開放式創新社區中知識重混影響因素研究

高天 任南

摘要：[目的/意義]探討開放式創新社區中知識重混的影響因素，為開放式創新社區用戶創新和社區可持續發展提供一定的指導和參考。[方法/過程]基于精細加工可能性模型，從知識特征和知識貢獻者特征兩方面構建開放式創新社區中知識重混的影響因素模型。通過爬取Thingiverse社區3D Printing模塊的客觀數據，運用負二項回歸對影響因素進行實證研究。[結果/結論]在中心路徑中，受關注度、繼承性對知識重混均具有顯著正向影響，而復雜度對知識重混具有負向影響;在邊緣路徑中，知識貢獻者參與度、內向社交網絡中心度、專業知識水平對知識重混均具有顯著正向影響。

關鍵詞：開放式創新社區 ? ?精細加工可能性模型 ? ?知識重混 ? ?影響因素

分類號：G302

引用格式：高天， 任南. 開放式創新社區中知識重混影響因素研究： 以Thingiverse為例[J/OL]. 知識管理論壇， 2022， 7（2）： 133-142[引用日期]. http：//www.kmf.ac.cn/p/280/.

1 ?引言

隨著Web 2.0信息技術的發展，創新不再是獨立存在的，越來越多的知名企業基于互聯網建立了開放式創新社區（Open Innovation Community，OIC），吸引用戶參與到內部產品的創意、研發和推廣等創新相關活動中，這類社區已經成為企業產品創新的重要來源[1]。重混作為開放式創新社區的重要創新模式，一般是指將社區內現有知識產品作為原材料或靈感來進一步創新的“知識重用”過程，在基于互聯網的新型創新中發揮著至關重要的作用[2]。這種新型創新模式極大地活躍了社區的創新氛圍，產生的大量重混產品使得社區的創新成果翻倍，已成為除原創之外的第二大創新來源[3]。但隨著社區的發展，不同知識產品的重混貢獻出現了顯著差異，有些知識產品能夠被用戶多次重混，產生很多意想不到的重混產品，而有些知識產品卻無人問津。因此，深入挖掘什么樣的知識產品容易被重混，幫助社區快速識別那些具有高生成性的知識產品，發揮社區中已有創新的潛力，已經成為當前企業開放式創新社區可持續發展的重要問題。

目前學術界重混研究的對象主要包括在線音樂社區、網絡社區和開放式創新社區。關于重混影響因素的研究大多基于在線音樂社區和網絡社區。一方面，從作品內容本身出發，G. Cheliotis等[4]以在線音樂社區ccMixter為對象，研究音樂作品重混的影響因素，發現作品流行度、衍生性和互文性對重混具有顯著影響;B.M.HilL等[5]以網絡編程社區Scratch為對象，探討編程作品重混的影響因素，發現作品復雜度、累積數對重混具有顯著影響。另一方面，創作者特征對重混具有一定的影響，用戶在選擇音樂作品進行重混時，不僅受到發布時間的影響，還會受到創作者的身份地位、可識別性等因素影響[6]。基于開放式創新社區的研究主要集中于重混模式分析，M. Wirth等[7]以Thingiverse社區為對象，采用社會網絡分析的方法確定出線性進化、合并、分叉等十種獨特的重混模式;少數學者基于開放式創新社區探討了知識重混的影響因素，如Y. Han等[8]探究了創新知識重用過程中流行主題、編碼元知識對重混的影響;譚娟等[9]基于創新擴散理論探討了網絡創新社區中受關注度、知識復雜度對知識產品重混的影響。

綜上所述，現有關于開放式創新社區中重混研究主要集中在重混模式分析以及知識本身特征對重混的影響，較少考慮作為知識貢獻者的用戶個體特征，尤其是知識貢獻者的社交網絡如何影響重混。其次，現有文獻尚未有一個明確的理論框架，將知識特征和知識貢獻者特征結合起來共同探究開放式創新社區中知識重混的影響因素。因此，本研究采用精細加工可能性模型，以Thingiverse社區3D Printing模塊為研究對象，從知識特征和知識貢獻者特征兩個方面實證分析開放式創新社區中知識重混的影響因素，進一步拓展開放式創新社區中重混創新研究的理論體系，并為企業開放式創新社區的用戶創新和可持續發展提供建議指導。

