學術虛擬社區核心用戶知識流動特征研究

楊瑞仙 郭孟含

(1.鄭州大學信息管理學院，河南 鄭州 450001；2.鄭州市數據科學研究中心，河南 鄭州 450001)

知識是任何個人、學術機構或商業組織前進的動力與源泉，它不是孤立、單一存在的，而是通過知識媒介在不同實體間不斷地分解、共享、轉移、整合和交換，并在此過程中產生新發現和價值創造[1]。知識流動可以發生在任何交互、流動的環境中，如社交媒體與虛擬社區等，是不同個體間學習和協作的有利條件[2]。隨著社交媒體的發展，不同國家(地區)、機構和學者間互動和交流日益增多，經管之家(原人大經濟論壇)、科學網博客、小木蟲學術科研互動平臺(以下簡稱“小木蟲論壇”)、丁香園論壇、ResearchGate等學術虛擬社區逐漸成為科研人員涉足的非正式科研交流新場所。在此情景下，科研人員之間建立好友聯系、評論、推薦或互訪等形式的交流也會帶來知識流動。知識流動現象加速了科學的發展，也引發了不同領域學者的關注。長期以來，如何衡量知識流動是研究人員嘗試解決的重點問題。與此同時，學術虛擬社區中的核心用戶是指在人際傳播中為他人提供信息，同時也對他人施加影響的“活躍分子”[3]，他們既是信息傳播過程中的主要擴散者，也是權威起源者，由此形成了社交網絡中的信息級聯傳播，這在社交網絡的知識流動過程中發揮著至關重要的作用。由于學術虛擬社區核心用戶在知識流動過程中的關鍵地位，有效識別學術虛擬社區中的核心用戶，圍繞核心用戶開展學術虛擬社區知識流動特征的研究有助于提升社區的知識流動效率，也對社區良性發展有著重要意義。

1 相關研究

知識流動是整個知識網絡的生命力所在，現有研究主要包括以文獻數據庫為研究對象和以虛擬社區為研究對象的知識流動研究。

1.1 以文獻數據庫為對象的知識流動相關研究

目前，對于文獻數據庫的知識流動研究主要包括引用關系、共用關系和合作關系3個角度。引用關系主要指論文或期刊的引用。文獻的引證關系研究目前已較為成熟，如Ding C G等[4]使用專利文獻與學位論文間的引證數據，探究知識從科學研究到實踐生產中的流動模式；岳增慧等[5]同樣選取文獻引證作為學科知識傳播路徑載體，對學科知識擴散特征進行系統研究，探究學科知識流動的規律與模式；而趙艷枝等[6]則從期刊引證關系出發，以圖書情報學期刊為例，借助知識流動理論評價科技知識流動狀態及期刊在知識流動中的貢獻。無論是文獻引用還是期刊引用，其研究均與科學知識流動的動態過程密切相關，以此為探尋知識流動的共性規律提供了可能。共用關系主要指關鍵詞或主題詞的共用，關鍵詞或主題詞的共用可以一定程度上揭示學科領域知識流動的現狀，如Yan E[7]利用知識貿易方法理論對JCR中的221個學科主題類間的知識貿易關系及其相關特點進行分析，發現交通運輸科學與材料科學的知識貿易影響力增長較大,而生物醫學、數學和物理學等知識的“貿易順差”額度較大。Darvish H等[8]同樣采用共詞分析和映射，根據論文標題中單詞的共現情況確定土耳其的主要納米技術研究領域。合作關系則主要指作者或著者單位的共現，作者共現常被用于學科知識流動網絡分析之中，在Ma R等[9]對學科內跨學科交流模式的研究中，就運用作者間引文網絡中的最短距離均值和知識流動均值進行了量化；徐曉藝等[10]則基于合著論文參考文獻的學科分布確定論文的多學科共現屬性，并根據此屬性構建合著論文的多學科共現網絡，通過網絡的整體特征和節點特征對合著論文的學科流動網絡進行特征分析。劉愛琴等[11]依據CNKI數據庫，基于引證關系對知識發現領域研究群體進行知識圖譜構建和聚類分析，構建了知識發現領域作者群體與主題多重共現超網絡模型，提高了文獻數據庫知識交流的效率。文獻數據庫中的三大關系研究目前較為明確，通過三類關系可以對學科領域間知識流動狀況進行有效量化和分析，進而揭示文獻數據庫中知識流動的模式和規律。

