1　引 言

随着国家对网络设施发展的大力支持，我国的网络使用越来越普及。据《第41次中国互联网络发展状况统计报告》统计，截至2017年12月，我国网民规模达7.72亿，其中即时通信用户规模达到7.2亿，而朋友圈、QQ空间、微博等社交应用的用户使用率分别为87.3%、64.4%和40.9%^[1]。社交平台的功能逐渐多样化，而社交网络也成为如今人们日常生活中必不可少的一部分。

社交网络是一个开放式的平台，人们可以在此平台上浏览其他用户的信息^[2]，并分享一些自己或自己获得的信息，不仅加强用户之间的交流与互动，更加强了用户之间的联系。然而不同的用户之间使用社交网络的目的不同，其分享行为也有很大的差异，有些用户会对分享行为比较谨慎，而有些则不然。有研究表明用户不同的分享行为与用户的性格有关，而分享强度又与性别和分享内容相关联^[3]，同时，情感^[4]、动机^[5]、文化背景^[6]、外部环境^[7]等均会对用户的分享行为造成影响。任何信息分享行为都伴随着隐私的损失及其所带来的风险，根据隐私计算理论，只要风险在可承受的范围内，且能够带来足够的利益，个体就会倾向于接收这种损失^[8]。据此理论，我们认为用户的信息分享行为与收益和风险的感知有关。调节定向理论指出，预防定向个体更在意行为产生后的损失，而促进定向个体更在乎行为产生后的收益^[9]。那么个体对于风险与收益的感知与衡量也会与个体的调节定向相关。

本研究针对社交网络用户的信息分享行为，结合隐私计算理论，探讨感知风险与感知收益对用户信息分享行为的影响，并引入调节定向理论，进一步研究：①其对风险和收益感知的影响；②其在风险和收益感知对用户信息分享行为影响中的调节作用；③其对用户分享行为的影响；力图从调节定向的角度分析和解释社交网络用户的信息分享行为。

2　文献综述

2.1　 信息分享行为的影响因素研究

信息分享行为的研究起源于国外，Rioux^[10]最早在SIFFOW的研究中提出了在网络环境下的信息获取和分享理论（Information Acquiring-and-Sharing），他认为个体在互联网环境下的信息分享行为是一种可确认的、自然的、高度社会化的、愉快的信息行为。后继有学者发现互惠、用户对社区的承诺^[11]、社会资本方面的信任、互惠规范、社会交互关系、身份认同及共同愿景和语言^[12]等因素对互联网虚拟社区中的信息分享行为有显著的影响。随着QQ、微信、微博等社交软件的普及和功能的日益全面，社交网络用户的分享行为也越来越引起国内研究者的关注。赵越岷等^[13]研究了消费者在虚拟社区中的信息共享行为，提出了利他主义、情绪的表达、自我效能感、归属感和形象声望是信息共享行为的重要影响因素。蔡剑等^[14]以研究生为研究对象，结合马斯诺需求层次理论构建信息分享动机模型，发现收藏动机、名誉声望、自身需求、利他动机、安全需要、社交动机是影响研究生群体信息分享行为的重要因素。另外还有学者发现依赖性、普遍化趋势、便捷生活^[15]、信任和感知有用性^[16]对信息分享行为均有影响。从上述研究中可以看出，现存对社交网络用户信息分享行为的研究主要集中在动机、情感、信任这三个因素方面。

