張 瑞 胡麗娜 黃 煒，2*

(1.湖北工業大學經濟與管理學院，湖北 武漢 430068；2.武漢晴川學院商學院，湖北 武漢 430204；3.湖北省循環經濟發展研究中心，湖北 武漢 430068)

隨著互聯網技術快速發展，虛擬社區成為人們通過計算機網絡相互交流的平臺。同時，知識經濟的興起促使人們在虛擬社區中進行知識搜尋、知識交流等活動。虛擬學術社區被定義為一種新興的虛擬社會組織，社區成員可以在其中進行知識共享與學術互動[1]，并以其高度開放性和交互性成為知識交流的重要場所[2]。近年來，以經管之家、小木蟲、丁香園、ResearchGate、Academia等為代表的國內外虛擬學術社區不斷發展，使得學術知識獲取與問題解決變得更加便捷，提高了知識傳播效率，間接促進了個人學術水平提升和科研團隊進步。

虛擬學術社區的發展離不開成員的知識交流和持續貢獻行為[3-6]。知識交流是成員之間通過各種活動和互動交流專業知識與想法，并在其中有所獲益的過程，受個體差異、信息質量、社區特征、社會影響等諸多因素的影響[7-10]。由于知識具有獨享性，成員必須有意愿和動力才能促成社區知識的流動，例如Law S P等[11]探究發現，參與者之間的信任對分享和獲取知識的態度有積極影響；孫富杰[12]提出，用戶滿意度和激勵因素是影響學術虛擬社區知識交流的主要因素。隨著人和人之間的社會互動逐漸增多、社會聯結逐漸加強，個人決策不再單一取決于決策者本身，其最終決策還會受到鄰居行為的影響[13]。向希堯等[14]指出，個體所在知識網絡邊界不僅取決于地理鄰近關系，還受到社會關系鄰近影響。不少研究表明，流動主體之間的親密程度對知識流動有顯著影響[15]。吳小蘭等[16]利用科學網的全體用戶好友關系數據構建知識流動網絡，挖掘4個明顯的流動路徑。從知識主體的角度而言，知識分享和貢獻意愿取決于社區的知識成本和知識收益[17]。但知識交流過程涉及主體雙方的互動，鄰近成員的行為選擇也會影響社區的知識交流情況。目前仿真研究中，考慮雙方關系對社區成員行為決策變化尚不多見，因此，從微觀層面進一步考慮鄰近性對知識交流的影響，明晰虛擬學術社區知識交流過程具有一定的必要性。本文嘗試建立知識交流多智能體仿真模型，模擬虛擬學術社區中成員微觀行為決策，重點考慮鄰居對社區成員決策的影響，探索不同條件下個性特征和知識效用參數引起的成員決策變化，總結變化規律，以期為促進知識交流的發生和科研人員良性互動以及虛擬學術社區持續發展提供有益參考。

1 相關研究綜述

虛擬學術社區是供學術科研工作者基于一定的學術資源在其中進行知識搜尋和知識共享的在線社交平臺[18-19]。社區成員類型可劃分為知識提供者、知識接受者和知識評價者，成員相對穩定、交流內容專業、交流態度嚴謹[20-21]。社區中用戶之間信任關系是影響知識交流的重要因素[22]，成員之間的信任、互惠規范均能正向促進知識貢獻，對知識交流有促進作用[23-26]；績效期望、社會影響、感知信任和激勵顯著促進知識交流[27]。進一步考慮，知識主體主觀性決定了知識交流意愿，用戶本身特質成為影響知識交流效率關鍵所在。袁永旭等[28]基于SBM-Tobit模型指出用戶積極性和社區成員質量等均對知識交流效率有顯著正向影響；楊瑞仙等[29]提出，社區成員質量越高，知識交流效率越高；不同性格成員參與知識交流的動機不同，其行為主要分為投機、利他、自私3種行為[30]，其中利他行為對知識交流的促進作用最大；而自私行為使知識粘性增加，從而使得知識轉移能力下降，阻礙知識交流進行[31]。

