用户。鉴于双人游戏多次发生(例如,当用户参与社区和扫描文章发表在社区,他们需要决定是否主动或被动参与),进化的迭代时间游戏(t)设置为500次。为了减少信息噪声的影响,表示为100。接下来,不同情况下对内部动机的影响他们的决定非常详细。情况1。当 , , , ,和 ,用户选择积极的策略和用户选择被动策略可以获得合理的回报他们的行动。特别,活跃用户获得的收益大于由被动用户返回了。“这是最好的情况更多支付更多的工作。”来形容这种情况,参数设置为 , , ,和 。为观察奖励(W)的影响他们的决定,5例,分别设置为0,3、6、9和12。图3描述了进化策略路径( )和平均回报率( )。层次结构轴分别代表和在数据3(一个)和3 (b)。特别, 表明,积极参与由所有用户选择。 表明,被动参与由所有用户选择。 表明混合策略选择的用户。水平轴代表迭代进化游戏的数量(t)。从图3(一个),用户的策略成为积极参与概率为0.56在很短的时间内(t= 32),虽然没有奖励支付活跃用户。当社区经理奖励活跃用户,概率选择积极的策略不断增加。特别,= 12扮演了一个重要的角色在促进积极参与(例如,达到0.76)。从图3 (b),获得的平均回报用户位于区间[8.3,12.9],这表明在这种情况下所有用户可以获得满意的回报。情况2。当 , , , ,和 ,糟糕的形势“少工作多支付”的发生,这表明被动用户从志愿者活跃用户的行为获得过多的回报。现在这种情况下,参数设置为 , , , , 。图4显示的结果和 。从图4(一),人群更愿意选择被动策略( )不合理的回报,而不考虑结果return-cost分配。从图4 (b),平均回报率不断增加回报的增长。然而,概率选择积极参与并不增加,尽管造成的日益增长的回报是显而易见的(例如,相比之下,情况W= 0,其他四个的情况下考虑奖励促进策略的选择积极参与)。例如,W= 3促进积极参与,W= 9抑制积极参与。这个结果不同于在TEGM发现结果,这表明奖励并不总是促进积极参与。根据(38),这一现象可以解释为特殊的网络结构(例如,无标度特性)。当一个策略是受欢迎的在一组,这种策略将在这些人群中传播。换句话说,进化策略依赖于最初的策略,是在人群中传播。情况3。当 和 ,三种可能的情况下包括{ , },{ , },{ , }带来的机会建立最好的情况有关 。模拟这三个情况和比较,参数设置是用表表示5。图5总结3例3中提到的情况。从图5,一些观察得出结论:(一)由于 ,用户倾向于选择积极参与( )不考虑回报。(b)奖励有时促进积极参与(如红线图5)但有时抑制积极参与(紫色的线数据5(一个)和5 (b))。(c)案例3通常发生在社区的成熟操作。规则(例如,应该支付多少奖励活跃用户,如何加密的宝贵知识贡献的活跃用户,和多少钱应该由被动支付用户承认价值的知识)很好地设计和实现了很长一段时间。这些规则会导致昂贵的成本为用户被动地参与社区。和规则也避免知识溢出的发生。在这种背景下,承认从社区有价值的知识,被动用户别无选择,只能贡献他们的知识,经验,技能交换。(d)从数据5 (b),5 (d),5 (f),平均回报率位于区间[1,8]。