[论文解读] Classify Participants in Online Communities

Xuequn Wang, Yanjun Yu|arXiv (Cornell University)|Mar 9, 2012

Knowledge Management and Sharing参考文献 30被引用 6

一句话总结

本文提出了一种基于连续体的分类模型，用于根据在线社区参与者的发帖活动趋势对参与者进行分类，突破了简单分类的局限。通过分析长期发帖行为，作者识别出不同的参与者类型——如旁观者、贡献者和核心成员——提供了一种更细致、基于数据的框架，以更好地理解社区动态并维持参与度。

ABSTRACT

As online communities become increasingly popular, researchers have tried to examine participating activities in online communities as well as how to sustain online communities. However, relatively few studies have tried to understand what kinds of participants constitute online communities. In this study, we try to contribute online community research by developing "common language" to classify different participants in online communities. Specifically, we argue that the previous way to classify participants is not sufficient and accurate, and we propose a continuum to classify participants based on participants' overall trend of posting activities. In order to further online community research, we also propose potential directions for future studies.

研究动机与目标

• 解决现有在线社区参与者分类方法的不足。
• 基于行为模式，开发一种更准确、更全面的参与者分类框架。
• 提出一种动态的、基于活动的分类连续体，以捕捉用户角色随时间的演变。
• 通过识别研究用户参与和社区可持续性的关键方向，为未来研究提供支持。
• 为研究人员提供一种标准化的“通用语言”，用于跨在线社区讨论和比较参与者类型。

提出的方法

• 分析在线社区的长期发帖活动数据，以识别行为趋势。
• 提出一种连续体模型，根据用户发帖频率和强度的整体轨迹对参与者进行分类。
• 使用统计和模式识别技术检测不同的参与模式（例如，持续贡献者、间歇性发帖者、旁观者）。
• 通过真实社区数据的定性和定量分析验证该模型。
• 引入一种框架，突破二元或分类标签（如活跃/非活跃）的局限，转向参与类型的光谱化表示。
• 利用社区层面的度量指标，定义并校准连续体上每种参与者类型边界的参数。

实验结果

研究问题

• RQ1 如何比现有静态或二元模型更准确地对在线社区参与者进行分类？
• RQ2 哪些行为模式定义了在线社区中不同类型的参与者？
• RQ3 发帖活动趋势如何随时间演变，它们揭示了用户角色的哪些信息？
• RQ4 传统分类方案在捕捉在线参与复杂性方面存在哪些局限？
• RQ5 统一的分类框架如何改善在线社区的研究与管理？

主要发现

• 所提出的连续体模型成功捕捉了在线社区中用户参与的动态与演变特性。
• 传统分类方法无法充分反映参与的完整光谱，特别是对活动波动或非线性模式的用户。
• 参与者可根据长期发帖趋势被有意义地划分为不同类型，如核心贡献者、偶尔发帖者和旁观者。
• 该模型通过识别关键的行为聚类，为理解社区健康与可持续性提供了更细致的视角。
• 该框架使研究人员能够追踪用户角色随时间的转变，例如从旁观者转变为活跃贡献者。
• 本研究识别出未来研究方向，包括建模角色转变过程，以及整合社交影响和平台设计等外部因素。