2 ?理論基礎與研究假設

2.1 ?精細加工可能性模型及其應用研究

精細加工可能性模型（Elaboration Likelihood Model，ELM）是由著名的社會心理學家 R. E. Petty 和J. T. Cacioppo提出，用于解釋說服性信息加工過程中可能導致態度變化的理論框架[10]。該模型認為信息接收者處理信息過程中的態度與行為的改變主要受到中心路徑和邊緣路徑的影響。在中心路徑中，信息接收者往往需要投入較多的認知努力，對與信息質量相關的論據線索進行仔細分析思考，從而做出相應認知判斷;在邊緣路徑中，信息接收者通常無需耗費太多努力，只需要根據與信息內容相關的啟發式線索來評估信息，從而做出相應的推理判斷[11]。目前精細加工可能性模型已廣泛應用在信息采納、知識傳播和知識付費等線上行為方面的研究。如C. Huo等[12]基于ELM，探討了社交媒體上健康信息采納的影響因素，發現信息質量和信息源可信度通過信任這一中介變量對信息采納產生正向影響。王志英等[13]基于ELM構建安全應急知識傳播模型，發現知識質量和知識源特征對安全突發事件中安全應急知識傳播具有顯著影響。魏武等[14]基于ELM研究了線上知識付費用戶繼續付費意向的影響因素，發現知識產品的內容質量和來源可信度正向影響線上知識付費用戶的繼續付費意向。

重混的本質是開放式創新社區用戶對現有知識產品不斷加工處理的一個過程，類似于說服的過程，與信息采納相似。在開放式創新社區知識重混的過程中，用戶不僅會分析知識本身的質量，還會關注知識貢獻者的可信度。因此，本文基于ELM來解釋開放式創新社區中知識重混的過程，將與知識有關的特征作為中心路徑，與知識貢獻者有關的特征作為邊緣路徑，深入探討開放式創新社區中知識重混的影響機制。

2.2 ?中心路徑假設

ELM所指的中心路徑主要是對于知識質量的判斷，知識質量一般與知識本身的特征有關。本文以Thingiverse社區為例進行研究，主要根據知識受關注度、復雜度和繼承性來衡量知識質量。

2.2.1 ?受關注度對知識重混的影響

受關注度是指知識產品獲得其他社區用戶關注的程度。相關研究表明，關注度越高的創新產品越有可能成為優勢產品[9]。OIC用戶參與知識重混的主要動機是學習，在知識重混的過程中選擇具有相對優勢的知識產品會導致更好的學習結果[2]。OIC用戶通過學習和理解具有相對優勢的知識產品，增加自身的知識儲備，進而在未來提升自身創新能力，刺激重混產品的產生。個人使用也被認為是知識重混的一個重要動機[15]——利用已有創新知識，創造出新的知識，滿足自身需求，從中獲益。這種務實的動機會刺激用戶盡最大努力去挖掘現有優勢知識產品并不斷改進。因此，與低關注度的知識產品相比，被高度關注的知識產品具有的相對優勢更高，更容易吸引到其他社區用戶的注意，促進社區用戶評估和改進該知識產品，從而提高知識重混的可能性。故本文提出以下假設：

H1：OIC中，受關注度對重混具有正向影響。

2.2.2 ?復雜度對知識重混的影響

復雜度是指社區用戶理解和使用現有知識的難度。在開放式創新社區中，用戶的認知能力是有限的，往往難以理解復雜度較高的知識產品。OIC 用戶在選擇知識產品進行重混時，會充分考慮創新過程中的可行性和實用性。簡單的知識更容易被社區用戶理解和掌握，為社區用戶后續改進減少了諸多限制，為未來重混創新的發展提供了更開放的可能性。如Linux開源軟件，早期階段發布的項目較為簡單，細節不完善，更容易被潛在貢獻者理解和構建，也為用戶后續改進提供更多參與的途徑[5]。而復雜度較高的知識雖然本身的潛在價值很高，但很大程度上會造成社區用戶的認知和理解困惑，并且在后續使用方面可能會存在諸多限制，其可行性較低，難以吸引其他用戶的關注和參與。因此，本文提出以下假設：