相關研究表明，用以分析知識流動狀況的多為學術論文，但也有一些學者將知識流動的研究延伸至基金領域，如吳江等[12]提出基于基金代碼共現的學科知識流動強度測量方法，并采用社會網絡分析方法對NSFC信息系統的國家自然科學基金項目數據構建學科知識流動網絡，探究網絡的演變過程及不同學科層次內知識的流動路徑，這一定程度上說明了知識流動在其他科學研究載體的延伸。同時，隨著互聯網技術的成熟，學術虛擬社區日益成為學科知識流動的重要陣地，其知識流動狀況亦成為學術界關注的熱點話題。

1.2 以學術虛擬社區為對象的知識流動相關研究

近年來,越來越多的學者借助學術虛擬社區開展學術知識交流研究。盡管目前利用學術虛擬社區進行學術知識流動研究存在用戶認知度和學界認可度較低、學術信息質量參差不齊等諸多問題，但Coleman A S[13]認為，學術虛擬社區在學術交流、知識傳播和在線指導等方面發揮著積極的作用，因此，開展學術虛擬社區的知識流動研究對整個知識網絡而言依然具有十分重要的意義。

國內對學術虛擬社區的研究主要集中在知識流動和社區建設兩方面。在知識流動方面，部分學者從多維視角進行了探討，如胡昌平等[14]從學術博客中的知識交流活動出發分析博客知識交流網絡中的知識轉移；吳小蘭等[15]則以科學網為例，爬取全部用戶研究方向和好友關系數據，利用簡單相關系數分析學部用戶知識流動分布關系的強弱，同時借助Louvain社區發現算法挖掘學部內一級學科知識流動中的社區結構；彭靜等[16]則更深入地從學術虛擬社區網絡結構與學習者知識構建策略的交互作用出發，對不同策略組合的知識流動效果及多因素對知識流動的作用機理進行了探索。在學術虛擬社區建設方面，白玉[17]從小木蟲社區某一板塊出發，通過社會網絡分析方法研究科研人員在該板塊中的交互行為特點，探索社區成員的交流情況及存在問題，為后續學術虛擬社區的非正式交流提供建議。而李丹[18]和沈波等[19]則從整體社區出發，先后對“Quora”和“知乎”的社區管理、運行機制、用戶視角層面進行對比分析，為提升網絡問答社區的吸引力和互動性提供了啟示。

而國外對學術虛擬社區的研究則主要集中于知識交流作用研究、知識交流過程研究和知識交流效率研究。在知識交流作用研究方面，Tuire P等[20]以芬蘭教育研究小組之間社會合作為對象，利用社會網絡分析法來探索科學的內部關系，發現非正式交流對科學結構關系形成具有重要支持作用；Oh J S等[21]以ASNS網站中Mendeley用戶參與在線群組模式為考察對象，著重評估來自不同學科背景的用戶在這些群體的聚集程度，發現在線社交網絡可為來自不同背景的研究人員提供一個平臺，揭示了數字網絡環境下非正式交流對多學科間合作的正向作用；在知識交流過程研究方面，徐佳寧[22]基于Web2.0的非正式科學交流是基于用戶創造內容、互動、分享理念的新的科學交流方式，發現了非正式科學交流具有在線動態、多向交互等一系列特性。Jeng W等[23]則基于ResearchGate數據集中的3個學科以比較研究學術社交網絡上的信息交流，采用定性內容分析和統計分析混合方法設計，對學者如何交換學術信息和展開學術交流進行了研究。在知識交流效率研究方面，南京大學袁勤儉團隊[24-25]以ResearchGate平臺中的特定用戶和板塊為例，分別探究了不同用戶特征對知識交流效果和學科水平對用戶知識交流效果的影響，以期提高學術社交網絡知識交流效果，為改進學術虛擬社區知識交流效率提供了思路。劉乙蓉等[26]則從信息聚合的角度出發，單獨對“Quora”問答平臺中的答案聚合及優化進行了研究，基于信息生產者、信息源和信息內容3方面的聚合對聚合答案質量進行評估，提出了聚合答案的改進方向，有助于促進知識交流效率的提高和社區的良性發展。

