高校图书馆微博信息传播影响因素研究_基于新浪微博平台_赵杨

数字技术

高校图书馆微博信息传播影响因素研究*

—基于新浪微博平台——

赵杨，宋倩，高婷

摘要以我国37所高校图书馆新浪官方微博为对象，分别从微博内容层面和用户层面对影响高校图书馆微博信息传播的主要因素进行定量分析，发现微博信息类型、展现形式、信息来源、粉丝数量、转发者类型均对微博信息传播具有显著影响。高校图书馆应切合用户实际需求发布博文，合理应用多种展现形式表达信息内容，发布原创性话题并紧密维系与用户间的社会网络关系，以此促进微博信息传播与利用，提高图书馆信息服务水平。

关键词高校图书馆微博信息传播信息服务

引用本文格式赵杨，宋倩，高婷.高校图书馆微博信息传播影响因素研究———基于新浪微博平台[J].图书馆论坛，2015（1）：93-99.

InformationDisseminationFactorsofAcademicLibraries’Micro-blogs——AStudyBasedonSinaMicro-blog—

ZHAOYang，SONGQian，GAOTing

AbstractStudyingon37Chineseacademiclibraries’Sinamicro-blogs，thispapermakesaquantitativeanalysisofthemainfactorsthatimpactmicro-bloginformationdisseminationfromtheperspectivesofmicro-blog’scontentsandusers.Theresultsshowthatinformationtypes，formats，informationsources，numberoffollowersandtypesofuserswhorepostedhavesignificantimpactsonmicro-bloginformationdissemination.Itissuggestedthatacademiclibrariesshouldpostmicro-blogstomeetusers’actualneeds，writemicro-blogsinvariousforms，launchoriginaltopicsandmaintaintheclosesocialnetworkrelationshipswiththeiruserstopromotethedisseminationanduseoflibraries’micro-blogandimprovetheinformationservicelevel.

Keywordsacademiclibrary；micro-blog；informationdissemination；informationservices

0引言

随着社会化网络时代的来临，越来越多的高

校图书馆(以下简称“高校馆”)利用微博为读者

提供多元化信息服务。微博作为基于用户关系实现信息实时分享与传播的社会化媒体，具有信息传播速度快、展现形式丰富、交互性强等特点，是高校馆发布馆情馆讯、推荐信息资源、提供参考咨询的重要工具[1]。通过微博信息的有效传播，能使读者及时获取图书馆最新资讯和个性化服*本文系国家社科基金青年项目“数字图书馆移动服务质量控制研究”（项目编号：12CTQ005）和国家自然科学基金青年项目“基于贝叶斯网络和演化博弈的社会化媒体信息传播建模和模拟”（项目编号：71101059）研究成果之一5年第1期

◎◎20193

内容需要下载文档才能查看

数字技术

务信息，发挥图书馆的社会服务价值。目前对高校馆微博的研究大多集中在平台建设、运营现状、服务评价等方面，关于信息传播影响因素的研究非常有限[2-3]。由于高校馆微博在服务功能、话题内容上具有较强的专业性，其信息传播模式有别于一般微博，需要针对其特性进行具体分析。鉴于此，笔者以我国37所高校馆官方微博为实证对象，探索影响其信息传播的具体因素，揭示信息传播规律与路径，在此基础上提出促进高校馆微博信息有效传播与利用的对策建议。

(1)内容层面的影响因素。从内容层面看，高校馆主要通过文字(一般不超过140字)、图片、多媒体等形式以原创或转发的方式在微博平台上发布信息，达到服务读者、营销推广和对外宣传的目的。这些信息内容的类别、展现形式、来源和发布时段往往决定着其吸引用户关注和转发的程度[6]。因此，微博内容层面的影响因素可以从以上四个方面进行分析。

(2)用户层面的影响因素。从用户层面看，微博用户覆盖面是决定信息能否被用户获取、接受继而转发的重要前提，而用户覆盖面主要由微博粉丝数量决定[7]。其次，由于不同用户在社会网络中处于不同节点，其转发行为对信息传播的影响力也存在很大差异。多数研究者认为，处于核心节点的用户(加V用户)其转发行为往往会引发“涟漪效应”，是推动信息快速传播的关键因素[8]。因此，用户层面的影响因素可以从微博粉丝数量和转发者类型两个方面进行分析。