H2：OIC中，復雜度對重混具有負向影響。

2.2.3 ?繼承性對知識重混的影響

繼承性是指現有知識產品繼承或傳遞了上一代知識產品的屬性或功能[16]。繼承創新過程中對知識產品進行了多次加工和迭代，不受約束條件的限制，使其沿著原有的繼承鏈繼續重混創新。在線音樂社區ccMixter中，通過繼承得到的歌曲往往匯聚了許多用戶的努力和專業知識，對進一步重混具有更強的吸引力[17]。在開放式創新社區中，繼承得到的創新知識產品相比源創新具有更好的兼容性[18]。從創新擴散理論來看，與之前想法相兼容的創新知識更符合OIC用戶現有的認知模式和思維范式，更有可能受到社區用戶的歡迎，獲得用戶的接納和認可，從而有利于進一步改進現有創新知識。因此，本文提出以下假設：

H3：OIC中，繼承性對重混具有正向影響。

2.3 ?邊緣路徑假設

ELM中的邊緣路徑主要是對于信源可信度的判斷，信源的可信度主要來源于信息來源的可靠性、權威性和專業性[19]。相應地，在知識重混的過程中，知識貢獻者作為知識的來源，其特征會對重混產生重要影響。在Thingiverse社區中，可靠性來源于知識貢獻者參與度帶來的知識資本獲得的信任感;權威性根據知識貢獻者社交網絡帶來的社會資本來判斷[20];專業性來源于知識貢獻者的專業知識水平。

2.3.1 ?參與度對知識重混的影響

參與度是指知識貢獻者在OIC社區中發布知識產品的數量。用戶發布知識產品的數量代表用戶參與創新社區的積極性。發布知識產品數量多的知識貢獻者可能擁有更多的知識資本，更加值得信任。相關研究表明，網絡創新社區中用戶發布的產品數量越多，產品知識認 知擴散的廣度越大，深度越高[21]。知識貢獻者發布的知識產品數量越多，獲得的反饋越多，通過與社區其他用戶的互動和思想交流更有利于促進知識貢獻者積累更多的知識資本[22]。知識貢獻者積累的知識資本越多，越有利于其更清晰地了解現有產品以及市場，進一步提高其創新能力。隨著知識貢獻者對產品以及市場的了解，該知識貢獻者發布的知識產品越可能具有操作性及經濟價值，越有可能被社區用戶重混。因此，本文提出以下假設：

H4：OIC中，參與度對重混具有正向影響。

2.3.2 ?社交網絡對知識重混的影響

社交網絡是指社區內兩個不同用戶之間社交關系的強度[23]。已有研究表明，社交網絡可以用網絡中心度來衡量，分為內向網絡中心度和外向網絡中心度[24]。內向網絡中心度可以直接反映出用戶在社交網絡中占據的中心地位，內向網絡中心度高的用戶往往處于社交網絡的核心地位，具有較高的聲望和社區影響力[25]。如基于視頻網站在線數據的實證研究表明，社交網絡在用戶創作視頻的擴散與影響過程中起到重要作用，視頻創作者的訂閱者越多，內向網絡中心度越高，那么其創作的視頻傳播與擴散的速度越快[26]。在Thingiverse社區中，創新用戶也可以選擇關注社區中感興趣的其他用戶，關注用戶的數量可以衡量外向網絡中心度。外向網絡中心度高的用戶能夠從關注的用戶那里獲得更多有用的創新信息，獲取創新信息的渠道更為廣泛。綜上所述，內向網絡中心度高的用戶在社區中的影響力更大，發布的創新更容易受到其追隨者的關注和參與。外向網絡中心度高的用戶可以從其關注用戶的知識分享中學習，提升自己的知識和技能儲備，彌補自身缺陷，進而提高創造力，刺激用戶發布更多的高質量創新知識，吸引其他用戶關注。因此，本文提出以下假設：

H5a：內向網絡中心度對知識重混具有正向影響。

H5b：外向網絡中心度對知識重混具有正向影響。

2.3.3 ?專業知識水平對知識重混的影響

專業知識水平是指知識貢獻者對相關專業知識、經驗和技能的掌握程度。在開放式創新社區中，用戶基于自我知識水平積極發表創意、參與互動。范哲等研究發現專業知識的掌握程度會積極影響用戶的社區貢獻行為，具有更高專業知識水平的用戶對社區的貢獻更大，其權威性也更高[27]。在Thingiverse社區中，用戶會被要求填寫3D設計技能水平，包括初級、中級和高級。用戶的專業知識水平能夠很好地解釋創新知識來源的可靠性，使知識的權威性得到認同。相關研究表明，開放式創新社區中用戶的個體專業知識水平決定了其在社區發表的創新質量[28]。用戶的專業知識水平越高，掌握的知識、經驗和技能越豐富，其提供的產品質量越高、說服力越強，越能夠吸引社區用戶的關注，從而獲得社區用戶的信任，提升用戶的感知價值，并最終影響重混的可能性。因此，本文提出以下假設：