此外，部分學者對學術虛擬社區中兩種知識交流方式的關系進行了關注，如張立偉等[27]基于WoS文獻數據和Twitter轉載數據展開了時空計量及比較分析，研究結果發現，社交網絡平臺交流偏好于非正式交流。王翠萍等[28]則對微博學術信息交流行為進行了問卷調查和綜合分析，結果發現，微博中存在正式學術信息交流與非正式學術信息交流相互演化的趨勢。還有學者將非正式交流應用于領域研究熱點分析，研究發現，在領域研究熱點分析時應以正式交流渠道為主，非正式交流渠道為輔[29]。

1.3 相關研究述評

總體而言，學術數據庫和學術虛擬社區的發展均促進了知識交流，其研究內容也涉及知識交流效率、知識交流作用、知識交流機理等各個方面。而學術數據庫偏重正式交流，學術虛擬社區則偏重非正式交流，且在學術虛擬社區中，正式交流與非正式交流逐漸呈現出相輔相成的關系。目前，有關知識流動的已有研究大多集中在對文獻數據庫的研究，且研究內容已趨于成熟。有關學術虛擬社區的知識流動研究受關注度不高。相對于文獻數據庫而言，學術虛擬社區更易獲得全部學科知識交流信息，且所涵蓋的學科知識較為全面，用戶間知識流動的即時交互性更強。此外，學術虛擬社區同樣存在反映知識流動行為的數據，如好友信息、帖子轉載、評論和回復等，故而開展學術虛擬社區知識流動研究對構建整個知識網絡而言顯得尤為重要。因此，本文以學術虛擬社區核心用戶為研究對象，從核心用戶、地域和研究主題等視角對知識流動特征進行研究，以期與傳統知識交流研究結合，全面研判促進學術虛擬社區知識流動的有效方法，促進學術交流的健康發展。

2 用戶影響力指標體系構建與研究方法

2.1 用戶影響力指標體系構建

作為學術虛擬社區知識流動研究的研究主題之一，用戶影響力的量化與分析對刻畫學術虛擬社區知識交流結構有著重要意義。在用戶影響指標體系的相關研究中，主要從信息傳播和用戶角度進行指標體系構建，如李麗欣[30]結合社會網絡分析方法從網絡結構、用戶綜合活躍度和信息傳播影響力3個維度給出了識別群體核心用戶的主要方法，為核心用戶影響力指標體系構建提供了基本參考；韓青菊[31]則更系統地從信息傳播視角切入，構建結合用戶行為屬性、節點價值、博文價值等的用戶影響力評價指標體系，進一步細化了用戶影響力指標，不過對用戶自身指標的關注尚顯不足。而俞彩云[32]則兼顧了兩個角度，并構建了用戶與圈子的發文關系和關注關系兩大網絡模型，將用戶指標和互動指標均融合于社區核心用戶識別過程中，其研究具有較好的參考意義。此外，王琦[33]將學術博客平臺用戶行為劃分為主動與被動兩類行為，并設計了13個用戶行為指標以識別核心用戶，提出較為全面的核心用戶影響力指標體系。正是在此研究基礎之上，筆者發現用戶影響力構建均以某一具體社區展開，部分指標在不同學術虛擬社區間未必適用，因此，本文進一步構建了學術虛擬社區的用戶影響力指標體系。

本文綜合考慮數據的可獲取性及學術虛擬社區自身的特點，將影響學術虛擬社區用戶影響力的主要因素歸納為用戶積極性、用戶權威性和帖子影響力3個維度，其中用戶積極性的二級指標包括：關注數、發帖數、在線時長；用戶權威性的二級指標包括：精華帖、積分、粉絲數、丁當數；帖子影響力的二級指標包括：帖子被收藏數、帖子被瀏覽數、帖子積分。然后采用熵權法計算各個指標的權重，進而計算用戶影響力的數值。學術虛擬社區用戶影響力指標體系如表1所示。

