數字圖書館個性化推薦用戶信息采納行為影響研究

段堯清 劉宇明 蔡詩茜 陳玲

摘要：[目的/意義]本文從用戶信息采納行為的視角出發，通過信息采納意向的中介效應針對數字圖書館個性化推薦的影響因素進行研究。[方法/過程]在計劃行為理論的基礎上構建了數字圖書館個性化推薦信息用戶采納行為模型，并通過實證研究對該模型進行檢驗與分析。[結果/結論]數據分析結果表明：信息采納意向在感知有用性、用戶期望、信息質量及主觀規范對數字圖書館個性化推薦用戶信息采納行為的影響作用中均有中介效應。

關鍵詞：數字圖書館;個性化推薦;用戶行為;信息采納;中介效應;計劃行為理論

DOI：10.3969/j.issn.1008-0821.2019.02.010

〔中圖分類號〕G252.0〔文獻標識碼〕A〔文章編號〕1008-0821（2019）02-0085-09

數字圖書館是圖書館在移動互聯環境下的新發展，也是信息時代重要的信息基礎設施和知識獲得的傳播工具。主要實現圖書館各類資源在手持設備上的同一檢索功能，以及滿足用戶可以隨時隨地獲取和閱讀文獻正文的需要[1]。學界普遍認同移動數字圖書館重在對傳統服務模式的創新發展、而非簡單執行信息服務的網絡化的觀點，如何實現創新，則重在考察實際環境和需求。盛小平等將資源可用性、權威性作為移動數字圖書館資源評價的要素[2]。用戶利用率則是這些評價方式樸素且實際的體現。用戶能否獲得準確獲取資源的途徑、是否得到了閱讀意愿的滿足和優越的使用體驗，都是數字圖書館服務評價的重要指標。因此如何滿足用戶變化著的需求是數字圖書館在當前形勢下的重大挑戰。

伴隨著資源數字化過程的迅速推進以及用戶需求的變化莫測，個性化推薦服務成為當前圖書館服務的一種重要模式[3]。個性化的推薦側重于搜集用戶興趣，有針對性地進行推薦，可以更好地滿足用戶需求。本文從用戶信息采納行為的角度來探討數字圖書館如何為用戶提供更優質準確的個性化推薦服務，從而增強用戶使用意愿，提升數字圖書館平臺的有效性與易用性，推動數字圖書館的發展與變革。

1相關研究綜述

目前國外數字圖書館研究重點已由以系統和項目為中心開始向以用戶和服務為中心進行轉移。Smeaton A F等[4]認為大多數的數字圖書館還停留在單一的檢索功能上，并不能滿足用戶們的需求，并指出個性化推薦在數字圖書館的應用能夠解決該問題。而后國外學者從不同角度對該問題進行了相對詳細的研究，Noah S A等[5]提出從語義、本體技術角度研究本體驅動的語義數字圖書館推薦系統以解決分布式網絡環境下跨系統互操作問題。Renda M等[6]設計出不僅滿足用戶信息推薦需求，而且為共同興趣用戶提供交流協作空間，并提出個性化協同數字圖書館模型。Resnick P等[7]和Shardanand U等[8]則用協同過濾的方法建立了WebWatcher和LikeMiinds系統，在此基礎上K P Birman[9]將該方法分為基于用戶的協同過濾方法和基于項目的協同過濾方法，針對數字圖書館的應用背景選擇了基于用戶的協同過濾方法，通過評分結果估算用戶可能喜歡的物品。