與線下社區相比，虛擬學術社區中知識隱瞞、知識囤積等反知識生產行為更容易發生[32]，只有小部分人選擇主動進行知識貢獻，而大多數人則很少進行知識貢獻或什么都不做[33]。這種行為將嚴重阻礙知識交流和知識創造過程[34]，因此，如何減少知識隱瞞、促進用戶間知識交流是社區發展建設的關鍵問題。劉虹等[35]基于MOA理論揭示動機、能力、機會3個維度均對學術社交網絡用戶知識共享意愿有影響作用。譚春輝等[36]則基于用戶評論與Kano模型根據用戶不同需求特點提出相應策略以優化虛擬學術社區。研究成員之間的知識交流行為不僅是研究虛擬學術社區的關鍵，更是促進學術發展和創新的重要途徑。

多智能體仿真能直接對所要研究的人、物等進行建模，分析其內在聯系。現有虛擬社區方面的研究通過制定智能體規則，借助仿真平臺建模，模擬微觀層面智能體的交互演變，觀察群體中研究對象的動態演化規律[37]。如許子熙等[38]將社區用戶的貢獻和交互視為Agent在激勵機制驅動下的協同行為；Wei X等[39]結合過度自信理論，實現了不同過度自信場景下的在線社交網絡信息傳播多智能體仿真模型；Ichimura T等[40]利用模擬仿真，發現利他行為可以抑制對多人有關共同對象的自私行為，且有助于激活SNS社區。現實生活場景中，人的行為特征數據通常難以全面獲取，通過多智能體仿真方法能夠用智能體替代人類參與者，模擬人和人之間的交互。Chen L等[41]在分析城市居民垃圾回收行為策略中，便將后悔愉悅度和個性特征引入基于多Agent模型。基于此，本文通過多智能體仿真探究虛擬學術社區用戶行為，全面分析不同場景下用戶知識交流決策行為演化機制與規律，以期為學術社區建設和科學知識進步作出一定貢獻。

2 模型構建與設計

2.1 模型框架描述

在虛擬學術社區中，個體與個體的知識交流模式是將隱形知識轉化為顯性知識的過程[42]。知識的流動依賴于用戶之間的交流與互動，每個用戶在交互中扮演著發起者、組織者和參與者等多個角色[43]。虛擬學術社區的活力取決于用戶對于知識交流的活躍度與參與度。本文將虛擬學術社區用戶決策簡化為是否參與知識交流活動，主要包括發帖、評論、瀏覽等行為[44]。

從理性經濟人的角度，人們更傾向于進行給自己帶來收益的決策，或者說付出代價最小的決策，通過多方考慮和評價得到行為決策的最高價值[45]。虛擬學術社區中，人們對知識交流決策結果進行預期，并探索和選擇代替方案[46]。如果帶來了知識收益(結果相比于其他行為決策更好)，就進行當前行為決策，否則不進行。假定社區成員以“接受”或“拒絕”兩種態度與他人進行互動。

人的最終行為結果并不完全由外部環境決定，為了真實反映人的決策過程，陳艾琳[47]指出，在個體面臨決策時，需將決策的預期結果與其人格特征結合思考并進行權衡，以提高決策水平。本文構建成員知識交流決策行為概念模型如圖1所示，旨在探究知識效用參數和個性特征對知識交流的影響。在外部效用函數因子的影響下，成員結合自身個性特征進行內部決策加工，綜合得出最后的決策結果。

圖1 社區成員接受與拒絕決策行為概念模型

2.2 理論模型設計

2.2.1 構造知識效用函數

后悔理論認為，成員在實際決策中不僅會考慮目標方案效用，并且還會與其他備選方案進行對比，從對比結果中感到后悔或喜悅，并盡量避免選擇讓自己感到后悔的方案[48]。結合虛擬學術社區成員在知識交流中的心理分析和后悔理論，假設成員在參與知識交流前，首先會考慮接受或者拒絕兩種決策分別帶來的效用價值，并對比兩種決策帶來的正負向差異。