表1 學術虛擬社區用戶影響力指標體系構建

2.2 核心用戶識別

PageRank算法是數據挖掘領域較常見的一種算法，該算法利用每一頁面的權威值評估網頁在網站中的重要性。頁面的權威值被定義為指向該頁面的其他頁面平均分配給該頁面的權威值之和，通過迭代計算可以得到該網頁最終等級劃分。假設用戶在社交網絡和問答網絡中均與其他用戶具有相應的交互關系，本文將PageRank算法的思想用于識別學術虛擬社區中的核心用戶。

由于社交網絡為無權有向網絡，本文根據傳統的PageRank算法將用戶的社交網絡綜合值表示為式(1)：

SR(i)=(1-α)+α∑j→iSR(j)/dj

(1)

式中，dj為節點j的出度，α為阻尼系數，在大多數情況下α取值為0.85。在真實的社會網絡中，若一個用戶具有大量粉絲卻沒有關注其他用戶，就可能在該頂點出現權威值滯留現象，使得傳遞受阻。因此，本文引入隨機沖浪模型及阻尼系數α進行隨機跳轉，以解決權威值不斷滯留的現象。本文將控制迭代結束的參數e設定為10-7。

學術虛擬社區中的問答網絡為加權有向網絡，將兩個頂點之間的邊權重可表示為式(2)：

wij=p(i)×Nij

(2)

式中，p(i)為利用熵權法根據用戶的積極性、權威性以及帖子影響力計算的用戶影響力，Nij為用戶i與用戶j在問答關系中出現的頻次。由于問答網絡需要考慮邊的權重，因此在計算時需要在每個頂點形成權威值的不對等傳遞，以真實地反映每位用戶的影響力。每個頂點i在問答網絡中的綜合值QR(i)可以表示為式(3)：

QR(i)=(1-α)+α∑iQR(j)wji/∑kwjk

(3)

由社交網絡和問答網絡可計算出學術虛擬社區中用戶的綜合值，其計算過程如式(4)所示：

ZR(i)=w1SR(i)+w2QR(i)

(4)

式中，w1、w2分別表示問答網絡和社交網絡的權重。當得到學術虛擬社區中所有用戶的排名后，即可取前N名用戶作為學術虛擬社區中的核心用戶。

2.3 知識流動網絡分析

在大多數識別核心用戶的文獻中，社交網絡分析法具有較為明顯的優勢[34]。為了在學術虛擬社區中綜合性地識別核心用戶，本文借鑒郭博等人的研究思路[35]，利用學術虛擬社區中用戶間的社交及問答等互動行為信息，構建了一個基于學術虛擬社區的多層次綜合評價網絡，即利用其社交關系、問答關系以及核心用戶之間的聯系，構建一個雙層知識網絡結構，如圖1所示。

圖1 雙層知識網絡結構圖

根據已建立的雙層學術虛擬社區網絡結構，本文首先利用熵權法構建用戶影響力評價指標體系，在此基礎上構建用戶影響力評估模型。使用用戶影響力評價模型可以得到學術虛擬社區中每位用戶的影響力值，隨后將該結果與PageRank算法結合，得到改進的綜合性用戶影響力評價模型，用于挖掘學術虛擬社區中的核心用戶，其評估過程如圖2所示。

圖2 用戶影響力評估流程圖

結合圖1可以看出，本文基于學術虛擬社區的用戶關系和問答關系構建了一個雙層網絡結構，用戶間的關注關系構成了第一層網絡，如U1關注了U3，則有一條從U1指向U3的單向箭頭，U1和U2間相互關注，則U1和U2間存在一條雙向箭頭。問答網絡由用戶的發帖和回復關系構成，如用戶U1和U5分別提出了問題Q1和Q2，問題A1和A2回答了Q1，因此從A1和A2出發分別有一條指向Q1的單向箭頭。學術虛擬社區知識網絡建模過程如下：