國內對于數字圖書館個性化推薦的研究主要集中在以下幾個方面：第一，數字圖書館個性化推薦的技術研究及應用。王敏等提出了模糊聚類和模糊識別相結合的聚類技術[10]。毛宜鈺等提出了一種基于聚類的協同過濾式圖書信息推薦算法[11]，李娜認為從圖書館服務對象的特殊性出發，個性化推薦需要智能搜索技術、數據挖掘技術以及信息推送3種技術的結合不斷完善了個性化推薦的技術基礎[12];第二，數字圖書館個性化推薦的方法研究。洪亮等引入角色的概念模擬用戶信息選擇，提出了改進后的情境感知推薦方法，為移動數字圖書館資源推薦提供了多種思路，有利于推薦系統的改進和完善[13];第三，基于用戶的數字圖書館個性化推薦研究。張榮等基于各種技術和算法提出了用戶偏好模型，他們認為數字圖書館要為用戶提供個性、準確的服務[14]。丁雪等認為個性化推薦中的關鍵問題即用戶本體的構建，包括用戶基本信息本體、用戶個性本體和用戶需求本體，并用六元組表示方法實踐本體的表示，以及通過流程圖詮釋本體間的作用機制，促進了數字圖書館健康良好的發展[15]。

綜合國內外的相關研究成果可以發現，在對數字圖書館個性化推薦的研究中，從用戶信息采納行為角度出發探討其相關影響因素的研究相對較少，更鮮有學者探索中介效應在其中的作用。中介效應能夠把原有的關于同一問題的研究聯系在一起，把原來用來解釋相似現象的理論整合起來，而使得已有的理論更為系統。中介效應不僅可以解釋關系背后的作用機制，還能整合已有的研究或理論，具有顯著的理論和實踐意義。本文在研究數字圖書館個性化推薦用戶信息采納行為的過程中，重點研究用戶采納意向在其中所起到的中介效應，并基于計劃行為理論構建數字圖書館個性化推薦用戶信息采納行為模型，通過結構方程對其進行驗證，為相關假設提供支持。

2假設與模型構建

計劃行為理論（Theory of Planned Behavior，TPB）是Ajzen I[16]于1991年在理性行為理論的基礎上提出的。該理論從人的理性角度出發，在綜合分析眾多信息的基礎上，對可能發生結果進行考慮而后采取一個對自己最有利的行為。其核心思想認為主觀規范、行為態度、知覺行為控制能夠直接影響人的行為意向。該理論不僅局限于心理學，更適用于與不同種類的研究對象與研究模型。因此，研究者需要在計劃行為理論的基礎上，結合自身的具體研究對象和研究情景，對原始模型進行相應修改[17]。

感知的有用性反映了一個人認為使用一個具體的系統對他工作業績提高的程度，一般情況下，系統帶給用戶愉悅體驗越高，用戶感知到的有用性越強。一些學者已經分析出感知有用性在一些領域中對用戶采納意向能夠產生正向影響。如李進華等[19]分析了感知有用性對微信信息流廣告采納意愿產生正向影響，劉錦宏等[20]分析了感知有用性對移動數字圖書館使用意向產生正向影響。在應用數字圖書館個性化推薦獲取信息的過程中，用戶能夠提升效率、節約時間。用戶體驗到通過個性化推薦的方式能夠更高效的提升自己，才能產生一定的采納意向。據此提出以下假設：

H1：感知有用性對信息采納意向有顯著（正）影響。

用戶期望是指用戶在運用某項技術前，對該技術或平臺所獲信息的預期結果。如果用戶在使用新技術或平臺的過程中能顯著提高工作效率或學習效率，這種感知上的期望就會增加用戶持續使用該技術或平臺的意愿。在數字圖書館環境下，用戶在手機上、平板、電腦上查詢相關主題文獻，如果用戶認為該方式能提高查詢文獻的效率，對自己的日常工作和學習有較大幫助，使用數字圖書館的意愿就會更強烈。據此提出以下假設：

H2：用戶期望對信息采納意向有顯著（正）影響。

Stvilia B[21]認為為信息質量包括相關性、有效性、可解釋性、實效性、準確性和完整性等方面。是評價網絡信息資源最基本、最主要的標準。信息質量反映了用戶需求的價值的大小，滿足用戶信息需求的價值越大，信息質量就越高，反之亦然。在數字圖書館個性化推薦用戶信息采納過程中，用戶如果能夠獲得全面性、時效性、可靠性、相關性和權威性強的信息，無疑能夠提高用戶的采納意愿。據此提出以下假設：