值远小于的价值在同样的情况下“更多工作支付”(情况1)。情况1描述了活跃用户和被动用户可以从社区获得高回报。这种情况通常发生在社区,包括大量的有价值的知识和很多活跃用户。例如,有价值的知识吸引用户参与社区,他们从学习知识获得回报。除此之外,很多活跃用户显示用户获得回报社会通信通过与他人的互动。在情况3中,有限的宝贵的知识活跃用户将被创建的经理。活跃用户可以很容易地获取这些知识。然而,被动用户需要支付一些钱承认知识。这种情况导致的结果由被动用户可以获得一些回报。因此,尽管情况1和3相同的现状“更多工作支付”,有影响力的路径决定的用户参与是不同的。状况4。当 和 ,三种可能的情况下包括{ , },{ , },{ , }导致的糟糕情况 。模拟这三个情况和比较,参数设置是用表表示6。图6总结3例4中提到的情况。从图6,一些观察得出结论:(一)由于 ,用户倾向于选择被动策略( )不考虑回报。(b)情况4与糟糕情况“少工作多支付”,这表明活跃用户获得的收益小于被动获得的回报用户。这种情况下抑制积极参与,从而导致nonsustainability社区。从数据6(一),6 (c),6 (e),在促进积极参与奖励起一点作用。特别,概率选择积极的策略只有在大于0.5W= 12。(c)从数据6 (b),6 (d),6 (f),平均回报率是位于区间(−1.4,3.9)。这个值比其他情况下生成的值小得多。特别是,图6 (b)表明,平均回报率小于零,这表明很多用户(特别是活跃用户)不能获得合理的回报他们的志愿行为(例如,经验共享,知识共享和帮助别人)。这种情况经常发生在社区的操作的早期阶段或衰退的社区的操作。一方面,在社区的操作的早期阶段,只有少数活跃用户共同创造社区贡献自己的知识和经验。其他用户作为潜水者扫描的知识和经验。在这种情况下,社区管理员需要维护当前的活跃用户通过奖励(如财务效益和非经济回报)。同时,奖励也应该支付被动用户尝试选择主动策略。另一方面,在社区的操作的衰退,经理应该决定是否为用户设定奖励。从数据6(一),6 (c),6 (e),只有当W= 12,人群会选择积极策略概率为0.5。它表明大量的成本(例如,金钱)应该维护社会的操作。在这种情况下,经理应该评估社区对公司的价值,才决定是否要支付更多的钱为社区的操作。情况5。当 , , ,和 ,两种可能的情况下对 和 发生在用户参与系统。来模拟这两种情况下,比较,参数设置提出了表7。图7总结2例5中提到的情况。从图7,一些观察得出结论:(一)由于不合理回报的主动和被动用户(例如, , ),用户倾向于选择被动策略( )不考虑回报(不管 或 )。(b)从图7的概率选择积极的策略(从0.483到0.597),平均回报率(从2.4−3.8)不断增加的增长的回报。这种情况尤其发生在社区的操作的早期阶段。作为一种新的共同创造社区打开,因为没有现有资源(例如,知识和经验)为用户交流,主动和被动用户无法获得足够的回报。因此,经理可能会设置一些奖励来吸引更多的人。例如,花粉俱乐部奖励他们的电子设备(如手机和手表)的活跃用户。类似的行动也实现了小米。这些行为带来的机会创造一个繁荣的社区在社区的早期阶段的操作。