2.2　 隐私计算理论和调节定向理论

信息分享行为的产生必将会涉及用户的隐私安全问题，因为用户在社交网络上分享的内容有可能暴露用户的隐私信息。隐私计算理论把个体隐私的决策描述成为一种“计算”行为，它决定个体是否需要披露信息以换取某种利益^[17]。在隐私决策的过程中，个体会对披露个人信息的行为进行成本收益的分析，当个体认为发布信息的总收益大于或至少等于所感知到的风险时，他就更有可能披露个人信息^[18]。隐私计算理论近几年主要是从信任、隐私关注、公平理论等角度对医疗卫生^[19,20,21]和社交网络^[22,23,24]中用户的隐私披露行为进行了分析。从近几年的研究可以发现，隐私计算理论是“分析当代用户隐私问题最有用的框架”^[25]；而且也有研究认为，用户在分享原创信息时会首先进行收益和成本的衡量^[26]。由此可见隐私计算理论可以很好地用于用户信息分享行为的研究，能有效对这一行为的产生进行分析和解释。

个体为达到特定目标而努力地控制、改变自己的思想或反应的过程称为自我调节。个体在实现目标的自我调节过程中会表现出特定的方式或倾向, 即调节定向（regulatory focus theory，RFT），包括预防定向（prevention focus）和促进定向（promotion focus）^[27]。调节定向理论中提到，促进定向个体多采用趋近/热切策略，即快速行动趋近目标；而预防定向个体则表现出相反的一面，他们更多地采用警惕/回避策略，即在行动时会更加谨慎，延迟行动^[28]。而且促进定向个体更加关注结果是否有收益，他们会为了收益而产生更大的冒险倾向；预防定向个体则更加关注结果是否有损失，他们会为了避免损失而放弃更大的收益^[9,29,30]。现有研究中，调节定向理论主要应用于个体行为决策的研究，包括消费行为决策^[31]和个体风险决策^[28]等。

由上述可知，信息分享行为和隐私计算的现有研究并未涉及调节定向理论，然而调节定向理论中的促进定向和预防定向特质会影响个体对风险和收益的关注，从而影响个体最终的决策行为。故本研究将结合调节定向理论与隐私计算理论对社交网络用户的信息分享行为进行研究与分析，找出感知风险、感知收益与个体的调节定向特质对信息分享行为的影响。

3　研究假设与理论模型

3.1　 感知风险与感知收益对用户信息分享行为的影响

根据隐私计算理论的描述，当用户在社交网络上进行信息分享行为时，会衡量分享行为所能带给个体的风险和收益的大小，从而做出分享或者不分享的决定。然而每个个体所能感受到的风险和收益又是不同的，因此本文将使用感知风险和感知收益来分别代表信息分享行为中个体面临的风险和收益。

感知风险是指社交网络用户在进行信息分享行为时所带来的潜在的损失，用户在获取便捷的互联网服务时，不可避免地需要披露某些个人信息^[32]，而这些信息有被泄露、窃取和滥用的风险。用户的个人信息有可能会被网站出售^[33]，也有可能被不法分子通过非法手段窃取并从事不法活动^[34]。因此，本研究认为社交网络用户信息分享行为所面临的感知风险主要包括两个方面：信息被盗用和垃圾信息推送。同时李海丹等^[35]的研究表明感知风险对用户隐私披露意愿的产生具有抑制作用。

感知收益是指社交网络用户在进行信息分享行为时为自身所带来的一系列的价值和利益。兰晓霞^[36]的研究发现感知收益（社交收益和功利收益）对相关信息的披露意愿有显著的影响。聂勇浩等^[16]的研究认为社交网站的有用性包括关系性价值、交流性价值、信息性价值和工具性价值四个维度，并且正向影响个人信息披露的意愿。张艳红^[37]的研究表明，信息与工具性、娱乐性和社交便利性正向影响感知收益，而且自我信息表露意愿与感知收益正相关，与感知风险负相关。故本研究认为社交网络用户信息分享行为的感知收益包括两个方面：社交价值以及信息与工具价值。由此提出假设：