H3：信息質量對信息采納意向有顯著（正）影響。

TPB理論認為主觀規范是指個人對于是否采取某項特定行為所感受到的社會壓力，亦即在預測他人的行為時，那些對個人的行為決策具有影響力的個人或團體對于個人是否采取某項特定行為所發揮的影響作用大小。行為科學的相關理論認為，人們在進行某種行為時通常會參照他們的社會網絡來調整自己的態度、信念和行為方式[18]。在數字圖書館個性化推薦過程中，個性化信息的交互能夠增加用戶間對相關信息的關注，從而提高個性化推薦信息的采納意向，使主觀規范成為信息采納的關鍵因素之一。據此提出如下假設：

H4：主觀規范對信息采納意向有顯著（正）影響。

計劃行為理論認為：一般而言，個人對于某項行為的采納意向愈正向時，則個人更有可能產生采納行為。許多研究成果和理論模型都將行為意向與實際行為直接關聯，甚至將意向形成等同于行為發生。然而，現實生活中人們在形成某一意向后，很多時候卻沒有采取相應的行為[22]。行為執行意向理論認為執行意向在采納意向和采納行為起關鍵作用。在數字圖書館個性化推薦過程中，個性化推薦的信息能夠針對不同用戶的需求，使用戶有足夠的執行意向從而產生行為。據此提出以下假設：

H5：信息采納意向對信息采納行為有顯著（正）影響。

數字圖書館個性化推薦信息過程中，主觀規范、感知有用性、用戶期望、信息質量能夠有效表達用戶需求，這些都有助于提升用戶信息采納意向，進而促進用戶的信息采納行為。因此可以推論，數字圖書館個性化推薦過程中，當用戶擁有了更強烈的采納意向，用戶才會產生采納行為。據此提出以下假設：

H6：信息采納意向在感知有用性對信息采納行為的影響關系中起中介作用

H7：信息采納意向在用戶期望對信息采納行為的影響關系中起中介作用

H8：信息采納意向在信息質量對信息采納行為的影響關系中起中介作用

H9：信息采納意向在主觀規范對信息采納行為的影響關系中起中介作用

基于上述假設，本文提出了數字圖書館個性化推薦用戶信息采納行為模型，如圖1所示：

3研究方法

3.1問卷設計

本文的實證研究采用問卷調查法，用以進行模型檢驗。根據前文的假設推演和模型構建，本文將數字圖書館個性化推薦用戶信息行為采納行為模型的變量設為模型中所示的6個變量，所有6個變量測量采用Likert5分量表，采用5個選項，1～5分別代表不同的同意度，1表示“非常不同意”，5表示非常同意，從1到5同意度逐級遞增。量表初步設計后，對問卷進行了小部分前測。前測共收回44份問卷，前測過程中，筆者對被調查者反映出的一些問題進行了修正，根據結果修改量表，形成正式問卷。測量選項內容及相關來源如表1所示。

表1測量選項內容及來源

變量測量題項文獻來源

感知有用性（PU）PU1：我認為通過數字圖書館個性化推薦獲取信息對我很有幫助

PU2：使用數字圖書館個性化推薦獲取信息可以提升效率，節約時間

PU3：使用數字圖書館個性化推薦能夠滿足我的需求，取得我想要的結果Davis F D等[23]

用戶期望（UE）UE1：我期望數字圖書館個性化推薦能夠提供對我有幫助的信息

UE2：我期望數字圖書館個性化推薦能夠提供時效性強、客觀的信息

UE3：我期望所使用數字圖書館個性化推薦的平臺是簡潔明確的

UE4：我期望數字圖書館個性化推薦所提供的信息是可以信任的

UE5：我期望數字圖書館個性化推薦所提供的信息具有一定的層次性和可存儲性劉冰等[24]