1高校馆微博信息传播影响因素的提出

由于微博信息传播主要是通过用户(粉丝)转发行为体现，因此，已有研究成果大多是从用户行为特征出发探索影响微博信息传播的主要因素[4]。但本质上而言，引发用户转发行为的内在动因源于用户对微博内容的认知、情感和态度，即只有当用户在充分理解、认可和接受这些内容的基础上才会产生转发意愿[5]。因此，笔者分别从微博内容和用户行为两个层面对影响高校馆微博信息传播的因素进行分析，如表1所示。

表1高校图书馆微博信息传播影响因素影响

层面

影响因素

活

动通知资源推荐馆情馆讯读者

互动

发表评论馆际交流其他

纯文本多媒体

话题标签(含有双“#”号话题或者含有标签)

扩展阅读(带有链接的内容)原创信息

非原创信息(转发或引用的信息)工作时段非工作时段

关注了该官方

微博的用户加V用户数普通用户数

具体内容

2实证研究

2.1样本选择与数据获取

新浪微博是我国高校馆注册数量最多的微博平台。至2013年12月31日，有167所高校馆开通新浪微博账号。因此，笔者基于新浪微博进行样本选择和数据采集。通过检索和统计，除去非官方认证(没有加V标识)和粉丝数量低于1000条的高校馆微博，最终确定37个样本(如表2所示)。鉴于微博信息内容发布时段的一致性和时效性，以2012年1月1日0时至2013年12月31日24时为时间段对样本内容进行统计，共采集到25269条微博，这些微博的平均转发次数为52次。为了有效反映信息传播动因，笔者选取转发次数高于平均数的微博作为研究样本并对其进行正态化处理，最终得到245条研究数据。2.2样本描述统计

笔者对微博样本内容进行了描述统计分析。其中对在某项因素上同时含有多个子类别的微博条目进行了分类计数。从统计结果看，在信息类别方面，以馆情馆讯类和资源推荐类为主，分别

信息类型

内容层面

展现形式

信息来源发布时段

用户层面

粉丝数量转发者类型

94

数字技术

表2样本总体情况(按粉丝数量降序排列)

编号12345678910111213141516171819202122232425262728293031323334353637

微博名称

清华大学图书馆武汉大学图书馆暨大图书馆复旦大学图书馆重庆大学图书馆厦大图书馆华东师范大学图书馆南京大学图书馆中国矿业大学图书馆同济大学图书馆南师大图书馆西南财经大学图书馆东南大学图书馆BUAALIB

上海财经大学图书馆西安交通大学图书馆北京工业大学图书馆上海交通大学图书馆海南大学图书馆石大图书馆南开大学图书馆北京大学图书馆北京化工大学图书馆合肥工业大学图书馆南京航空航天大学图书馆中国人民大学-图书馆陕师大图书馆咨询湖南大学图书馆西北工业大学图书馆西南大学图书馆中国科大图书馆中南财经政法大学图书馆北京理工大学图书馆华北电力大学图书馆上海大学图书馆中央财经大学图书馆上外图书馆

注册时间2010-12-132011-11-132011-03-012011-04-202011-11-112009-11-172011-05-032011-04-192011-04-062011-09-082010-09-062011-06-052011-02-212011-03-052011-04-292011-10-082011-04-272011-06-212012-09-202011-08-292011-05-112013-04-282011-07-132011-06-292011-11-012013-03-132010-05-262012-06-192011-11-182012-09-042012-05-252013-05-092012-04-192012-04-242012-05-212013-05-152011-11-07

微博数61482267336813531553130112091066155233681997110713869281531164409877122814289657847817504524611253772132222443248190260715292104

关注数370309658604001151272993831361923762930294333687159412632611232164902191201334737396267577811373

粉丝数4336117312121291000010000100009696958591279057750567865848567956374524447739093897389529832743272126522571231522022114210116181513144712251174112711131099

2.3内容层面的影响效果

分析

为了明确微博内容层面的各项因素是否对高校馆微博的信息传播具有显著影响，笔者采用多因素方差分析进行检验，在此基础上通过多重比较检验和均值分析对具有显著影响的因素作进一步比较，明确其对微博信息传播的实际作用效果。