H1：感知风险负向影响用户在社交网络上的信息分享行为。

H2：感知收益正向影响用户在社交网络上的信息分享行为。

3.2　调节定向对用户信息分享行为的影响

促进定向个体对积极的结果更敏感并更具有冒险倾向，他们会为了收益的最大化而不惜以可能产生重大损失为代价；而预防定向个体则对消极的结果更加敏感，他们会为了避免损失而放弃更大的收益^[9,28,29,30]。因此，我们认为预防定向个体会更加关注感知收益，从而加强感知收益对分享行为的影响；而促进定向个体则更加关注感知风险，从而加强感知风险对分享行为的影响。故提出以下假设：

H3：用户的预防定向特质显著，会增加对风险的感知。

H4：用户的促进定向特质显著，会增加对收益的感知。

H5：用户的预防定向特质显著，会强化感知风险对用户信息分享行为的影响；用户促进定向显著，会弱化感知风险对用户信息分享行为的影响。

H6：用户的促进定向特质显著，会强化感知收益对用户信息分享行为的影响；用户预防定向显著，会弱化感知收益对用户信息分享行为的影响。

有观点认为用户在微信中的信息发布行为可以分为：①与个人生活相关的描述；②个人观点的展示和表达；③个人基本信息的介绍^[38]。据此，本研究将用户在社交网络上的分享行为总结为两个方面，即私人信息的分享和普通信息的分享。本研究中的私人信息指的是与个人相关的信息，如年龄、手机号、位置、生活、工作等；而普通信息则是指针对某一话题的观点，以及分享歌曲、文章、电影等。根据调节定向理论，本研究认为关注安全和损失的预防定向个体会更注重保护自己的个人信息；而关注收益的促进定向个体会更热衷于信息分享行为。故提出以下假设：

H7：相比于促进定向个体，预防定向个体会分享更少的私人信息内容。

H8：相比于预防定向个体，促进定向个体会分享更多的普通信息内容。

综上所述，本研究提出的理论模型如图1所示。

图1 基于调节定向理论的社交网络用户信息分享行为模型

4　研究设计

4.1　 问卷设计

4.1.1　 设计问卷

本研究采用调查问卷的方式收集数据，问卷共有五部分组成，包括被测者的基本信息、调节定向的测量量表、用户感知风险测量量表、用户感知收益测量量表以及用户信息分享行为测量量表。其中调节定向的测量量表采用了姚琦等^[39]和Higgins等^[40]设计的量表。用户感知风险量表参考了张艳红^[37]和Xu等^[41]对感知风险的测量，用户感知收益综合了聂永浩等^[16]与张艳红^[37]的量表设计，用户信息分享行为量表则以Krasnova等^[42]、王萩^[43]、聂永浩等^[16]与张艳红^[37]设计的量表为基础，根据本研究的目的进行了补充和再设计。量表均采用李克特5分量表进行测量。

4.1.2　 前 测

在完成问卷初稿后，为避免问卷不够完善和被测者不理解问卷题意等情况的产生，特邀请了本专业的2名硕士，非本专业的2名硕士，以及2名在职人员共6人进行了前测。进行讨论和研究后，对问卷的部分语句进行了修改，剔除了具有严重倾向的词语。

4.1.3　 试 测

为了进一步完善问卷，检查问卷的信度，对该问卷进行了试测。采用网上发放问卷的形式，共回收了25份有效问卷，针对自己修改和设计的感知风险、感知收益和用户信息分享行为量表进行信度检验（如表1所示）。从表中可以看出，α值均在0.6以上，且除垃圾信息一项外，其余均在0.8以上，说明该问卷量表的设计良好，可以接受，因此确定最终问卷。

4.2　 数据收集

本研究通过在线问卷的形式进行数据收集，共得到425份问卷，但其中有22个样本显示没有使用过社交网络，故视为无效问卷。通过检查数据发现，有27个样本4个量表填写了一样的选项，故也视为无效问卷，最终共收集到376份有效样本，有效率为88.47%。表2对样本的人口统计学特征作了详细描述。