當接受知識交流帶來的效用價值大于拒絕的效用價值時，成員會感到喜悅；反之，則會感到后悔。因此，成員對于決策事件的感知價值包括結果的效用價值和后悔—喜悅價值兩部分。令A、B方案分別表示成員接受和拒絕知識交流，x和y分別表示A、B兩種不同方案的結果。決策者選擇A的感知價值為：

U(x,y)=V(x)+R(ΔV(x,y))

(1)

ΔV(x,y)=V(x)-V(y)

(2)

其中，V(x)和V(y)分別代表成員選擇A方案和B方案后獲得的效用價值，R(ΔV(x,y))為后悔喜悅價值。成員的選擇有如下結果：①如果成員選擇A方案，拒絕B方案，則當R(ΔV(x,y))>0時，意味著成員對當前決策感到滿意。在這種情況下，R(ΔV(x,y))是一個幸福值；②當R(ΔV(x,y))<0時，則意味著成員對當前決策感到后悔，此時R(ΔV(x,y))是一個遺憾值；③當R(ΔV(x,y))=0時，表示成員認為無論選擇接受還是拒絕知識交流，這兩個決定的感知價值是相同的，不會對任何一個選擇感到喜悅或后悔。

在現實生活中，個體的行為決策會受到群體及其他個體行為的直接影響，其最終決策不僅取決于自身的性格特征，還取決于鄰居的特征[49]。成員會表現出基于鄰居決策的模仿行為，并結合自己的性格特征和鄰居的決策信息作出決策。

假設成員1和成員2是彼此的鄰居，每個人都根據對方的決策信息做出決策。現假設成員1和成員2的行為策略集分別為S1={G1接受,G2拒絕}、S2={I1接受,I2拒絕}。該模型涉及的參數包括成員人數、知識交流成本、知識交流收益以及收益損失等。

為了表現社區成員在知識交流過程中的交互行為，根據成員1和成員2的行為策略集，進化博弈可以衍生出4種行為策略組合：(接受，接受)、(接受，拒絕)、(拒絕，接受)和(拒絕，拒絕)。結合模型中的參數，可以得到上述4種行為策略下成員1和成員2的收益矩陣，如表1所示。

表1 4種行為策略的收益矩陣

b表示知識交流收益，包括獲得更多學術資源、有新的科研項目合作和社區獎勵等；c表示知識交流成本，包括時間成本、物質成本、學術資源以及信息技術成本等；n表示社區成員總數；k代表持續進行知識交流的成員比例；f代表利益損失。由于虛擬學術社區的開放性，一些成員可能表現出投機心理和搭便車行為。他們不真正參與知識交流，但可以從其他成員知識交流的過程中獲益。基于這種情況，本文引入利益損失f來代表懲罰，并假設b>f。

因此，成員接受知識交流的期望收益E1為：

(3)

成員拒絕知識交流的期望收益E2為：

(4)

如果成員沒有進行決策，則收益為0。

假設A表示成員接受知識交流，B代表拒絕知識交流。根據上述博弈情況，A和B得到的結果是：

(5)

(6)

因此，成員的后悔—喜悅價值是：

(7)

其中，當成員接受知識交流時，ΔV=V(A)-V(B)；拒絕知識交流時，ΔV=V(B)-V(A)。在本研究中，w表示影響后悔—喜悅程度的外界因素，如：臨近成員行為影響、社區影響等，使后悔—喜悅程度呈線性變化；1/t2表示后悔—喜悅程度隨時間呈非線性變化，即后悔—喜悅程度隨時間急劇減弱。

由式(1)可知，接受知識交流的效用函數U(A)[50]為：

(8)