信息質量（DA）DA1：數字圖書館個性化推薦提供的信息能夠非常準確地符合我的需求

DA2：數字圖書館個性化推薦提供數據能夠非常符合我實時的需求

DA3：數字圖書館個性化推薦提供的數據具有一定的權威性晁亞男等[17]

主觀規范（SN）SN1：我身邊的親友認為我應該借鑒數字圖書館個性化推薦的信息

SN2：那些能影響我行為意愿的人支持我使用數字圖書館個性化推薦

SN3：使用數字圖書館個性化推薦讓我感覺比身邊的人更現代化Fishbein M等[25]

采納意向（UI）UI1：我愿意試用數字圖書館個性化推薦

UI2：今后我會更加頻繁地使用數字圖書館個性化推薦來獲取信息

UI3：我會建議身邊的親友使用數字圖書館個性化推薦來獲取信息

UI4：在使用數字圖書館個性化推薦時我愿意為其建設提供意見和建議Davis F D等[26]

采納行為（UB）UB1：我接受通過數字圖書館個性化推薦的方式為我推薦信息

UB2：在工作、學習、生活中我使用數字圖書館個性化推薦

UB3：我建議他人使用數字圖書館個性化推薦的方式來獲取信息Lee等[27]

3.2問卷收集

正式問卷的發放采用線上調查的方式進行，從問卷發放至問卷截止為期20天。共回收問卷196份，除去無效問卷和填寫不全的問卷31份，實際回收165份，回收率達84.1%，有效問卷高于問卷量表題項5倍[23]。樣本統計結果中，在總結前測出現的問題基礎上，被調查者對數字圖書館個性化推薦都有一定的了解。被調查者女性占樣本總量的57.3%。年齡和教育程度來看，絕大部分為年輕人，且受教育程度較高。為了確保數據質量，本研究使用SPSS 21對問卷樣本數據進行結構變量統計，得出相應的極小值、極大值、均值、標準差等統計量，具體如表2所示。

從表中可以看出，所有變量的標準差都小于1.5，這表明被試者的看法比較集中，各變量之間的差異度和離散度均比較小。

3.3信效度檢驗

3.3.1信度檢驗

信度是用于衡量測量工具的一致性和穩定性的程度。信度理想的測量工具，可以真實地反映被測對象的屬性值。Chronbach Alpha系數是測量量表信度的指標，Alpha系數的最高值為1，一般來說，在實際研究中，若該系數等于或超過0.7，則認為內部一致性較高。本文利用SPSS 21對問卷數據進行整體的信度分析，分析結果如表3所示。Cronbachs α值為0.960，基于標準化項的Cronbachs α值為0.961，說明問卷有較高的可信度。

3.3.2效度分析

效度即有效性，是指問卷的有效性和正確性，即問卷能夠測量出其所欲測量的構面或特性的程度。

較高的效度表示測量結果能體現出被測對象的真正特征。本文通過SPSS 21對問卷進行KMO和Bartlett的檢驗結果，如表5所示。KMO和Bartlett檢驗系數為0.948，Bartlett的球形度檢驗顯著性為0.000，表明該問卷結果非常適合做因子分析。

采用主成分分析法進行因子抽取時，條件是基本特征值大于1，最大收斂迭代次數為25次，累計貢獻率不得小于50%，一般在70%到80%之間。得到的解釋總方差結果如表6所示，總共抽取出的因子累計貢獻率為75.708，符合因子分析的要求。

再觀察表7因子負載，各個潛變量的KMO值均大于0.65，Bartlett球形檢驗顯著水平為0.000，且各測量項對應的因子載荷均高于0.65，說明量表適合較好的收斂效度和判別效度。