5　数据分析

5.1　 信度与效度检验

5.1.1　 信度检验

本研究采用Cronbach s α系数来检验问卷的内部一致性。通过计算发现，感知风险量表中测量信息被盗用维度的PR_I4项删除项后的Cronbach’s α值远大于删除前的α值（0.888>0.746），垃圾信息维度的PR_J2项删除项后的Cronbach’s α值也远大于删除前的α值（0.665>0.566），且这两项的平方多重相关性的值也较小（分别为0.024和0.067），故将这两项予以删除，最终得到量表的Cronbach’s α值如表3所示。从表3中可以看出，各变量的Cronbach s α值在0.65以上，且除了垃圾信息PR_J外，其余的值均大于0.7，故量表信度良好，即量表是可靠的。

5.1.2　 效度检验

本研究对感知风险、感知收益和用户信息分享行为量表分别进行了因子分析，经计算3个量表的KMO值均大于0.8，且Bartlett球形检验均在0.000的水平上显著（如表4所示），说明这三个量表的数据适合做因子分析。

本研究采用主成分分析法提取因素，用最大方差法进行旋转。感知风险、感知收益和用户信息分享行为量表旋转后的因子载荷矩阵分别如表5,6,7所示。从表5,6,7中可以看出所有测量项所属的因子载荷值均大于0.64，且除US_P4一项外，其余测量项所属的因子载荷的绝对值均大于0.7，并且在其他因素上的因子载荷的绝对值均小于0.4，且感知风险、感知收益和用户信息分享行为量表因子的累计解释方差分别为79.375%、79.786%和62.114%，均大于60%，故量表的结构效度良好。

5.2　 模型检验

5.2.1　 感知风险、感知收益与用户信息分享行为的关系

为了更清晰准确地用测量维度代表感知风险、感知收益和用户信息分享行为，进而更直接地研究其之间的关系，本研究采用专家打分法^[44]，以问卷的方式向10位本专业同领域的专家进行了调查，请他们回答他们认为的各变量维度所能代表变量的比例（各变量维度比例之和为1），然后将他们的答案汇总平均后得出各维度代表变量的权重，通过加权求和计算出各变量的得分。具体权重如表8所示。

通过SPSS25以强制进入策略对因变量用户信息分享行为和自变量感知风险、感知收益构建线性回归方程，得到的回归方程系数如表9所示，感知风险的系数为负，感知收益的系数为正。回归方程的R为0.368，R²为0.135，并对回归方程进行显著性检验，得到F=29.217，P<0.001，由此可以看出虽然该模型的拟合度较低，但感知风险、感知收益与用户信息分享行为之间的线性关系显著。进一步对回归系数进行检验，结果如表9所示，P值均小于0.05，说明各回归系数显著。另外容差均接近1，VIP值也接近1，说明感知风险与感知收益之间的共线性很弱，因此假设H1和H2 成立。

5.2.2　 调节定向的作用

为了清晰地区分促进定向和预防定向用户，我们改进了崔起等^[31]研究中的方法。通过计算促进定向组的平均得分与预防定向组平均得分的差值，将差值大于差值中位数0.3的样本定为促进定向用户，标记为1，小于差值中位数0.3的样本定为预防定向用户，标记为2，舍弃中间部分的样本，从而确定样本的调节定向的属性。最后共得到256个带有调节定向属性的样本，其中促进定向样本119个，预防定向样本137个。

对感知风险、感知收益、私人信息、普通信息进行以调节为区分组的独立样本t检验，结果如表10上半部分所示。感知收益和私人信息的P值均小于0.05，即促进定向和预防定向用户的感知收益存在显著的差别，且促进定向用户感知收益的均值大于预防定向用户（0.2104>-0.1406），故假设H4成立；促进定向和预防定向用户在私人信息的分享上也存在着显著的差别，然而促进定向用户私人信息分享的均值小于预防定向用户（-0.1661<0.1403），即相比于促进定向个体，预防定向个体会分享更多的私人信息内容，故假设H7不成立。由于其他两个变量或维度的P值均大于0.05，即促进定向和预防定向用户在风险感知、分享普通信息方面无明显差异，故假设H3和H8均不成立。