本文將學術虛擬社區的社交關系定義為一個無權有向圖GSN=(U,E)，其中GSN表示學術虛擬社區社交關系網絡構建的無權有向圖，U表示用戶頂點集，用戶Ui∈U，E表示邊集，若用戶Ui關注了Uj，則∈E。而學術虛擬社區的問答網絡可以被定義為一個加權有向圖GOA=(U,E,W,P)，與社交關系無權有向圖表示方式相似，GOA表示由問答網絡構建的加權有向圖，U表示為用戶頂點集，E表示邊集，W表示邊權重向量，Wij表示用戶Ui和Uj之間問答關系的數量，P表示頂點強度，即用戶影響力。最后，本文基于熵權法利用用戶影響力評價指標計算每位用戶的影響力。

3 核心用戶知識流動特征實證分析

3.1 數據來源

“丁香園”是面向醫藥、生命科學專業人士的專業性在線交流平臺，其主站“丁香園論壇”是目前成熟在線健康社區的典型代表[36]。本文主要以“丁香園社區”中的“心血管”版塊為研究對象，遵循數據可獲得性原則，編寫Python爬蟲程序獲取“心血管”版塊的用戶信息和發帖回帖信息，其中用戶信息包括關注數、發帖數、在線時長等用戶積極性信息，精華貼、積分、粉絲數、丁當數等用戶權威性信息，帖子被收藏數、帖子被瀏覽數以及帖子被投票數等帖子影響力信息，以及用戶的關注和粉絲的相關信息；用戶發帖回帖信息包括用戶的發帖及回復的相關數據項，并將所獲取的數據項存放于PostgreSQL數據庫中。數據獲取時間為2020年6月11日—14日，共獲取9 270條用戶相關數據，并利用SQL語句對數據庫中的數據進行整理和清洗。

3.2 核心用戶識別

本文使用Python程序分別計算用戶積極性、用戶權威性、帖子影響力以及用戶影響力的信息熵e和權重系數w。

本文利用熵權法確定各指標權重的過程如下：

1)原始數據標準化。對原始數據的標準化處理過程見式(5)：

(5)

其中，xij表示原始數據第i個評價對象的第j個評價指標；yij表示標準化后第i個評價對象在第j個指標上的值。

2)計算指標j的熵值，見式(6)。

(6)

3)計算指標j的權重。ej值越小，表明指標效用價值越高，在評價指標體系中所起的作用越大，權重越高。指標j的權重見式(7)：

(7)

4)各指標加權計算綜合得分。利用加權和公式計算樣本的得分或評價值，見式(8)。

(8)

其中，S為綜合得分，wj為第j個指標的權重。

計算結果分別如表2～表5所示。

表2 用戶積極性指標信息熵與權重系數

表3 用戶權威性指標信息熵與權重系數

表4 帖子影響力指標信息熵與權重系數

表5 用戶影響力指標信息熵與權重系數

在表2～表5計算結果的基礎上，計算用戶的影響力。本文參照式(10)計算用戶在社交網絡中的綜合值SR值，參照式(12)計算用戶在問答網絡中的綜合值QR，并利用熵權法計算用戶的影響力綜合值ZR，進而識別學術虛擬社區中的核心用戶。本文將學術虛擬社區中綜合值排名前20名的用戶作為核心用戶，其綜合值排名如表6所示。

3.3 知識流動特征分析

本研究的目的在于從不同維度深層次揭示學術虛擬社區知識流動特征，需要從學術虛擬社區整體網絡中抽取出反映不同知識屬性的個體關系網絡，并將知識節點的特征數據與關系數據緊密結合，以揭示學術虛擬社區中不同主體屬性間的知識流動情況。因此，本文基于對當前研究現狀的高度總結，將知識網絡從更高維度劃分為揭示學術虛擬社區核心用戶間知識流動的核心用戶網絡、揭示地域間知識流動的地域網絡、揭示科室間知識流動的學科網絡，以及揭示主題間知識流動的主題網絡，以分析反映不同個體屬性間的知識流動特征。

