社會網絡分析法在虛擬社區隱性知識共享的應用

靳瑋鈺

摘 要：虛擬社區的發展為隱性知識的傳播提供平臺，隱性知識共享在虛擬社區中沉淀形成隱性知識庫為社區成員提供知識，并吸引更多成員加入社區。為扶持虛擬社區使之在提供隱性知識共享方面持久發揮作用，有必要對虛擬社區中隱性知識共享的規律及特點加以研究。該文以社區參與者行為為切入點，利用社會網絡分析法，從隱性知識共享的角度研究了虛擬社區中成員活動的動態規律，指出虛擬社區中隱性知識共享網絡存在凝聚子群，并證實凝聚子群中成員存在遷移活動，以供虛擬社區管理提出依據。

關鍵詞：虛擬社區 隱形知識共享 社會網絡分析法

中圖分類號：C936 文獻標識碼：A 文章編號：1672-3791（2017）04（b）-0028-03

瑞格爾德（Rheingold）（1993）從知識分享的角度提出，虛擬社區是指“一群主要通過計算機網絡相互溝通的人們，他們彼此有某種程度的認識、分享某種程度的知識和信息、在很大程度上如同對待朋友般彼此關懷，從而所形成的團體[1]。”虛擬社區的知識共享對社區發展有著積極作用。知識共享由顯性知識共享和隱性知識共享組成?，F有研究中，隱性知識共享大都以促進（或者阻礙）隱性知識傳播的因素分析為中心展開，并提出了影響隱性知識共享傳播的關鍵因素、共享需要的條件、方法等。隨著虛擬社區的興起，學者們對虛擬社區知識傳播過程中隱性知識的顯化、傳遞、激勵與保障機制，現實世界對虛擬世界知識共享影響等方面做了研究。研究重心從知識向知識的承載者轉移，開始關注隱性知識共享中的關鍵人物和虛擬社區中成員隱性知識共享的行為特征，主要是研究網絡結構特征對知識共享、轉移效果的影響。

該文以虛擬社區活動的參與者—社區成員為研究切入點，利用社會網絡分析法，研究虛擬社區隱性知識共享的動態變化規律，并從虛擬社區成員和知識共享過程中知識結構的變化角度分析研究社區隱性知識共享行為。

1 研究方法

社會網絡分析是社會網絡理論中的一個具體工具，就是對人與人之間、群體之間、組織之間，或者是其他信息、知識處理實體之間的關系進行描述，并對其價值進行估量的一個過程。該文運用社會網絡分析法中密度、派系、中心度等指標對某一社區成員形成的隱性知識共享網絡進行分析。

2 數據收集與分析

2.1 數據收集和處理

數據來源于知識論壇一個版塊的成員互動，選取了100個成員的互動聯系數據作為樣本數據。虛擬社區隱性知識共享是由社區成員通過互動回帖實現。在此定義，虛擬社區中的隱性知識共享為成員知識溝通時的互動關系，一次問題回復或問題提出，為一次互動。虛擬社區的互動關系網絡按照如下方式構成：結點表示虛擬社區中各個成員，邊表示兩個成員之間的互動關系，同一主題的多次應答算一次互動；忽略樣本網絡中產生的自環（忽略因為成員回復自身帖子產生的應答）。由于該文探討的問題是社會網絡中強連接小團體的活動，重點在于測量單個成員的價值和活動，默認每一次應答代表價值發生。

2.2 數據分析

2.2.1 數據密度與派系研究

通過社會網絡分析軟件ucinet，對研究數據進行可視化分析，如圖1所示。

通過ucinet計算樣本網絡整體密度，密度為0.0380，表明該網絡的聯結松散、稀疏，成員結點間的知識聯系稀松、知識結構差異大。然而，從社會網絡分析角度，稀疏網絡（也可以稱為有結構洞的網絡）是利于成員知識共享的。

3-clan分析結果如圖2所示。

六個派系子群之間存在15個共同成員，共同成員集合：A={2，3，4，5，6，7，8，9，10，11，12，13，14，16，17}。

2.2.2 中心度研究

對網絡中成員結點進行中心度研究，是為了量化某一結點對其他節點的控制強度?？刂茝姸仍陔[性知識共享網絡中就是該結點對其他結點可以提供的價值。該文研究結點間的三種中心度分別是：點度數中心度、中間中心度、接近中心度。

（1）點度數中心度。

表1為所選樣本中成員的絕對點度數中心度和相對點度數中心度，有66%的結點只與網絡中某一個結點有聯系，也就是說有66%的結點在隱性知識共享網絡中依賴核心成員存在，若與之聯系的成員脫離網絡，該結點成員也會迅速流失。

絕對點度數中心度數值較大的有2、3、6、7、9號，他們的直接聯系人有20個。該五位成員的相對中心度也排第一。這說明，這五位成員是該網絡的核心。排在2號后有編號為5、8、4、10、11、1、12、16、14的9位成員，他們的絕對、相對點度數中心度較大，數值也比較接近，且高于其他成員。在對樣本網絡的點度數中心度進行了平均值、標準差、方差的計算之后，從絕對數、相對數來看，標準差、方差都比較大。這表明，網絡中的成員的點度數中心度呈離散狀態分布，且存在一些點度數中心度高的成員，他們在隱性知識共享網絡中是絕對活躍的核心成員。