进一步对用户的调节定向特质对感知风险和感知收益的影响进行分析，对感知风险和感知收益的四个维度，即信息被盗用、垃圾信息、社交价值、信息与工具价值进行以调节为区分组的独立样本t检验，结果如表10下半部分所示。垃圾信息、社交价值和信息与工具价值的P值均小于0.05，而信息被盗用的P值大于0.05，由此可以看出促进定向和预防定向用户在感知风险上的差异不显著，主要是信息被盗用这一变量维度的作用。

将感知风险和感知收益得分分别进行排序，大于其中位数的定为高感知风险和高感知收益组，小于其中位数的定为低感知风险和低感知收益组。以用户信息分享行为为因变量，借助双因素方差分析，分别对不同用户的调节定向特质对感知风险、感知收益在用户信息分享行为上的调节作用进行了验证，发现不同调节定向特质用户对感知风险在用户信息分享行为上的调节作用不显著（F=0.863，P=0.354>0.05），不同调节定向特质用户对感知收益在用户信息分享行为上的调节作用也不显著（F=0.575，P=0.449>0.05），即假设H5和H6均不成立。如图2和图3所示，虽然用户的调节定向特质对感知风险、感知收益对用户信息分享行为的作用有影响，但区别并不显著，也许是样本量还不充足，也许是对感知风险和感知收益的测量还不够准确，这些会在未来进一步研究。

图2 感知风险与调节定向的交互影响

图3 感知收益与调节定向的交互影响

6　结论与讨论

本文针对社交网络用户的信息分享行为，利用调节定向理论和隐私计算理论进行了实证分析和研究，在本研究中证明了感知风险会减少用户的信息分享行为而感知收益会增加用户的信息分享行为。同时，用户的调节定向特质会影响用户对收益的感知，在社交价值、信息与工具价值、垃圾信息的感知上均有显著差异。虽然用户的调节定向特质在发布私人信息上具有显著差异，但却与假设的方向相反，这也许是因为预防定向用户的谨慎小心的特性使得其在社交网络平台上填写的个人信息和介绍相较促进定向用户更真实。在未来还会进行更加深入细致的研究。

现今社交网络平台层出不穷，更新迭代也很快，已逐步形成了垄断局面，用户量成为社交网络平台立足的关键因素。根据以上研究结论，为了帮助社交平台更好地发展，增加或保持用户量，我们对社交平台的建设提出以下建议：①关注用户的隐私保护，避免用户隐私的暴露，降低用户的感知风险，保证用户安全；②在保证原有社交功能的基础上，专注于社交平台的功能建设，帮助用户获得更多的功能，增加用户的感知收益；③对用户群体进行分组推荐，区分用户的调节定向特质，由于促进定向用户能感知到更多的收益，对收益更敏感，为了促进其对平台的使用，可以在不影响用户正常使用的情况下，针对用户的使用情况为其推荐一些有价值的个性应用，增加平台吸引力和用户黏性。

本文的研究虽然得出了一些结论，但依然存在着一些局限性和不足。首先本文的样本量也许还不够充足，且样本以学生为主，趋于年轻化，虽然用户的调节定向特质对收益的感知有影响，但调节定向与感知收益的交互作用对用户信息分享行为的影响没有测量出来。其次，模型的拟合度较低，说明对于用户信息分享行为还有其他未考虑到的影响因素。再次，用户的调节定向特质对感知风险的影响不显著，也许是感知风险的测量不够全面。未来的研究依然会针对社交网络用户的信息分享行为，并结合调节定向理论，扩大样本量和样本范围，寻找影响社交网络用户信息分享行为的因素，完善模型，并研究用户的调节定向特质对这些因素的影响，及其如何进而影响用户信息分享行为，从而为社交网络平台的建设提供更好的建议和理论依据。

参 考 文 献

• 1

  CNNIC. 第41次中国互联网络发展状况统计报告[EB/OL]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201803/P020180305409870339136.pdf.