拒絕知識交流的成員的效用函數U(B)為：

(9)

2.2.2 個人性格特征匹配

每個成員的個性特征和參與知識活動的動機不同，在社區內面對知識交流時的態度和行為決策也不盡相同。對于是否進行知識交流很大程度上取決于成員自身因素。有研究指出，成員是“利他主義者”還是“利己主義者”可能會對其在學術虛擬社區知識交流的具體行為產生影響[51]。為驗證成員特征的影響，本文將成員劃分為利己型、中立型或利他型3種類型，其中利己型和利他型兩種特征與決策變化關系較為密切，如表2所示。

表2 社區成員特征分類

在信息不完全情況下，個體在決策前會對其鄰居的決策行為進行預估，并對比自身情況決定是否進行模仿，表現出一種學習行為，以此作出最終決策[52]。因此，本文綜合考慮自身和鄰居的特征，用概率分布描述3類社區成員策略改變閾值，其中P1表示利己型、P2表示中立型、P3表示利他型。成員特征匹配定義如下：

定義1：不同類型成員決策改變閾值服從概率分布：Pi～Uniform(m,n)，其中，i=1,2,3。則有P1～Uniform(0,0.3)、P2～Uniform(0.3,0.8)、P3～Uniform(0.8,1)。

定義2：成員個體間的個性特征概率匹配度為Mapping(Pi,Pj)∈(0,1)，其中i,j=1,2,3，表示個體與個體之間相似程度的概率，也可以看作成員間相互模仿的概率，服從均勻分布。

如果兩個成員特征類型一致，即i=j，則Mapping(Pi,Pj)=Uniform(0.8,1)；類型相差不大，|i-j|=1，則Mapping(Pi,Pj)=Uniform(0.3,0.8)；類型相差較大，|i-j|=2，則Mapping(Pi,Pj)=Uniform(0,0.3)。個體之間的個性特征越相似，表明個體在面對同一事件時的態度越相似，模仿概率越大；相反，模仿概率越小。

2.2.3 模仿策略表達機制

根據式(8)、(9)計算成員和鄰居(接受或者拒絕知識交流)的效用，并將成員自身決策效用與鄰居效用對比，若鄰居決策中不存在更高效用，則不進行模仿學習；若存在，則選擇效用值最高者為學習對象，以概率的方式進行模仿，模仿概率[53]為：

(10)

其中Ui為鄰居中效用最大值，Uj為自我效用值；r為信息噪聲，其值越大，模仿概率越小。拒絕模仿的概率為1-Pi。

如果模仿概率P(j→i)落在Mapping(Pi,Pj)范圍內，即模仿概率大于拒絕模仿的概率時發生模仿行為，其下一時刻的決策將與被模仿者當前時刻的決策一致，則發生模仿行為，否則不發生。成員之間越相似，拒絕模仿的概率越小，越容易進行模仿。

如果模仿概率未落在Mapping(Pi,Pj)范圍內，成員不發生模仿，下一時刻的決策可能會改變，也可能不變。成員在下一時刻改變決策的概率是決策改變閾值超過其分布區間的概率。改變決策的概率為[50]：

Pcq=P(X>Pi)

(11)

社區內成員是否參與知識交流的最終決策通過每個人的特定活動、狀態和行為特征來體現。本文通過采用個性特征匹配度表示個體間模仿決策的程度，具體決策過程如圖2所示。

圖2 知識交流中成員互動決策過程圖

3 多智能體仿真分析

3.1 仿真環境和參數設置

本文將社區成員互動作為影響個體行為決策的關鍵因素，綜合考慮自身與鄰居影響以及其他影響因素的作用，應用多智能體仿真技術模擬社區內成員個體微觀決策的變化情況。利用Anylogic平臺開發虛擬學術社區的知識交流仿真系統，主模型如圖3(a)所示。KnowledgeAgent類中每個成員對應一個KnowledgeAgent對象，如圖3(b)所示。