表6 前20名用戶影響力綜合值排名(部分)

在此基礎上，根據學術虛擬社區核心用戶間的關注關系分別映射出學術虛擬社區地域、學科和主題間的知識流動關系，并運用Gephi軟件對核心用戶、地域、學科以及主題等角度進行共現網絡分析，以揭示學術虛擬社區的知識流動特征。

3.3.1 核心用戶間知識流動

根據“丁香園論壇”核心用戶間的關注關系，利用SQL語句從數據庫中匹配出200名核心用戶間的關注關系，以用戶為節點、用戶間的關注關系為邊構建核心用戶間的非加權關注關系網絡，如圖3所示。

圖3 核心用戶間的關注關系網絡

由圖3可知，核心用戶關注關系網絡圖以核心用戶為節點、核心用戶間的關注關系為邊。模塊化將整個網絡劃分為數個子模塊，同一顏色代表同一模塊，節點大小和標簽與該節點關注度有關，關注程度越高，節點就越大。同時采用ForceAtlas布局。

由圖3可知，入度排名靠前的核心用戶有四葉蟲、逃、zxz068、天天、yzf111等核心用戶，分別為51、48、35、34、32；出度排名靠前的有墨九歌、gerry5413、措姆強巴、hblyf、shwyj001，分別為53、40、39、38、34。節點度較大的核心用戶的路徑長度相比于邊緣用戶較小，且不同色塊聚類間的核心用戶(如四葉蟲、墨九歌)呈現較強的結構洞特性，成為其他核心用戶間接知識交流的紐帶。同時，同一種顏色的聚類中主要核心用戶之間亦存在緊密聯系，如粉色聚類中的用戶逃和墨九歌。觀察節點度數還發現，該板塊主要核心用戶為墨九歌、四葉蟲、逃、shwyj001、措姆強巴、指靈素、小米家的大米、無忌、吳建民等，且在不同模塊之間核心用戶的關注程度也較密切；從節點特征可以發現，核心用戶間知識交流聯系強度綜合排在前3位的是四葉蟲、墨九歌、逃。從整體特征上看，不同節點間連線較為密集，整體網絡密度較大，大多數核心用戶間的關注關系具有明顯的交互性特征，僅有少數相對獨立。同時，若干子模塊之間核心用戶間的關注關系也較為緊密，這說明不同子模塊間核心用戶的知識交流也較為密切。綜上，從該模塊核心用戶關注關系的基本分布特征出發，采用一定策略對社區內影響力較強的核心用戶予以引導，增強其他用戶的活躍度和參與度，對于推進整個學術虛擬社區中用戶關系的良性發展具有借鑒意義。

3.3.2 地域間知識流動特征

為便于進行數據分析，本節將學術虛擬社區中用戶的地域信息進行標準化處理，統一映射到“省或直轄市”級別，各地域所占比例如表7所示。此外，結合核心用戶屬性信息，本文從核心用戶間的關注關系出發，映射出了地域間的聯系，以地域名稱為節點，地域間的聯系為邊，地域間發生連接次數為加權邊，構建核心用戶地域間知識流動加權網絡，如圖4所示。

由表7可知，在核心用戶中有60.5%的用戶分布在北京、江蘇、廣東和上海等發達地區。而中西部地區尤其是邊疆地區和國外核心用戶占比相對較少，且整體上大致呈現出核心用戶空間上自東向西遞減的狀況，由此社區管理者應加大激勵力度，鼓勵中西部和國外等地域核心用戶的加入。