（2）中間中心度。

由表2可知，1號成員數值最大，為26.569，該成員在網絡中影響力很強，已經達到控制虛擬社區內其他人之間溝通的程度。100號成員的中間中心度最低，處于知識網絡的邊界，對其他人幾乎無影響。集合A中15個點的中間中心度數值排名也都在前20名以內，這表明，集合A中的成員除了表現出很高的點度數中心勢外，還表現出很高的中間中心勢。樣本網絡的中間中心度的平均值為2.176，較高。方差和標準差顯示成員結點中間中心度的差距很大，體現了社區邊緣成員活動依賴網絡中間成員。

（3）接近中心度。

從表3可以看出，該隱性知識共享網絡的接近中心度最低者為編號100的成員，他的接近中心度為27.809。標準差和方差較大，成員結點的接近中心度也存在較大差值，成員間存在很強的依賴，成員間的隱性知識獲取需要通過其他關鍵成員作為“中介”進行傳遞。接近中心度的計算結果顯示出，樣本網絡中存在關鍵成員構成強連接子群在為網絡邊緣成員傳遞知識。

集合A中成員的接近中心度很高，平均接近中心度43.989。結合點度數中心度和中間中心度的分析結果，我們可以得知，A中成員作為該隱性知識共享網絡的關鍵成員，他們在網絡中表現活躍，帶動社區實現隱性知識共享，與此同時，其他成員依賴于這些關鍵成員實現知識共享。

以上中心度的研究表明：集合A中的成員在樣本網絡的隱性知識共享中起關鍵作用。

2.2.3 凝聚子群研究

集合A是否構成隱性知識共享網絡的凝聚子群，從子群成員之間的可達性、頻次、子群成員之間密度與整個網絡成員密度比較，進行考察。

（1）可達性。

運用ucinet軟件，對集合A做派系分析，得到：集合A中成員結點都歸屬于同一個2-clan派系中，任意兩個結點的距離都小于或等于2。

（2）對集合A中成員進行中心度分析，得到表4。

點度數中心度計算結果表明，子群內成員間點度數中心度（6.133）是子群外成員點度數中心度（3.76）的1.6倍。

接近中心度計算結果表明，子群成員結點的接近中心度很高，平均數值很大。這顯示子群成員在網絡中相隔距離很短，集合A成員相互依賴程度高于對子網以外成員的依賴性。

中間中心度對點的度數中心度起到一個更正的作用。一些起到“中介”作用的關鍵成員也應歸屬于強連接子群中。這些成員也是隱性知識共享網絡中的強連接結點的另一種表現形式。子群成員中間中心度普遍不高，方差大。說明很多成員在網絡中處于不可替代的位置，若缺少子群中的成員，將導致網絡中失去一批成員。

（3）對凝聚子群密度進行分析。

經ucinet軟件計算得到，集合A中成員構成的網絡子群密度值為0.4381，全體成員網絡的密度為0.038。網絡子群成員結點間的關系密度值大大高于整個網絡成員密度值。

綜上所述，集合A中成員滿足構成網絡凝聚子群的條件，組成了隱性知識共享網絡的凝聚子群。

3 結語

由于在隱形知識共享過程中會積累大量有用知識，虛擬社區管理員可以建立隱性知識庫，將隱性知識顯化為顯性知識，吸引新的成員加入社區。隨著新、老成員知識共享次數增加，成員間知識結構的升華，會重新創造新的隱性知識共享網絡強連接，從而持續虛擬社區內成員隱性知識共享，實現社區持續發展。

研究中發現，當關鍵成員轉化時，只有部分非關鍵成員轉化為關鍵成員、加入網絡強連接，這其中應存在一個狀態轉化閾值。該閾值影響到社區內關鍵成員行為預測。該文對此沒有進行展開分析，但為了增強對關鍵成員生成與變遷活動預測的準確性，此后會關注并深入研究這一問題。

參考文獻

[1] Rheingold.The Virtual Community：Homesteading on the Electronic Frontier， Massachusetts：The MIT Press，1993[EB/OL].http：//rheingold.com /vc/book/intro.html，（2012-04-20）.

[2] Koh J，Kim Y G.Knowledge Sharing in Virtual Communities：an E-Business Perspective[J].Expert Systems With Applications，2004（26）：155-166.

[3] 約翰·斯科特，著.社會網絡分析法[M].2版.張鴿盛，譯.重慶大學出版社，2011.

[4] 程業炳.SNS虛擬社區個體隱性知識共享研究[J].情報科學，2013（4）：45-50.

[5] 石艷霞.SNS虛擬社區知識共享及其影響因素研究[D].太原：山西大學，2010.

[6] 雷靜，基于社會網絡的虛擬社區知識共享研究[D].東華大學，2012.

[7] 殷國鵬，莫云生，陳禹.利用社會網絡分析促進隱性知識管理[J].Tsinghua Univ（Sci & Tech），2006（46）：964-969.