4.2。计算结果讨论了从外部动机

作为节1礼物,用户参与的决定也受到外部动机(例如,数量的用户和组偏好)。这些动机可以作为用户交互网络的特征(例如,网络规模和网络结构)。这部分是测试外部动机对用户参与行为的影响,通过分析NEGM用户互动网络。特别,下一个部分中,分别检查信息噪声在决策过程的影响( ),网络的大小(N),小群体的数量(米),小群体的大小 。此外,四种类型的网络(如普通网络、小世界网络、无标度网络,与小群体和网络)是用来测试网络结构的影响用户参与的决定。

4.2.1。准备决策过程的信息噪音的影响( )

某些外部事件可能吸引社区和引发意想不到的参与(20.]。在这里,信息噪声( )将测试在用户参与突发意外的效果。作为节4.1分析,包括两个主要的病例 和 存在于用户参与系统。因此,进化博弈模型的参数设置基于这两种情况。此外,排除用户互动网络的影响,相关参数被指示为相同的值。基地的特征信息噪声中提到的部分3.2。3、噪音信息的价值在每个变化增加了10倍。表8显示的参数设置。

图8总结中提到的两个案例表8。

从图8,一些观察得出结论:(一)信息噪音用户参与的决策有很大的影响。为了进一步验证重大影响,方差分析分析是用来测试均值和方差的差异在95%置信水平。当 ,这表明,有一个关键的区别测试数量。所有的值(案例1和2)表现出显著差异。(b)从图8(一个),当 ,它表明,用户是完全理性的,他们肯定会模仿他们的邻居的策略。在这种情况下,用户选择活动策略从社区获得良好的回报。因此,用户会模仿他们的策略,选择积极参与概率为0.9。然而,战略选择的积极参与是信息噪声抑制的增长。例如,当 或 ,用户显示有限理性,他们模仿他们的邻居的策略基于他们的个性和情绪。因此,概率选择积极的策略,分别下降0.63和0.49。(c)相比之下,结果发现在图8(一个)完全相反的结果,发现噪音促进积极参与信息。通过阅读研究[39),同样的结果也发现在他们的研究中关于人类合作网络。他们解释说,适当的信息噪音有助于合作推广,尤其是在上下文与许多叛逃者。

4.2.2。网络的影响大小(N)

根据实证研究由(13),用户数量的积极影响积极参与网络社区的意图。在本节中,用户的数量被视为网络大小来测试用户数量的影响用户的决策参与。四种类型的网络大小(例如, )被认为是在这里。此外,减少信息噪声的影响,设置为0.1。其他参数设置为相同的值详细表8。相关研究的结果发表在表9。

从表9,p价值的案例1例1(≤0.001)和案例2(≤0.001)表明,不同大小的网络之间有显著差异。换句话说,网络规模对用户参与的决策有重要作用。这个结果也验证了假设描述由[13]。

4.2.3。的影响和

(35)认为,所有在线社区(包括共同创造社区)有自己的特殊结构。例如,小群体的数量是不同的。花粉俱乐部将七组包括经验分享,为产品改进建议,反馈产品使用,官方活动、产品评估、资源更好的利用,和其他人。小米俱乐部只有5组(例如,最好的文章、照片分享、提案活动,为产品改进的建议,和寻求帮助)在他们的社区。因此,有必要测试特殊结构的影响用户参与。根据用户交互式网络提出了小组和小组的大小。

指大小的小群体;两种类型的网络(例如,统一网络和非均匀网络)应该在这里介绍。它们之间的主要区别是呈现在图9。特别,图9(一个)10是一个统一的网络节点,分别存在于每一个小组。图9 (b)是一个非均匀网络不同节点的数量(例如,5、10和15),分别存在于每一个小组。出于结果中观察到的部分4.2。2,这部分假设小群体的规模也对决策有很大的影响。

测试的影响和用户参与的决定,三种类型的计算实验设计。特别,实验1和实验2的目标分析的影响在均匀和非均匀网络的用户参与的视角。实验3的目标是均匀和非均匀网络之间做个比较。排除其他参数的影响,其他参数表示的所有实验 , , , , , , 和 。表10显示参数设置和 。特别的,当 , 统一的网络设置在666年,666年和668年。除此之外,非均匀网络表示为50,50和1900。

图10总结所有的计算结果中提到的三个实验。

从图10,一些观察得出结论:(一)数据10 ()- - - - - -10 (d)显示显著的不同的非均匀网络中存在但不是在统一的网络。同样的结果也发现,通过方差分析分析它们的值。这种现象可以解释为非均匀分布的用户。当最大的小组获得良好的回报通过选择积极的策略,成功的策略将在人群中传播。否则,背叛策略(例如,被动策略)是受欢迎的。换句话说,群体选择取决于成功的策略采用最大的小组。(b)从数据10 (e)和10 (f)统一的网络在促进积极参与显示了更好的性能。同样的结果也可以从对比发现数据10 ()和10 (c)。这个结果可以说明了研究[40]。他们认为,这造成的球员成功的详细评价函数和不同的进化规则。