從圖4中根據節點特征可以發現，該板塊地域間知識流動節點度排名靠前的核心用戶主要來自北京、浙江、廣東、山東、上海，它們處于社區知識流動的中心地域，且彼此之間知識流動也呈現較強的特征，其經濟發展水平和醫療水平也是較為發達的。同時，邊疆省級行政區核心用戶由于占比較少，因而知識流動呈現出較弱的特征，與上文5個地域之間核心用戶知識流動相比較弱。從整體特征上看，學術虛擬社區中的東部沿海省份之間的知識流動趨勢明顯強于經濟欠發達省份，甚至后者大部分趨于邊緣化，因此，社區管理者應采取一定的措施加強經濟欠發達省份間的知識流動，著手采用激勵性措施解決核心用戶之間知識流動空間不均的問題。除此之外，社區的國外核心用戶占比極少，因此大多呈現的是國內地域間的知識流動，知識流動相對較為封閉，故而社區應拓寬知識交流范圍，推進社區的國際化。核心用戶來源地域分布一定程度上反映了知識流動的空間關系，從側面亦可以進一步推測所有地域學術虛擬社區的分布和活躍情況，對進一步建立良好的學術虛擬社區知識流動空間格局有啟發意義。

表7 核心用戶的地域分布

圖4 核心用戶地域間知識流動網絡

3.3.3 學科間知識流動特征

同理，本節結合核心用戶屬性信息，從核心用戶間的關注關系出發，映射出了核心用戶科室間的聯系。本文將用戶所在科室視為用戶的學科，以科室信息為節點，學科信息間的聯系為邊，不同科室間發生連接次數為權重，構建核心用戶學科間知識流動加權有向網絡，如圖5所示。

圖5 核心用戶間學科知識流動網絡

由圖5可知，不同科室信息間的入度和出度相對較為稀少，平均度為3.5，平均聚類系數為0.425。神經科節點的度最大，占據社區中科室信息知識流動的核心地位，說明該板塊“神經科”核心用戶占多數且較為活躍，與各個科室之間知識流動的聯系最為緊密，尤其與骨科、未認證科、麻醉科、認證用戶的知識流動聯系較為強烈，認證醫師、未知和眼底的度均比較小，并且對于未知、專家CT室、眼底、認證醫師等節點相對較為孤立，在社區中與其他學科知識流動的聯系比較弱，因此，對核心用戶主要科室和認證用戶的知識交流較為關注，對于輔助科室和未知則關注較少，核心用戶間學科知識流動網絡整體較為分散，大多科室均聚焦于神經科節點，學科知識間聯系強度的差異很可能與不同學科知識間的相關性有關，因為任一學科的知識均非孤立存在，必須與關聯學科相結合才能發揮某一學科知識的專業性，如神經科與麻醉科、神經科與骨科；而對于專業學科外的其他節點，如眼底等，這些科室相對較為孤立，因此在社區中與其他學科知識并未產生更多聯系。此外，在心血管內科與神經科、神經科與未知的知識流動過程中，骨科和未認證在其知識流動網絡中扮演著結構洞的作用，成為節點度大和節點度小的科室信息聯系的樞紐。總體來看，核心用戶之間科室信息多以神經科為主，尤其與未認證知識交流較為緊密，同時缺乏一些其他科室信息的知識流動，不能完全反映所有科室信息之間的知識流動狀況。對學術虛擬社區建設而言，用戶自身學科知識背景對知識流動強度的貢獻不一，應充分發揮不同學科背景核心用戶對社區的建設合力作用。

3.3.4 核心用戶—主題詞知識流動特征

用戶發帖內容可用于表征用戶興趣的主題方向，用戶發帖標簽可用于概括用戶發帖信息的內涵，故本文將用戶發帖標簽作為表征用戶發帖標簽的主題方向。考慮到數據的規范性，參照“丁香園論壇”的社區結構，本文將用戶的發帖標簽統一映射到用戶發帖版塊中，以用戶發帖標簽所在版塊表征用戶發帖的主題方向。為反映用戶近幾年感興趣的主題信息，本文從數據庫中篩選出用戶在2015年1月1日—2020年6月11日的發帖標簽作為用戶感興趣的主題詞，并將每位核心用戶近5年發帖頻次最高的主題方向作為該用戶的興趣主題詞。在此基礎上，利用Gephi軟件生成一個包括50個節點和539條邊的加權核心用戶—主題詞頻次共現網絡，以核心用戶主題詞為節點，主題詞之間的聯系為邊，其權重為節點間重復邊出現的次數，節點間邊的權重越大，其連線越粗，構建核心用戶主題詞間的加權有向網絡，如圖6所示。