圖3 多智能體仿真模型

其中KnowledgeAgent類表示社區成員的集合，變量n表示社區成員總數。主模型中的統計變量有Naccept和Nrefuse，分別表示接受知識交流和拒絕知識交流的成員數量；Time表示每次實驗進行的時間。為了使實驗更接近于真實情況，事件event用于控制時間Time的變化。

KnowledgeAgent中的參數、變量的設置和定義如表3所示，其中主要的參數定義及設置如下：

1)Personcharacter表示社區成員的個性特征。Personcharacter={1,2,3}，Personcharacter=1表示利己型，Personcharacter=2表示中立型，Personcharacter=3表示利他型，3種類型成員對應數量分別為n1、n2和n3。

2)Decisionrefuse是一個布爾變量，表示成員是否拒絕在第t天進行知識交流活動。如果該值為真，則成員接受知識交流；否則為拒絕。

3)Modifyrate1和Modifyrate2分別表示狀態從accept轉變為refuse的概率和狀態從refuse轉變為accept的概率。

3.2 模擬實驗結果

3.2.1 個性特征分布的影響

初始狀態下，通過隨機方式選取一定比例成員作為社區初期進行知識交流的用戶。用戶比例可參考滿足虛擬學術社區生存發展實際需要，也可根據仿真需要適度調整。本研究設定初始模型中成員總數為n=100，網絡類型為隨機，每個Agent連接數為8。在t=0時，成員接受和拒絕知識交流比例分別為40%和60%。與個人決策相關參數設置為b=100、c=70和f=80。移除前的最長時間Td設置為30天。每次實驗為期100天。

選擇個性特征分布3個極端組和一個混合組驗證成員個性特征對決策的影響。不同個性特征分布下群體決策呈現不同規律，如圖4所示。

圖4 社區成員個性特征分布的影響

1)在成員全為利己型性格特征情況下，初始時總體上接受的人數多于拒絕的人數，但緊接著發生跳轉變化，拒絕人數多于接受人數，整體圖線趨于穩定，原因是利己型成員較為注重自身利益，傾向于獨立自主決策，不易被其他成員所影響而改變決策，且圖像呈現的結果也與本文一開始的設定相符合。

2)成員全為利他型時，總體接受人數較多，圖線相比圖4(a)起伏較大且伴有多次交叉。這是由于利他型成員以他人或社區利益為重，傾向于做有利于大部分人的決策，其存在能提高社區活動積極性，由此推動知識交流順利且高效地進行。當拒絕人數較多時，利他型成員為了他人或社區的利益，保證知識交流的持續進行，可能會主動發起知識交流活動，呼吁社區成員參與其中，使得接受知識交流人數逐漸增多。拒絕和接受的人數存在一定程度的波動，但總體來看，接受人數明顯高于拒絕人數。

3)在全為中立型成員的情況下，圖像展現的結果綜合了全為利己型成員和全為利他型成員兩種情況，相比于全為利己型成員的圖像波動較為劇烈，相比于全為利他型成員的圖像波動較為緩和，說明社區中立者在實際決策過程中中和了利己和利他兩者的特點。總體拒絕人數明顯高于接受人數。

4)假設成員群體個性特征分布為利己型占30%，中立型占30%，利他型占40%，展示了最貼合實際的場景。總體上來看，接受人數多于拒絕人數，圖像的多次交叉變換也展現了真實社區中不同成員決策變化過程。3種類型成員的混合存在使得接受和拒絕決策變化較為頻繁，但總體人數相對較為穩定，接受和拒絕人數大抵一致。

3.2.2 社區環境因素的影響

針對不同社區環境因素設計并運行多組仿真實驗，調整效用參數，觀察知識交流過程中社區成員決策的演化規律。

1)b對決策行為的影響

首先c和f設置為固定值80，知識交流成本等于因拒絕知識交流而造成的損失。在此前提下，將知識效用參數b的值分別設置為200、120和100，模擬實驗觀察分析運行結果，分析知識交流收益對社區成員決策行為的影響，如圖5所示。