(1)内容层面影响因素的方差分析。方差分析是从观测变量的方差入手，研究多个控制变量中哪些对观测变量有显著影响[9]。笔者以微博内容转发次数为观测变量，以信息类别、展现形式、信息来源、发布时段四个因素为控制变量进行多因素方差分析，结果如表3所示。

表3中，信息类别、展现形式、信息来源、发布时段的概率p值分别为0.000、0.000、0.041、0.938，当显著性水平α为0.05时，前三个因素的概率p值均低于显著性水平，可以认为，不同信息类别、展现形式和信息来源的微

占样本总量的32.5%和25.7%，而发表评论和馆际互动类型的内容则较少，只占样本总量的6.3%和7.9%；在展现形式方面，多媒体形式的博文数量最多，占样本总量的44.4%，纯文本类型的最少，占样本总量的7.1%；而在信息来源和发布时段方面，原创性微博和工作时段发布的微博所占比例最大，分别为73.5%和74.3%。

5年第1期

◎◎201

博总体均值存在显著差异，即这三个因素对高校馆微博的信息传播具有显著影响。而发布时段的概率p值大于0.05，说明其对微博信息传播的影响并不显著。从各因素的交互作用结果来看，信息类别、展现形式和信息来源这三个因素相互组合的概率p值也都低于显著性水平，说明它们对高校馆微博信息传播具有显著的交互作用。而发

95

内容需要下载文档才能查看

数字技术

表3微博内容层面的多因素方差分析结果

来源

校正模型截距信息类别展现形式信息来源发布时段

信息类别*展现形式信息类别*信息来源信息类别*发布时段展现形式*信息来源展现形式*发布时段信息来源*发布时段

信息类别*展现形式*信息来源信息类别*展现形式*发布时段信息类别*信息来源*发布时段展现形式*信息来源*发布时段

信息类别*展现形式*信息来源*发布时段误差总计校正总计

注：a.R方=.391（调整R方=.251）

III型平方和

1810740.671a974332.247254609.06018696.09229879.94359056.00633798.927390941.232408629.57710192.60217061.11335223.93720629.47131526.927147497.7471032.668433.0872816333.1458038104.0004627073.816

df71163111465331811221309381380

均值方差25503.390974332.24742434.8436232.03129879.94359056.0062414.20965156.87281725.9153397.5345687.03835223.9372578.6842866.08473748.873516.334433.0879114.347

F2.798106.9014.656.6843.2786.479.2657.1498.967.373.6243.865.283.3148.092.057.048

Sig..000.000.000.000.041.938.000.000.992.013.635.840.021.983.971.945.828

布时段与其他因素的共同作用则没有对微博信息传播产生显著影响(p值大于0.05)。由此可见，用户对高校馆发布的信息类别以及这些信息是通过何种形式展现的、是否原创会产生较明显的认知、情感和态度差异；而对微博的发布时段则没有明显的反应差异。

(2)各影响因素的作用效果分析。为进一步分析具有显著影响的因素是如何具体作用于高校馆微博信息传播的，笔者应用多重比较检验，对这些因素在不同水平下的信息传播效果进行了比较。以信息类别因素为例，其中，“发起互动”类与其他类别均存在显著差异(概率p值均小于0.05)。结合信息类别不同水平下的微博转发次数均值，可以发现，“发起互动”类的博文平均转发次数最多，为186次；其次是“发表评论”和“资源推荐”类，平均转发次数分别为143次和138次。由此可见，当高校馆在微博上发布一些与读者交流互动的内容(如转发+@好友获得赠书、发起采购数据库投票等)时往往会引发粉丝强烈关注并积极转发；而当图书馆在微博上推荐一些文献、数据库资源或是对某一热点问题进行

96

评论时，也会促使粉丝们主动地将这些实用的、有价值的信息通过转发与他人分享。同样，通过展现形式和信息来源这两个具有显著影响因素的各项均值比较也会发现，“多媒体形式”和带有“#”字符的“话题形式”博文转发均值较高，分别为189次和155次；而“纯文本”和“扩展阅读”形式的博文平均转发次数则较低，只有62次和81次，说明展现形式生动、带有讨论互动性的微博更能引起用户兴趣，促进信息传播。同时高校图书馆的原创类微博也比其转发的信息更有吸引力。