H6： OIC中，專業知識水平對重混具有正向影響。

基于上述理論分析和研究假設，本文構建了如圖1所示的開放式創新社區中知識重混影響因素ELM模型。

3 ?研究設計

3.1 ?數據來源

Thingiverse是目前全球領先的3D打印模型設計OIC社區，自社區2008年11月創建以來，用戶根據開放許可協議已經發布160多萬個3D打印設計，并允許其他社區成員對設計進行評論、打印、制作和重混等。該OIC社區設定了“Remixed From”標簽記錄該設計從哪些產品繼承而來，“Remixes”標簽記錄該設計被其他用戶吸收改進后再創新的情況。因此，Thingiverse社區是測試本文假設的理想場所。本文選取Thingiverse社區中3D Printing 模塊作為數據來源，通過八爪魚爬蟲軟件采集了該社區成立至2021年8月20日的3D Printing 模塊的設計產品信息和設計產品貢獻者信息。為保證數據有效性，剔除重混次數為0以及空值或異常值的數據，共獲取6 051條有效數據。

圖1 ?開放式創新社區中知識重混影響因素ELM理論模型

3.2 ?變量測量

為了驗證所提研究假設，本文對因變量、自變量、控制變量的測量與解釋見表1。

3.2.1 ?因變量

本研究的因變量為重混的次數，使用Thingiverse社區中設計主頁顯示的Remixes數量來表示。

3.2.2 ?自變量

（1）知識特征。知識特征包括受關注度、復雜度和繼承性。受關注度通過該設計獲得的點贊數和評論數來表示。Thingiverse社區用戶會通過點贊、評論行為來表示自己對設計產品的偏好，點贊數和評論數越多，說明該設計受到的關注度越高。復雜度通過設計頁面中可下載文件數量來表示。文件是打印設計的必要條件，復雜的知識產品通常比簡單的知識產品需要打印的文件數量多，耗費時間長。繼承性通過虛擬變量來表示設計本身是否是通過繼承之前的設計而生成，0不是，1是。

（2）知識貢獻者特征。知識貢獻者特征包括參與度、內向社交網絡中心度、外向社交網絡中心度和專業知識水平。參與度通過用戶主頁顯示的設計數來表示。內向社交網絡中心度通過知識貢獻者擁有追隨者的數量來表示，外向社交網絡中心度通過知識貢獻者關注其他用戶的數量來表示。專業知識水平通過用戶主頁顯示的3D設計技能水平來表示。在Thingiverse社區中，用戶會被要求填寫3D設計技能水平，包括初級、中級和高級，本文將這三種情況分別編碼為三個虛擬變量，DSL1表示初級，DSL2表示中級，DSL3表示高級。

3.2.3 ?控制變量

設計發布的時間越長，被用戶瀏覽到的可能性越大，越可能被重混。因此，為避免由于設計發布時間長短而導致的重混次數差異，本文選取設計發布時長作為控制變量，并通過數據采集與發布設計時間的間隔月數來表示。

3.3 ?回歸模型選擇

由于本文因變量重混的數量為計數變量，涉及的自變量為數值變量和分類變量，因此對樣本采用計數模型進行處理。計數模型分為泊松模型和負二項模型。由于泊松模型要求因變量均值與標準差相等，而本文樣本數據中因變量均值小于標準差，并且存在過度離散現象，因此本文選擇負二項回歸模型進行假設檢驗比較合適。

4 ?實證分析

4.1 ?描述性統計

本研究使用Stata15.1對因變量、自變量與控制變量進行描述性統計，其具體結果如表2所示：

由表2可知，除了繼承性、專業知識水平和發布時長變量外，其他自變量數據離散程度較大，為了控制潛在離群值的影響，使回歸結果更加穩健，本研究對受關注度中的點贊型受關注度（Likes）、評論型受關注度（Comments）、復雜度（Files）、參與度（Designs）、內向社交網絡（Followers）、外向社交網絡（Following）進行對數化處理，分別定義為lnLike、lnCom、lnFile、lnDes、lnFol1、lnFol2。若處理過程中，變量中有零值，不能直接進行對數化處理，則進行ln（x+1）處理。