3.4模型分析

本文所提出的組織能力理論模型已在前文中建立，本研究運用AMOS 21軟件繪制了組織能力的結構方程模型后選取較為常用的幾個指標：χ2/df、RMSEA、CFI、PNFI、PCFI和顯著性P值，作為模型的評價的擬合指標，具體的擬合結果如表8所示。

因模型整體擬合結果通過檢驗，故不需要對模型進行修正，可以對模型進行路徑系數分析。

在對模型整體擬合情況檢驗之后，分別檢驗模型的各條假設，即分析臨界比C.R.、顯著性P值和潛變量間路徑系數的大小。通過AMOS 21軟件對模型的路徑關系進行分析。具體檢測結果如圖2和表9所示。

在表9中可以看出潛變量間的5條路徑：PU→UI、UE→UI、DA→UI、SN→UI和UI→UB的P值都在0.01以下，C.R.值均大于1.96，均具有顯著影響，因此本文的研究假設均通過檢驗。

3.5中介效應檢驗

本研究采用結構方程模型來驗證提出的多重中介模型，因為結構方程可以對復雜的模型進行估計，可以同時處理多個因變量和中介變量。

3.5.1直接中介效應檢驗

本研究利用AMOS21.0對假設模型進行Bootstrapping中介檢驗，直接效應的檢驗結果見表10，其中包括感知有用性（PU）、用戶期望（UE）、信息質量（DA）、主觀規范（SN）、采納意向（UI）、采納行為（UB）之間的直接中介效應關系檢驗。

3.5.2間接中介效應檢驗

同時，本研究利用AMOS21.0對假設模型進行Bootstrapping間接效應檢驗，檢驗結果見表11，其中包括感知有用性（PU）、用戶期望（UE）、信息質量（DA）、主觀規范（SN）、采納意向（UI）、采納行為（UB）之間的簡介中介效應關系檢驗。

表10和表11數據表明，部分聚合后的感知有用性對信息采納行為有顯著正向影響，而信息采納意向介入后，感知有用性對信息采納行為的路徑系數由0.187下降為0.140，影響效果減弱，因此信息采納意向在感知有用性與信息采納行為的關系之間起到中介作用，H6得到驗證。同理用戶期望、信

息質量及主觀規范相應的路徑系數覺有不同程度上的減弱，說明信息采納意向在以上影響因素與信息采納行為中均起到中介效應。至此本文的假設全部得到驗證。

4研究結果與討論

利用問卷調查法，本文基于用戶信息采納行為探究了數字圖書館個性化推薦中的主要影響因素。研究發現感知有用性、用戶期望、信息質量、主觀規范、信息采納意愿均對用戶信息采納行為產生顯著正向影響。且信息采納意向在感知有用性、用戶期望、信息質量、主觀規范對信息采納行為中起到明顯的中介效應。實證分析的結果可以看出此模型能夠很好地表現影響數字圖書館個性化推薦信息的主要因素。在技術飛速發展的大數據時代，用戶的需求越來越偏向快速地獲得自己所期望的高質量信息。而主觀規范同時也反映出用戶對信息交互的重視。這些因素均成為影響用戶信息采納意向的關鍵，對用戶后續的信息采納行為起到決定性作用。因此，要提高數字圖書館個性化推薦用戶的信息采納程度，必須做好以下3個方面的工作。

1）提高服務質量，提升用戶關懷。為體現數字圖書館個性化推薦信息的優勢，吸引用戶使用數字圖書館個性化推薦平臺，采納推薦信息，應更重視用戶的行為習慣，而不是單一地追求先進技術功能如何開發。數字圖書館個性化推薦平臺應重點關注如何能夠讓用戶實時、低使用要求地獲取對自己有幫助的信息為目標。

2）注重社交功能，加強用戶之間的溝通。調查結果顯示，大部分的受訪者表示因周圍能夠影響個人行為意愿的人使用數字圖書館個性化推薦功能而采納數字圖書館個性化推薦信息。為此，數字圖書館個性化推薦平臺應與一些社交媒體展開合作，增強用戶之間的關聯。