4.2.4。不同的网络结构的影响

尽管实证研究中讨论部分3.2。1礼物,共同创造社区的用户互动网络具有无标度特性和小群体的出现,其他用户交互式的在线社区网络的研究已经确定,其他类型的网络(例如,普通网络、小世界网络和纯粹的无标度网络)也可以用来描述用户交互在线社区。因此,本部分旨在分析不同网络结构的影响用户参与的决定。

作为节4.2。1礼物,两种类型的案件有关 和 存在于用户参与系统。因此,进化博弈模型的参数设置为相同的值详细表8。此外,排除网络规模和信息噪音的影响,固定的价值 和 在这里表示。本小节的变量是网络结构所产生的不同的网络一代模型(41]。图11展示了进化策略的倾向和平均回报。

从图11,一些观察得出结论:(一)与常规的网络和小世界网络相比,纯粹的无标度网络和网络小组抑制积极参与图(11日)。相似的结果也发现在人类合作的研究(38]。吴et al。38)解释说,长尾程度分布的主要原因。这一结果表明,均匀分布(例如,常规网络和小世界网络)更适合促进积极参与,增强了结果发现在部分4.2。3。从图11 (b),用户在网络小组获得最小的平均回报率( )从社区。然而,概率选择积极的策略( )显然不是比其他网络结构的概率小。(b)线路图中描述之间没有显著差异11 (c)。这表明,网络结构的情况下有一个有限的作用 。

4.2.5。讨论和管理的见解

基于计算实验,总结了一些讨论和管理见解如下:(一)部分4.1所有可能的情况下在现实实践细节。用户参与的决定是明显受到return-cost分析评价的基础上,一些内部动机。概率选择积极的策略取决于返回为主动和被动用户分配。经理应该仔细关注返回分配活跃用户,确保活跃用户获得的回报更大比被动获得的用户。换句话说,“支付更多工作”用户参与系统是必要的。相似的结果也显示了(17]。实验结果表明,奖励在很多情况下有效促进积极参与。然而,概率选择积极参与并不与回报的增长不断增加,结果从互动网络的特殊结构(例如,无标度特性和小群体的出现)。例如,用户通常分为几个部分基于不同的小组。影响决策的主要策略是广泛采用自己的小群体。如果一个被动的策略是最初通过人口,很难改变他们最初的策略通过奖励。因此,奖励的影响促进积极参与没有意义在每个场合。经理应该设计根据不同情况具体的奖励。例如,在早期阶段的社区行动,奖励应该主动和被动用户之间的拨款。相比之下,奖励是不必要的衰退的社区的操作,特别是当社区维护的预算是不够的。(b)用户参与信息噪声有很大的影响。特别,当积极参与在人口占主导地位的战略,积极参与的下降趋势的增长发生在决策系统信息噪音。相反,当一个被动的策略是通过许多用户,积极参与的增加趋势出现增长的信息噪音。根据方程(16)、信息噪音密切关联的用户特征。小噪声的信息表明,用户的价值是完全理性的,而噪声的信息表明,用户的大值显示有限理性。当被动的参与是社区的优势策略在早期阶段的操作,经理应该做一些尝试(例如,雇佣一些人在一个社区,分享经验和知识和组织一些活动来吸引更多的用户),促进积极参与通过加强信息噪音。受到这些信息噪音,用户显示有界relationality做出决定基于他们的情绪和特点。因此,被动参与的主要战略下次将会改变。(c)网络规模促进积极参与发挥了至关重要的作用。这个结果也发现的实证研究13]。根据他们的调查,潜水者的决定明显受网络规模的影响。潜水者喜欢分享经验和知识在一个繁荣的社区。首先,他们更愿意回应的帖子,而不是发布帖子。在这种情况下,经理可以创建一些热门话题,这些话题推荐给潜水者。这一行动将吸引更多潜水者在社区讨论他们的想法。除此之外,还需要在短时间内扩大用户群,也建议在5]。(d)由于不均匀度分布的用户互动网络,积极参与显著提升,越来越多的小群体。此外,统一的网络在促进积极参与表现良好,相比之下,非均匀网络的结果。在一个非均匀网络中,占主导地位的策略很容易控制小组与许多参与者。其他用户的决策影响他们的决定。因此,有必要检测用户的数量在每个小组每组和保持类似的用户。如果用户交互式网络显示不均匀的特点,有必要促进积极参与通过其他操作(例如,奖励设置,加强信息噪音,和扩大用户群)。(e)与常规的网络和小世界网络相比,纯粹的无标度网络和网络小组抑制时积极参与主导战略是积极参与。几乎80%的在线通信网络具有无标度特性,而这些特性并不有利于促进积极参与。幸运的是,小世界特性(例如,聚类系数高,平均最短路径短)也确定在许多真实网络,它可以改变现状从被动参与到积极参与。在线通信通常遵循的原则“三度的影响规律。“这表明,两个陌生人可以通过三个关系的互动。基于这一发现,行动(例如,发布一些热门的帖子吸引更多的讨论,寻找导致用户紧密联系很多人,和组织组的比赛)应采取缩短几个用户之间的路径。