4.2 ?回歸分析

本研究使用Stata15.1對假設進行回歸分析及檢驗，具體回歸結果見表3。根據 Log likelihood Ratio顯著性和 Pseudo R2的值可知，本研究模型的擬合優度較好。

根據上述模型的回歸結果，具體分析討論如下：

（1）中心路徑對知識重混的影響。①受關注度中點贊型受關注度的回歸系數為0.553，P值小于0.001，評論型受關注度的回歸系數為0.241，P值小于0.001，表明點贊型受關注度、評論型受關注度對重混均具有顯著正向影響，故假設1得到支持，且點贊型的受關注度比評論型的受關注度影響更大。②復雜度的回歸系數為-0.134，P值小于0.001，表明復雜度對重混具有顯著負向影響，這說明復雜度越高，越容易造成用戶理解認知困難，重混的可能性越小，故假設2得到支持。③繼承性的回歸系數為0.173，P值小于0.001，表明繼承性對重混具有正向影響，在繼承創新過程中，繼承行為對創新知識的優化和改善屬于對源創新的重要優化和完善，會得到更多用戶關注并進一步創新，故假設3得到支持。

（2）邊緣路徑對知識重混的影響。①知識貢獻者參與度的回歸系數為0.037，P值小于0.05，表明參與度對重混具有顯著正向影響，故假設4得到支持。②內向社交網絡中心度的回歸系數為0.034，P值小于0.001，表明內向社交網絡中心度顯著正向影響重混，故假設5a得到支持。但外向網絡中心度的回歸系數為-0.016，P值大于0.05，表明外向網絡中心度不會對重混產生影響。原因可能是如果一個知識貢獻者擁有追隨者越多，其往往可能是社區領導者，擁有較高的專業知識技能，所發布的知識產品具有的潛在價值越高，更容易吸引社區用戶的關注并進一步創新;而關注人數較多的知識貢獻者往往可能是社區跟隨者，擁有較低的專業知識技能，發布知識產品的價值較低，不容易獲得用戶的關注和信任。因此，假設5b不成立。③以中級專業知識水平的知識貢獻者為參照組，初級專業知識水平貢獻者的回歸系數為-0.072，P值小于0.05，這表明初級專業知識水平的知識貢獻者對重混的影響低于中級專業知識水平的知識貢獻者;高級專業知識水平貢獻者的回歸系數為0.396，P值小于0.001，這表明高級專業知識水平的知識貢獻者對重混的影響高于中級專業知識水平的知識貢獻者。這說明知識貢獻者的專業知識水平越高，其掌握的知識、經驗和技能越豐富，發布的知識產品具有的潛在價值越高，更容易吸引社區用戶的關注，獲得社區用戶的信任并進一步創新，故假設6得到支持。

根據負二項回歸模型分析結果，本研究所提假設的驗證結果匯總如表4所示：

5 ?結論與展望

5.1 ?研究結論

本研究基于精細加工可能性模型，從知識特征和知識貢獻者特征兩個方面構建開放式創新社區中知識重混的影響因素模型，通過收集Thingiverse社區3D Printing模塊的真實數據，對理論模型進行實證分析，分析結果表明，在中心路徑中，受關注度、繼承性對知識重混具有顯著正向影響，復雜度對知識重混具有負向影響;在邊緣路徑中，知識貢獻者參與度、內向社交網絡中心度、專業知識水平對知識重混均具有顯著正向影響。本研究對開放式創新社區中重混創新等相關領域的研究有著重要的理論和實踐貢獻。

在理論方面，本研究采用精細加工可能性模型為分析框架，以一個新的視角構建開放式創新社區中知識重混的影響因素模型，并不同于以往的研究，從知識特征和知識貢獻者特征兩個維度探究開放式創新社區中知識重混的影響因素，豐富了開放式創新社區中重混的研究內容，也為今后探討重混領域的相關研究提供了理論參考。

在實踐方面，本研究為OIC用戶創新與社區管理提供相關對策及建議，具體如下：

（1）為OIC用戶創新提供一定的指導。 ①用戶應該多發布精準簡潔、符合其認知水平、可理解性較高的知識產品，以提高它們被重混的可能性。②用戶應該積極學習相關專業性知識，努力提高自己的專業知識水平和認知能力，以獲得社區其他用戶的認可。