在影响因素交互作用方面，信息类别、展现形式和信息来源三个因素的相互组合都能对微博信息传播产生显著影响(概率p值均小于0.05)。从交互作用均值来看，多媒体形式的互动类博文最能引起用户关注，平均转发271次，即高校馆在与读者进行互动时发布图文并茂的信息能更好地激发读者的转发意愿。另外，无论是原创还是转发的内容，“多媒体形式”和“话题标签”形式的博文转发均值都高于“纯文本”和“扩展阅读”形式的，说明高校馆在发布微博时添加了

数字技术

一些图片、视频，并对发布内容进行了分类、总结，加上了标签和话题，更能引发用户关注和转发。

2.4用户层面的影响效果

在验证微博粉丝数量和转发者类型是否对高校图书馆微博信息传播具有显著影响时，笔者同样采用了多因素方差分析。与此同时，考虑到在已有研究中多数学者曾提出基于微博的社会关系网络中处于核心节点的用户(加V用户)其转发行为会引发信息传播的层级扩散效应[10]，因此，笔者进一步对微博转发次数、转发层级、粉丝数和转发者类型进行了相关分析，并通过可视化工具

来源

校正模型截距

微博粉丝数

转发者中V用户数

微博粉丝数*转发者中的V用户数误差总计校正总计

注：a.R方=.968（调整R方=.929）

III型平方和

3404305.283a2357758.874416312.7501935456.575952518.182113021.1015928680.0003517326.384

研究了高校图书馆微博信息传播路径。2.4.1用户层面影响因素的方差分析

笔者以高校馆微博内容转发次数为观测变量，以微博粉丝数、转发者中V用户数为控制变量进行多因素方差分析，结果如表4所示。从检验结果看，微博粉丝数、转发者中V用户数及两者交互作用的概率p值均低于显著性水平0.05。可以认为，在控制变量不同水平下，微博信息转发次数的均值具有显著差异，即微博粉丝数和转发者中的V用户数对高校馆微博信息传播效果均具有显著影响，且两者同时对信息传播产生显著的交互作用。

df1331262582111245244

均值方差25596.2802357758.87416012.02977418.26311616.0751018.208

F25.1392315.59615.72676.03411.408

Sig..000.000.000.000.000

表4用户层面的多因素方差分析结果

2.4.2用户层面影响因素的相关分析

为了进一步明确高校馆微博粉丝数与转发者中V用户数对微博信息传播效果的具体作用，笔者应用相关分析进行检验。相关分析是一种基于假设检验的统计分析方法，用来描述两个变量之间的线性关系程度[11]。在进行相关分析时，考虑到微博信息的传播效果除转发量上的递增，还表现为转发层级的扩展，即某一用户转发该条微博后，该用户的粉丝又再次进行转发，产生层层传播扩展效应。因此，笔者将转发层级也纳入相关分析，结果如表5所示。其中转发次数与转发层级、微博粉丝数、转发者中V用户数的相关系数概率p值都低于显著性水平α(此处α值为0.01)，说明四者之间存在显著相关性；其Pearson简单相关系数分别为0.488、0.721和0.626，说明微博转发次数与转发层级、粉丝数、V用户数均成正相关关系，即随着转发层级、粉丝数和V用户数的递增，微博转发次数也随之递增，且转发次数与微博粉丝数的相关性最强。此外，转发层级

5年第1期

◎◎201

与粉丝数、转发者中V用户数间也存在显著相关性，特别是与V用户数的相关系数值达到0.709，说明转发层级会随着转发者中V用户数增加而显著递增。

2.4.3微博传播路径的可视化分析

通过可视化工具PKUVIS可以具体展现高校馆微博中某条博文被用户转发后的传播路径。以样本中转发次数最多的一条微博为例，该微博由中国科技大学图书馆在2013年4月26日11∶15发布，博文内容是该图书馆2012年全年图书借阅情况排名(原文见http：//http://wendang.chazidian.com/2433828702/ztUF0zVut)，其信息传播路径如图1所示。截至统计时止，该条微博共被转发1008次，转发层级7层。图1中右边的环状图为图书馆官方微博粉丝转发该条博文的信息传播路径。随着该条微博不断被粉丝和加V用户转发，信息不断扩散，形成层层扩大的环状路径。左边的环状图则是该博文被另一官方微博“果壳网”二

次转发后，产生的“发酵”效应。“果

壳网

”是面

97