• 2

  Boyd D M, Ellison N B. Social network sites: Definition, history, and scholarship[J]. Journal of Computer-Mediated Communication, 2007, 13(1): 210-230.

• 3

  李晓娥. SNS社交网站信息分享行为的影响因素[J]. 媒体时代, 2011(4): 18-21.

• 4

  李枫林, 周莎莎. 虚拟社区信息分享行为研究[J]. 图书情报工作, 2011, 55(20): 48-51.

• 5

  蔡剑, 詹庆东. 研究生群体网络信息分享行为动机研究[J]. 图书情报知识, 2012(2): 81-86.

• 6

  Talja S. Information sharing in academic communities: Types and levels of collaboration in information seeking and use[J]. New Review of Information Behaviour Research, 2002, 3(1): 143-160.

• 7

  金晓玲, 房园, 周中允. 探究微博用户原创信息分享行为——基于冲动行为视角[J]. 情报学报, 2016, 35(7): 739-748.

• 8

  Culnan M J, Bies R J. Consumer privacy: Balancing economic and justice considerations[J]. Journal of Social Issues, 2010, 59(2): 323-342.

• 9

  尹非凡, 王詠. 消费行为领域中的调节定向[J]. 心理科学进展, 2013, 21(2): 347-357.

• 10

  Rioux K. Sharing information found for others on the World Wide Web: A preliminary examination[J]. Proceedings of the ASIS Annual Meeting, 2000, 37: 68-77.

• 11

  Wiertz C, Ruyter K D. Beyond the call of duty: Why customers contribute to firm-hosted commercial online communities[J]. Organization Studies, 2007, 28(3): 347-376.

• 12

  Chiu C M, Hsu M H, Wang E T G. Understanding knowledge sharing in virtual communities: An integration of social capital and social cognitive theories[J]. Decision Support Systems, 2007, 42(3): 1872-1888.

• 13

  赵越岷, 李梦俊, 陈华平. 虚拟社区中消费者信息共享行为影响因素的实证研究[J]. 管理学报, 2010, 7(10): 1490-1494, 1501.

• 14

  蔡剑, 詹庆东. 研究生群体网络信息分享行为动机研究[J]. 图书情报知识, 2012(2): 81-86.

• 15

  李晨, 黄灿. 微信用户信息分享行为动机研究[J]. 现代情报, 2015(5): 57-62.

• 16

  聂勇浩, 罗景月. 感知有用性、信任与社交网站用户的个人信息披露意愿[J]. 图书情报知识, 2013(5): 89-97.

• 17

  Dinev T, Hart P. An extended privacy calculus model for e-commerce transactions[J]. Information Systems Research, 2006, 17(1): 61-80.

• 18

  Laufer R S, Wolfe M. Privacy as a concept and a social issue: A multidimensional developmental theory[J]. Journal of Social Issues, 1977, 33(3): 22-42.

• 19

  袁金巧. 基于隐私计算理论的移动医疗服务用户采纳意愿研究[D]. 哈尔滨: 哈尔滨工业大学, 2013.

• 20

  张星, 陈星, 侯德林. 在线健康信息披露意愿的影响因素研究: 一个集成计划行为理论与隐私计算的模型[J]. 情报资料工作, 2016(1): 48-53.

• 21

  赵栋祥, 霍朝光, 范昊. 隐私视角下移动健康管理服务使用意愿的实证研究[J]. 现代情报, 2018(5): 169-175.

• 22

  石硕. 社交网站用户隐私披露行为探究: 隐私计算理论与TPB模型的整合[D]. 南京: 南京大学, 2011.