（2）為OIC社區管理者引導用戶重混提供一些建議。①社區管理者應重視受關注度較高的優勢知識產品，按照點贊數和評論數對其進行排序，采用這種排序系統引導用戶圍繞受關注度高的優勢產品進行觀察學習和改進創新，進一步創造出更有價值的重混產品。②社區管理者應注重對知識復雜度的精細化管理，簡化用戶對知識產品的認知理解過程，通過設計更為精細化的分享機制提升創新知識的可理解性和可行性。③社區管理者應注重對社區繼承知識產品的管理，積極引導社區用戶對“Remixed From”標簽的關注。④社區管理者應注重對用戶的關注行為進行引導，幫助社區用戶擴大個人在社區的社交網絡。⑤社區管理者應重視積極參與創新和高級專業知識水平的用戶群體，通過設計多元化激勵機制，鼓勵他們不斷創新，營造一個積極的創新氛圍。

5.2 ?研究展望

本研究仍存在一些不足之處：①本研究僅選取了Thingiverse社區中3D Printing一個模塊進行實證研究，數據收集范圍有限，所得的研究結果可能無法反映出完全真實的情況。后續研究可以收集更全面的數據，也可以選取同類社區進行驗證研究，提高研究結論的普適性。②本研究探討的知識重混影響因素不夠全面，未來的相關研究可以考慮更多的因素，如評論質量或情感等因素對重混的影響。③本研究未考慮各個因素之間的關系，各個影響因素之間的交互作用以及它們對知識重混的影響機制也是值得關注的研究方向。

參考文獻：

[1] 王松， 楊洋， 劉新民. 基于圖注意力網絡的開放式創新社區用戶創意潛在價值發現研究[J]. 數據分析與知識發現， 2021， 5（11）： 89-101.

[2] STANKO M A. Toward a theory of remixing in online innovation communities[J]. Information systems research， 2016， 4（27）： 773-791.

[3] FLATH C M， FRIESIKE S， WIRTH M， et al. Copy， transform， combine： exploring the remix as a form of innovation[J]. Journal of information technology， 2017， 32（4）： 306-325.

[4] CHELIOTIS G， HU N， YEW J， et al. The antecedents of remix[C]//Proceedings of ACM conference on computer supported cooperative work & social computing. New York： ACM ， 2014： 1011-1022.

[5] HILL B M， MONROY-HERNANDEZ A. The remixing dilemma： the trade-off between generativity and originality[J]. American behavioral scientist， 2013， 57（5）： 643-663.

[6] CALEFATO F， GIUSEPPE I， FILIPPO L， et al. Investigating crowd creativity in online music communities[C]//Proceedings of the ACM on human-computer interaction. New York： ACM， 2018， 2： 61-70.

[7] WIRTH M， FRIESIKE S， FLATH C M， et al. Patterns of remixes or where do innovations come from： evidence from 3D Printing[C]// Proceedings of the european conference on information systems. Münster： ECIS， 2015： 1-10.

[8] HAN Y， OZTURK P， NICKERSON JEFFREY V. Leveraging the wisdom of the crowd to address societal challenges： revisiting the knowledge reuse for innovation process through analytics[J]. Journal of the association for information systems， 2020， 21（5）： 1128-1152.

[9] 譚娟， 谷紅， 苗冬青. 網絡創新社區知識產品重混影響因素的實證研究[J]. 科技管理研究， 2020， 40（3）： 8-13.

[10] PETTY R E， CACIOPPO J T. The elaboration likelihood model of persuasion[J]. Advances in experimental social psychology， 1986， 19： 123-205.

[11] 張夢雅， 王秀紅. 精細加工可能性模型研究現狀及應用領域分析[J]. 圖書情報研究， 2018， 11（4）： 73-79.

[12] HUO C， MIN Z， MA F. Factors influencing people’s health knowledge adoption in social media： The mediating effect of trust and the moderating effect of health threat[J]. Library hi tech， 2018， 36（5）： 129-151.

[13] 王志英， 鄧航宇， 王念新， 等. 問答社區信息安全突發事件應急知識傳播模型研究[J]. 情報雜志， 2019， 38（10）： 136-145.

[14] 魏武， 謝興政. 線上知識付費用戶繼續付費意向影響因素研究[J]. 數據分析與知識發現， 2020， 4（8）： 119-129.