圖5 知識收益對決策行為的影響

從圖中發現接受和拒絕人數均有一定程度的波動，且伴有多次的決策狀態變化。隨著b值的增大，圖像從兩條線的多次交叉變換到總體拒絕人數占多數，表示Ui和Uj之間的差異越大，成員決策狀態就越穩定；隨著b值減小，圖線交叉變化頻繁，表示成員決策狀態一直在改變，狀態變得不穩定，選擇接受和拒絕的人數不相上下。

在實際情況中，無論接受還是拒絕，如果b值夠大，成員均能在社區中獲得穩定的知識收益，反映了社區中常見的“搭便車”現象。同時，成員判斷出當前決策對自己有利時便會積極參與到當前的交流中，不會冒險輕易改變決策，決策狀態趨于穩定。反之，b值越小，決策狀態越難于穩定，波動明顯。在社區知識交流活動中，社區平臺層面可以給予適當的激勵，如資源開放、等級獎勵等方式來使社區成員在活動時達成共識，避免決策的反復改變造成自身的損失，有助于成員社區活動決策的穩定。

2)c、f對決策行為的影響

設置b=120不變，調整c和f，可以確定c和f之間的大小關系在成員行為的宏觀趨勢中起決定性作用，如圖6所示。

圖6 知識交流成本和利益損失對決策行為的影響

①當c>f，即當知識交流成本大于因未進行知識交流而造成的損失時，群體決策為拒絕占多數。從實際出發來看，當成員在社區中付出的時間、精力或分享的資源和知識沒有得到相應的知識收益時，根據社會交換理論，成員并沒有達到在社區里學習的目的，知識交流的意愿將會減弱，表現出決策拒絕狀態。

②當c

3.3 結果分析

虛擬學術社區的主體是人，而人的行為會受很多因素的影響而發生改變。社區用戶行為的變化一定程度上會影響社區的整體活動和發展，因此，了解虛擬學術社區用戶行為心理及其變化對于虛擬學術社區的發展和建設具有重要作用。通過多智能體仿真模擬實驗展現了成員面對知識交流時的決策變化對系統整體變化的影響，反映了個性特征和系統環境因素的重要性，具體為：

1)成員個性特征分布影響主要表現為利己型人格對知識交流有一定程度的抑制作用，該特征人群不易受鄰居影響，拒絕參與知識交流人數明顯多于接受人數；中立型人格對知識交流促進作用不明顯，原因是這類人具有有限理性，不會輕易改變決策；利他型人格在社區活動中能夠相互影響，對知識交流有較為顯著的正向促進作用，使得系統達到一個平衡狀態。

2)知識收益決定了群體決策狀態的穩定性。成員進行知識交流的共同目的是獲得知識收益，他們從中獲益越多，對決策結果的滿意程度越高，越不會輕易改變當前決策，群體決策狀態越穩定；相反，收益越少，出于自身考慮，為了獲得更多收益，成員會改變當前決策而導致整體決策狀態難于穩定，不利于知識交流活動的穩定持續進行。

3)群體決策的宏觀趨勢取決于知識交流成本和未進行知識交流的收益損失。當知識交流成本等于收益損失時，接受和拒絕知識交流的人數大致相同。同時，成本越小，成員所獲得的相對知識收益越多，更多成員傾向于接受知識交流；當知識交流成本大于收益損失時，成員往往為達到損失最小化而拒絕進行知識交流；情況相反時，成員傾向于接受知識交流。