由圖6可知，從出度和入度的累計分布來看，入度排名前幾位的主題詞是心血管、科技動態、心情驛站、骨科、站務，出度排名前幾位的主題詞是心血管、骨科、科技動態、臨床執考、心情驛站，平均度為10.78，且入度和出度均在20以上，大多數節點均和其他主題詞存在相互聯系且低于平均度。此外，還有個別主題詞入度為0，如皮膚性病、感染、規培。度數排名前5位的是心血管、科技動態、骨科、心情驛站、麻醉疼痛，分別為70、63、55、55、44。其中心血管成為最大度的主題詞，這可能是由于本文的研究對象為心血管版塊的用戶。同時，這5個主題詞和其他主題詞聯系最為頻繁且中心性較大，且四者處于整個主題詞共現網絡的核心區域，說明核心用戶之間的知識流動較為緊密。此外，社區中核心用戶不僅較為關注與社區主題相一致的主題詞，而且比較注重與主題詞較為接近的領域。60%的主題詞的聚集系數在0.4～0.6之間，平均聚類系數為0.561。節點中醫學類相關主題詞占多數，同時可以看出該板塊社區中核心用戶較為關注的熱點主題詞。值得注意的是，在圖6的主題詞網絡中，社區相關的考試類話題和醫學前沿問題也引起了熱切關注，如考研交流、臨床執考、職稱考試、科技動態、新藥信息、丁香熱點等節點，這說明了“丁香園論壇”社區的學科屬性和社員之間知識交流的熱點。從整體的節點分布特征看，主題詞節點聯系的分布密度從中心向四周逐漸遞減，對于出現頻次不是很高的主題詞，大多與某一個或幾個主題詞產生不同主題詞之間的聯系。關注學術虛擬社區內核心用戶所探討的熱點主題詞，有助于活躍社區氛圍，提升知識交流效率，揭示知識流動的動態特征和演化趨勢。

圖6 核心用戶—主題詞共現網絡

4 結 語

隨著學者間非知識交流的日益頻繁，探尋學術虛擬社區的知識流動特征亦成為學術虛擬社區建設的重要任務。礙于數據和技術等因素的限制，本文難以對呈現所有學術虛擬社區的知識流動特征，因此本文僅以“丁香園論壇”為研究對象，在構建用戶影響力指標體系的基礎上，應用熵權法、社會網絡分析方法和PageRank算法計算用戶的綜合影響力，以此識別核心用戶。最后，利用Gephi軟件從核心用戶、地域、學科以及主題等多元維度建立共現網絡，以揭示社區中的知識流動特征：①在核心用戶間的知識流動特征方面，核心用戶間的知識流動呈現出明顯的聚類現象，不同聚類模塊交接處的核心用戶呈現出較強的結構洞特性，成為其他核心用戶間接知識交流的紐帶；②在地域間的知識流動特征方面，北上廣等發達地區位于知識流動網絡的中心，同時這些地域之間也呈現出較強的知識流動特征，此外，邊疆地區的知識流動較弱；③在學科間的知識流動特征方面，學科知識間的知識流動強度與學科知識間的內在聯系緊密相關；④在核心用戶—主題詞間的知識流動特征方面，醫學領域中的心血管和骨科等主題詞以及學習交流領域的科技動態、心情驛站等相關主題處于知識流動網絡中的核心地位，對于整個社區的知識流動具有關鍵作用。基于以上知識流動特征分析，啟示整體學術虛擬社區應積極關注知識交流的主體、趨勢、布局等方面，推進社區知識交流的效率和效果。

本文采用復雜網絡的方法對學術虛擬社區中核心用戶間的知識流動特征進行分析，為學術虛擬社區知識流動研究奠定了理論和實踐基礎。同時仍存在一些不足之處，例如僅對“丁香園論壇”心血管版塊的核心用戶進行分析，研究對象的數量偏少。此外，還存在知識流動特征分析不夠深入、對地域間知識流動特征分析時數據粒度較大等問題。針對以上問題和不足，筆者將在今后繼續開展更深層次的研究。