5。结论

摘要机制有关内部和外部动机如何影响用户的决策参与共同创造社区利用NEGM分析。用户行为(例如,积极参与和被动的参与)和战略选择的进化过程是通过计算实验研究。两个主要的研究结果得出结论。(一)用户参与行为明显受到return-cost分析基于评价的内部动机。奖励有时增强,有时抑制用户积极参与。(b)用户参与行为与网络规模密切相关,网络结构和噪声在决策过程的信息。

本文采用NEGM和计算实验探讨共同创造社区用户参与行为的进化。它有助于最近三倍的文学的方式。(a)不同于广泛的研究专注于识别用户参与的动机,本文集中于持续用户参与的动机行为和机制对用户是否应该积极参与与否,当积极参与,这种策略如何表现良好。它填补了[差距的研究认为18]。(b)外部动机的影响(例如,网络规模、网络结构、信息噪音)使用NEGM用户参与行为进行分析,将研究重点从个体层面的组级别的影响(16]。(c)计算实验提出了有助于可视化用户的进化策略,把握用户参与游戏的动态演化特性随着时间的推移,和探索策略在不同情况下的变化。

分析机制对于不同的动机如何影响用户参与的决定。共同创造的实际操作建议可持续社区进行了总结。首先,对于个人用户来说,应采取提出一些策略,如活动参与的回报最大化,最小化被动用户通过搭便车行为的回报,和激励被动用户积极参与以集团利润最大化而不是消除他们从社区。其次,如果开始提到的策略吸引参与,外部动机,比如信息噪音,网络规模和网络结构,应该考虑。第三,奖励不合理,不同于最近的研究在动力设计。经理应该实施的具体政策,促进积极参与。

局限性和未来的发展方向的结论如下。首先,尽管外部动机(例如,网络结构和信息噪音)被确定为关键影响因素决定的用户参与,问题关于如何管理用户交互式网络在一个适当的方法还不清楚。有价值的未来研究方向提出探索用户互动网络的重新配置(42]。其次,所有数据用于计算实验假设。真实数据(特别是,如何从实践抽象的真实数据是一个困难的工作)建议进一步研究,尽管假设数据也适合描述所有可能的情况下在现实实践。第三,在本文中,所有的用户都是假定均匀利益相关者在一个共同创造的社区。建议应该进一步区分不同用户的特点,在未来,以开发一个不对称进化博弈模型来描述用户参与系统的收益和成本,从而使与结果进行比较观察。第四,改善NEGM应该发展以适应真正的实践。例如,内存的操作和遗传进化(不仅仅是模仿你的邻居的策略有更好的奖励)建议未来的研究之间的权衡不同的用户可以优化的多目标规划模型43]。。

数据可用性

使用的数据来支持本文的发现包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由中国国家自然科学基金(批准号。71672074,71672074,71904021),中国广东省自然科学基金(2019号a1515010045), 2018年广州领先创新团队计划(中国)(批准号201909010006)和重庆市社会科学规划项目(批准号2019 qngl27)。