4 啟示與建議

4.1 完善社區互利互惠規范，增強優質用戶粘合度

相關研究表明，虛擬學術社區科研合作在對稱互惠共生模式下最為穩定[54]。本研究中，同樣證明系統處于全為利他型特征成員時，最終呈現接受人數大于拒絕人數的穩定狀態。可見，提升虛擬學術用戶共享意識、鼓勵用戶合作共贏能有效改善社區整體知識交流環境。完善互利互惠規范能有效降低虛擬學術社區中的“封閉主義”和“投機主義”，對構建和諧的知識交流網絡發揮積極作用。有研究表明，知識型社區搜尋者可以提升自我效能，增強內部動機轉變為貢獻者[55]。從社區角度，可設置有效的學術反饋、社會認可等評價制度，進而增強用戶的自我效能感和參與動機。同時，為滿足目標用戶需求，虛擬學術社區的內容質量是增強用戶粘性的關鍵。構建合理的質量保障與控制機制，能確保用戶質量以及高質量內容產出，營造和諧良好的社區交流環境。

4.2 實施差異化激勵機制，促進知識價值良性循環

在虛擬學術社區中，頻繁改變決策不僅會增加時間和知識成本，也會在一定程度上增大個體的心理后悔值，使得知識效用價值減小。本研究顯示，知識收益的大小與系統穩定性密切相關，同時知識收益增大并未顯著改變系統參與知識交流的人數，反而助長了社區“搭便車”行為。主要原因在于虛擬學術社區中，知識具有公共財產性質，是否參與知識交流得到的知識收益差異并不明顯。一方面，保證虛擬社區較高的基礎知識收益能夠提高參與知識交流的群體決策穩定性，避免成員決策的多次轉變造成自身損失；另一方面，可以實施差異化激勵機制，提高知識收益的差異化程度，如根據用戶貢獻程度給予對應的提升等級、金幣或積分獎勵等[56]。創造高回報的社區氛圍，牢固樹立用戶的積極參與意識，使成員達成參與知識資源創造可以帶來高價值效益的共識，實現社區知識價值的良性循環。

4.3 提高資源服務質量，構建動態平衡合作新生態

前景理論認為，人們失去利益的痛苦要大于得到同等利益的快樂[57]。本文發現，知識交流成本和收益損失共同決定群體決策的宏觀趨勢。在知識交流成本相等的情況下，人們對未進行知識交流而造成的損失較為敏感，顯著影響接受和拒絕人數。因此，為保證用戶參與率，虛擬學術社區應盡量降低成員知識交流的時間和參與成本，提高技術層面的支持，如多開放一些公共學術資源、根據成員需求進行活動個性化推薦等。此外，虛擬學術社區內容具有數量大、價值高的特點[58]。通過學術交互促進科研人員最終合作是虛擬學術社區的根本功能和價值所在[59]。開展論文分享、案例研討、項目招標等各項學術活動，有助于深化用戶之間的科研合作，幫助用戶建立個人科研網絡。科研用戶在虛擬學術社區中的自我實現需要是維持知識交流的關鍵，提升學術社區的資源服務質量，立足全方面深化知識融合與創新是促進虛擬學術社區可持續發展的核心方向。

5 結 語

虛擬學術社區知識交流遵循復雜的內在機制，用戶的社會網絡關系、社會心理等決定了最終的知識交流效果。本文將心理學理論、行為決策以及演化博弈相結合，考慮后悔和有限理性的成員交互行為，依此構建虛擬學術社區知識交流多智能體模型。從社區環境和個性特征兩個層面進行描述，對不同性格特征主體之間交互影響進行設定。通過仿真分析發現，社區成員性格特征比例與系統內的知識交流接受人數密切相關，知識收益能夠有效約束成員決策改變，知識交流成本和收益損失的有效結合能夠大大促進用戶決策最終傾向于選擇接受。最后針對結果給出合理的建議。

同時，本研究構建的虛擬學術社區知識交流模型具有一定的假設限制，模型中變量個數考慮不夠全面，知識收益的量化設置相對單一，后續研究可增加相關資料的收集，完善相關影響因素，進一步提升模型的解釋力。