• 23

  Zhao L, Lu Y, Gupta S. Disclosure intention of location-related information in location-based social network services[J]. International Journal of Electronic Commerce, 2012, 16(4): 53-90.

• 24

  李琪, 王璐瑶, 乔志林. 隐私计算与社会资本对移动社交用户自我披露意愿的影响研究——基于微信与微博的比较分析[J]. 情报杂志, 2018, 37(5): 169-175.

• 25

  Awad N F, Krishnan M S. The personalization privacy paradox: An empirical evaluation of information transparency and the willingness to be profiled online for personalization[J]. MIS Quarterly, 2006, 30(1): 13-28.

• 26

  Kankanhalli A, Tan B C Y, Wei K K. Contributing knowledge to electronic knowledge repositories: an empirical investigation[J]. MIS Quarterly, 2005, 29(1): 113-143.

• 27

  Geers A L, Weiland P E, Kosbab K, et al. Goal activation, expectations, and the placebo effect[J]. Journal of Personality and Social Psychology, 2005, 89(2):143-159.

• 28

  王其菲. 调节定向对不同性别个体风险决策的影响[D]. 西安: 陕西师范大学, 2016.

• 29

  Crowe E, Higgins E T. Regulatory focus and strategic inclinations: Promotion and prevention in decision-making[J]. Organizational Behavior and Human Decision Processes, 1997, 69(2): 117-132.

• 30

  Molden D C, Finkel E J. Motivations for promotion and prevention and the role of trust and commitment in interpersonal forgiveness[J]. Journal of Experimental Social Psychology, 2010, 46(2): 255-268.

• 31

  崔起, 银成钺, 鹿洪蕾. 消费者对不同社会距离下他人评价的反应[J]. 管理学报, 2014, 11(9): 1396-1402.

• 32

  Acquisti A, Brandimarte L, Loewenstein G. Privacy and human behavior in the age of information[J]. Science, 2015, 347(6221): 509-514.

• 33

  张军, 熊枫. 网络隐私保护技术综述[J]. 计算机应用研究, 2005, 22(7): 9-11.

• 34

  Rindfleisch T C. Privacy, information technology, and health care[J]. Communications of the ACM, 1997, 40(8): 92-100.

• 35

  李海丹, 洪紫怡, 朱侯. 隐私计算与公平理论视角下用户隐私披露行为机制研究[J]. 图书情报知识, 2016(6): 114-124.

• 36

  兰晓霞. 移动社交网络信息披露意愿的实证研究——基于隐私计算与信任的视角[J]. 现代情报, 2017(4): 82-86.

• 37

  张艳红. 社交网站用户自我信息表露行为影响因素研究[D]. 北京: 北京邮电大学, 2013.

• 38

  谢新洲, 安静, 王尧. 基于技术接受模型的微信用户信息发布行为研究[J]. 情报学报, 2015, 34(8): 801-808.

• 39

  姚琦, 乐国安, 伍承聪, 等. 调节定向的测量维度及其问卷的信度和效度检验[J]. 应用心理学, 2008, 14(4): 318-323.

• 40

  Higgins E T, Friedman R S, Harlow R E, et al. Achievement orientations from subjective histories of success: Promotion pride versus prevention pride[J]. European Journal of Social Psychology, 2010, 31(1): 3-23.

• 41

  Xu H, Dinev T, Smith H J, et al. Examining the formation of individual’s privacy concerns: Toward an integrative view[C]// Proceedings of the International Conference on Information Systems, Paris, 2008: 6.

• 42

  Krasnova H, Spiekermann S, Koroleva K, et al. Online social networks: why we disclose[J]. Journal of Information Technology, 2010, 25(2): 109-125.

• 43

  王萩. SNS用户信息披露及影响因素研究[D]. 成都: 电子科技大学, 2011.

• 44

  高晓林. 基于德尔菲法和模糊综合评价法的国际工程项目风险分析[J]. 项目管理术, 2018, 16(8): 85-92.