3）及時關注提供信息及服務的使用效果。在提高推薦信息質量的基礎上，應更關注用戶使用信息的效果，數字圖書館個性化推薦平臺應做到定期收集用戶提出的意見與建議。以便于及時采取措施，發揮數字圖書館個性化推薦的真正價值。

就結果分析來看，由于受到客觀條件限制等原因，本研究在數據采集過程中樣本相對比較單一，大部分被調查者都是在校學生，樣本的代表性有待提高。未來的研究可以通過其他調查方式獲取更有代表性的樣本，同時豐富影響用戶信息采納行為的影響因素，提出針對性的建議進行研究。

參考文獻

[1]邵銳.移動互聯網是數字圖書館創新服務的重要途徑[J].農業圖書情報學刊，2016，28（12）：189-192.

[2]盛小平，陶倩.美國7個圖書館員職業能力標準的比較分析[J].圖書情報工作，2016，60（24）：14-19.

[3]尚剛.個性化推薦技術在圖書館服務中的應用研究[D].南京：南京財經大學，2015.

[4]Smeaton A F，Callan J.Personalisation and Recommender Systems in Digital Libraries[J].International Journal on Digital Libraries，2005，5（4）：299-308.

[5]Noah S A，Alias N A R，Osman N A，et al.Ontology-Driven Semantic Digital Library[J].Information Retrieval Technology，2010，6458：141-150.

[6]Renda M E，Straccia U.A Personalized Collaborative Digital Library Environment：A Model and An Application[J].Information Processing & Management，2005，41（1）：5-21.

[7]Resnick P，Iacovou N，Suchak M，et al.GroupLens：An Open Architecture for Collaborative Filtering of Netnews[C]//ACM Conference on Computer Supported Cooperative Work.ACM，1994：175-186.

[8]Shardanand U，Maes P.Social Information Filtering：Algorithms for Automating“Word of Mouth”[C]//Sigchi Conference on Human Factors in Computing Systems.ACM Press/Addison-Wesley Publishing Co，1995：210-217.

[9]Chen X，Liu X，Huang Z，et al.RegionKNN：A Scalable Hybrid Collaborative Filtering Algorithm for Personalized Web Service Recommendation[C]//IEEE International Conference on Web Services.IEEE，2010：9-16.

[10]王敏，嵇紹春.基于模糊聚類和模糊模式識別的數字圖書館個性化推薦研究[J].現代情報，2016，36（4）：52-56.

[11]毛宜鈺，劉建勛，胡蓉，等.基于Logistic函數和用戶聚類的協同過濾算法[J].浙江大學學報：工學版，2017，51（6）：1252-1258.

[12]李娜.數字圖書館個性化推薦系統研究[J].農業圖書情報學刊，2015，27（9）：108-110.

[13]洪亮，錢晨，樊星.移動數字圖書館資源的情境感知個性化推薦方法研究[J].現代圖書情報技術，2016，32（7）：110-119.

[14]張榮，張騰躍，胡玲.數字圖書館的用戶偏好模型及個性化推薦研究[J].黑河學院學報，2017，8（5）：208-210.

[15]丁雪，張玉峰.基于本體的智能數字圖書館個性化推薦用戶本體研究[J].現代情報，2009，29（12）：61-65.

[16]Ajzen I.The Theory of Planned Behavior[J].Organizational Behavior & Human Decision Processes，1991，50（2）：179-211.

[17]晁亞男，劉慶旭，畢強.數字圖書館知識鏈接用戶使用意愿影響因素及實證研究[J].現代情報，2017，37（9）：35-43.

[18]王偉軍，王陽，王玉珠，等.移動商務用戶個性化推薦采納行為影響因素的實證研究[J].系統管理學報，2017，26（5）：816-823.