[论文解读] Why the World Reads Wikipedia: Beyond English Speakers

Florian Lemmerich, Diego Sáez-Trumper+2 more|arXiv (Cornell University)|Dec 2, 2018

Wikis in Education and Collaboration参考文献 33被引用 6

一句话总结

本研究通过分析超过210,000名来自14种语言版本的读者的大规模调查，结合服务器日志数据和国家层面的社会经济指标，探究了全球读者阅读维基百科的原因。研究发现，使用场景在不同语言间存在显著差异，尤其是在英语维基百科之外，同时识别出与特定动机相关的稳定行为模式，例如在人类发展指数（HDI）较低的国家，深度阅读更为普遍。

ABSTRACT

As one of the Web's primary multilingual knowledge sources, Wikipedia is read by millions of people across the globe every day. Despite this global readership, little is known about why users read Wikipedia's various language editions. To bridge this gap, we conduct a comparative study by combining a large-scale survey of Wikipedia readers across 14 language editions with a log-based analysis of user activity. We proceed in three steps. First, we analyze the survey results to compare the prevalence of Wikipedia use cases across languages, discovering commonalities, but also substantial differences, among Wikipedia languages with respect to their usage. Second, we match survey responses to the respondents' traces in Wikipedia's server logs to characterize behavioral patterns associated with specific use cases, finding that distinctive patterns consistently mark certain use cases across language editions. Third, we show that certain Wikipedia use cases are more common in countries with certain socio-economic characteristics; e.g., in-depth reading of Wikipedia articles is substantially more common in countries with a low Human Development Index. These findings advance our understanding of reader motivations and behaviors across Wikipedia languages and have implications for Wikipedia editors and developers of Wikipedia and other Web technologies.

研究动机与目标

• 理解英语维基百科以外的读者的动机和信息需求，挑战英语维基百科代表全球读者群体的假设。
• 识别14种语言版本中维基百科使用场景的共性与差异，突破以英语为中心的研究局限。
• 将调查回答与服务器日志轨迹关联，以验证和刻画与特定使用场景相关联的读者行为。
• 探讨国家层面的社会经济因素与不同维基百科使用场景普遍性的相关性。
• 为维基百科编辑者、开发者和维基媒体利益相关方提供多样化的读者需求信息，以促进内容和工具的公平发展。

提出的方法

• 在14种维基百科语言版本中开展大规模、多语言调查，所有版本使用相同问题，收集了超过210,000份回复。
• 通过IP地址和用户代理将调查受访者与他们的服务器日志轨迹关联，以近似识别唯一设备和行为模式。
• 应用逆倾向加权法，基于日志中的人口统计和行为特征，校正调查回复偏差。
• 将基于调查的使用场景普遍性与国家层面的社会经济和文化指标（如人类发展指数）进行相关性分析。
• 使用基于日志的行为指标（如会话时长、每次会话的页面浏览量、语言切换频率）来刻画使用场景。
• 通过跨语言比较和各语言版本间的一致性检查验证研究发现。

实验结果

研究问题

• RQ1 14种语言版本中，维基百科使用场景的普遍性和分布有何差异？
• RQ2 在不同语言中，哪些服务器日志中的行为模式与特定维基百科使用场景一致相关？
• RQ3 国家层面的社会经济特征（如HDI）在多大程度上与特定维基百科使用场景的普遍性相关？
• RQ4 文化和语言差异在多大程度上影响维基百科读者的动机和信息需求？
• RQ5 在使用场景和行为方面，英语维基百科在多大程度上能代表全球维基百科读者群体？

主要发现

• 英语维基百科不能代表全球读者群体；使用场景分布在全球各语言间存在显著差异，英语版本在多个维度上属于异常值。
• 在人类发展指数（HDI）较低的国家，对文章的深度阅读更为普遍，表明国家发展水平与阅读深度之间存在强烈关联。
• 某些使用场景（如学习和研究）在所有语言版本中均表现出明显的行为特征（如更长的会话时长、更高的页面浏览量），表明行为具有跨语言一致性。
• 约20%的读者会话涉及在不同维基百科版本之间的语言切换，表明存在积极的多语言参与，但此类切换的触发因素仍缺乏充分探索。
• 通过基于日志特征的逆倾向加权法，有效缓解了调查回复偏差，提升了调查数据的代表性。
• 社会期望偏差可能影响回答，特别是对于不太被社会认可的使用场景（如因无聊而浏览），但其影响因文化而异，可能扭曲跨语言比较。