[15] KHEDHAOURIA A， JAMAL A. Sourcing knowledge for innovation： knowledge reuse and creation in project teams[J]. Journal of knowledge management， 2015， 19（5）： 932-948.

[16] OEHLBERG L， WILLETT W， MACKAY W E. Patterns of physical design remixing in online maker communities[C]//Proceedings of the 33rd annual ACM conference. New York： ACM ， 2015： 639-648.

[17] CHELIOTIS G， Yew J. An analysis of the social structure of remix culture[C]//Proceedings of the fourth international conference on communities & technologies. New York： ACM， 2009： 165-174.

[18] ORLIKOWSKI W J. Sociomaterial practices： exploring technology at work[J]. Organization studies， 2007， 28（9）： 1435-1448.

[19] CHANTHIKA P. The persuasiveness of source credibility： a critical review of five decades’ evidence[J]. Journal of applied social psychology， 2004， 34（2）： 243-281.

[20] 單英驥， 邵鵬. 在線教育社區主播網絡嵌入與付費知識持續分享效果研究[J]. 現代情報， 2020， 40（6）： 68-75.

[21] 張靜， 郭偉， 王磊， 等. 用戶交互對產品知識認知擴散的影響及社區激勵研究[J]. 科技進步與對策， 2018， 35（16）： 7-15.

[22] 王楠， 陳詳詳， 祁運麗， 等. 基于詳盡可能性模型的用戶創新社區創意采納影響因素研究[J]. 中國管理科學， 2020， 28（3）： 213-222.

[23] STEFFES E M， BURGEE L E. Social ties and online word of mouth[J]. Internet research， 2009， 19（1）： 42-59.

[24] SMITH T， COYLE J R， LIGHTFOOT E， et al. Reconsidering models of influence： the relationship between consumer social networks and word-of-mouth effectiveness[J]. Journal of advertising research， 2007， 47（4）： 387-397.

[25] FREEMAN L C. Centrality in social networks： conceptual clarification[J]. Social network， 1979， 1（3）： 215-239.

[26] 彭衛， 宋蘇娟. “互聯網+”環境下在線教育視頻流行度的影響因素研究——以bilibili網站教育視頻為例[J]. 河南工業大學學報（社會科學版）， 2020， 36（5）： 39-45.

[27] 范哲， 張乾. MOA視角下的問答網站用戶貢獻行為研究[J]. 圖書與情報， 2015（5）： 123-132.

[28] 虞潔攀， 李海剛. 內外生雙視角下虛擬社區用戶共創績效的影響因素[J]. 科技管理研究， 2021， 41（4）： 205-210.

作者貢獻說明：

高 ?天：負責確定論文研究思路、整理與分析數據及撰寫論文初稿;

任 ?南：負責指導論文選題，檢查論文邏輯結構及修改論文細節。

Research on Influencing Factors of Knowledge Remixing in Open Innovation Communities： Taking Thingiverse as an Example

Gao Tian ?Ren Nan

School of Economics and Management， Jiangsu University of Science and Technology， Zhenjiang 212000

Abstract： [Purpose/Significance] This study explores the influencing factors of knowledge remixing in open innovation community， so as to provide some guidance and reference for user innovation and sustainable development of open innovation communities. [Method/Process] Based on the elaboration likelihood model， this paper constructed the influencing factor model of knowledge remixing in open innovation communities from two aspects of knowledge characteristics and knowledge contributor characteristics. Through crawling the objective data of 3D printing module of Thingiverse， this paper conducted empirical research on the influencing factors by using negative binomial regression. [Result/Conclusion] The results show that in the central path， attention and inheritance have a significant positive impact on knowledge remixing， but complexity has a negative effect on knowledge remixing; In the marginal path， knowledge contributor participation， inward social network centrality and professional knowledge level have a significant positive impact on knowledge remixing.

Keywords： open innovation community ? ?elaboration likelihood model ? ?knowledge remixing ? ?influencing factors

基金項目：本文系國家自然科學基金面上項目“企業信息技術雙元能力構建過程中CIO-TMT知識交互的作用機理研究”（項目編號：71971101）研究成果之一。

作者簡介：高天，碩士研究生，E-mail：815687935 @qq.com;任南，教授，博士，碩士生導師。

收稿日期：2021-11-29 ? ? ? ?發表日期：2022-03-11 ? ? ? ?本文責任編輯：劉遠穎