1 引 言
随着知识经济时代的到来，知识的合理生产、分配和使用关乎社会经济发展，知识资源已经成为社会发展的重要资源之一。目前，用户对于知识的获取方式不再单一，更偏向利用互联网技术来搜寻和掌握知识。融合网上虚拟社区和社交功能的问答社区已成为知识转移的主要场所，如何科学管理问答社区中的知识，并实现有效的知识转移，这对知识的创新和共享都具有重大的意义。同时知识的转移和知识生产、知识传播一样，都是实现知识创新的必要过程和关键环节，对知识的开发效率和用户整体知识水平的提升都具有重要作用。
目前，针对知识转移的定义，学者们并未达成一致。Szulansk
i[1] 认为知识转移是一种知识共享行为，知识以不同的形式在不同的组织或个体之间进行转移和传播。Nonaka[2] 认为不同个体知识之间的转移是知识管理研究的重要方向，并认为知识转移是不同单元之间的知识传递。Bradley[3] 认为知识转移是知识提供者将知识传递给潜在的知识接收者，而后接收者再对获取的知识进行吸收的过程。刘芳等[4] 认为，知识转移是指不同形态的知识在个体或者群体之间进行转移和传播。谭大鹏等[5] 则把知识转移定义为，知识转移是在受控环境下，实现知识提供者将知识贡献给接受者，从而缩短各知识个体单元的知识距离。结合以上论述，本文认为知识转移是指知识以不同的形式在不同的组织或个体之间进行转移，然而并不是一个单纯的知识传递，是由多个阶段合并成的转移过程，这些阶段主要包括知识自身、知识提供者、接收者，以及知识转移情景等要素。问答社区是以一问一答的形式将知识本身和社区用户连接成一个复杂网络，该网络由社区中的用户网络、知识网络相互作用而形成的混合复杂网络，也称为人际知识网络。用户网络是通过问答社区中提问者与回答者以问题为纽带以及用户间的相互关注和点赞所形成的网络，知识网络是由相关问题和回答以及其所含知识间的关系所构成的话题知识网络[6] 。人际知识网络是知识转移的有效载体，这种以用户和用户间行为关系为主体形成的复杂网络仍然属于社会网络的范畴，也必将受到社会网络的各种要素的影响。因此，问答社区中的知识转移过程会受到个人特征、知识接受意愿、传授能力、社会网络结构以及知识吸收能力等多种因素的影响。本文主要从社会网络结构等客观因素出发，针对问答社区人际知识网络结构探究影响知识转移效率和效果的要素及作用机理。问答社区本质上是一种借助互联网技术形成的知识密集型社会集合体，用户透过社区建立一种社会认知和情感，将知识接受者、提供者与知识本身以网络的形式联系起来，形成稳定的人际知识网络。然而，知识在问答社区网络中转移受到多种因素的影响，人际知识网络对知识转移影响研究是信息科学等领域的一个研究热点。问答社区用户在知识转移过程中长期交流而形成的网络结构中必然存在着强连接和弱连接。Granovette
r[7] 以个人求职行为提出了弱连接优势理论（the strength of weak ties），最先将社会网络中的强连接和弱连接概念引入知识转移当中，分析它们之间的相互作用，并认为用户间的弱连接对知识的转移有促进作用。Levin等[8] 通过真实的公司数据验证二值知识转移模型（two-party knowledge exchange model）并从能力和善心2个维度研究信任对知识转移影响，发现由基于能力的信任所产生的弱连接有助于隐性知识的转移。田慧敏等[9] 将知识从共享和隐藏2个维度进行分类，通过探讨隐性知识转移的特点、过程和影响因素并引入社会网络中的强、弱连接概念，分析弱连接在知识转移过程中的重要作用，并发现弱连接对隐性知识转移可以起到积极的作用。由于知识转移受多方因素影响，学者们采用不同的方法构建知识转移模型以发现知识转移影响要素，改善知识转移效率。张向先等[10] 从知识转移网络结构的视角，通过建立企业研发团队隐性知识转移绩效的影响因素模型，采用主成分分析法提取知识转移影响因素，发现网络社交媒体对隐性知识转移有促进作用，同时鼓励通过虚拟社区或者社会网络来进行沟通和互动，来提高知识转移的效率和效果。部分学者从控制论和系统论角度出发分析网络知识转移效果影响因素，并运用系统动力学进行建模和仿真[11] 。An等[12] 在社会化问答社区的用户需求探索性研究的基础上，运用数理统计分析方法对其进行研究，但是仅对用户问答行为进行了统计分析，并没有对用户所处的网络结构进行深入分析。问答社区作为一种虚拟社区形式，具有对应的知识转移的动态过程，主要是由知识的提供者和接受者共同通过社交和交互行为完成，并且经由中介相连接。因此，问答社区下的知识转移是在由各用户构成复杂的社会网络上进行的，引入社会网络分析法更加符合问答社区下知识转移的特性。Adamic
等[13] 运用社会网络分析方法分析Yahoo问答，将社会网络分析方法引入问答社区知识转移中以确定较为可信的知识提供者和质量较高的知识回答。Shah等[14] 从用户、内容、技术三个维度对问答社区的知识转移过程进行研究，发现用户动机与互动行为、问答信息质量、技术因素等对问答社区的知识转移存在影响。许斌等[15] 从知识转移路径、成本以及用户行为三个方面阐释网络结构对知识转移的影响，并构建网络结构对组织间知识转移的影响机制模型。另外，在问答社区知识转移的过程中，知识转移是依赖于人际知识网络将知识从提供者流向接受者的动态过程，并且受到用户所处网络结构的影响，不同的网络结构对知识的转移产生不同的作用，人际知识网络结构可以通过强弱关系、疏密程度、结构洞、聚类系数、中心势和平均最短路径等指标进行评估建模。综合上述讨论，结合知识在问答社区下人际知识网络中的转移特征，本文引入社会网络相关理论，并在人际知识网络的基础上构建基于社会网络理论的问答社区知识转移模型。首先，基于问答社区人际知识网络结构，考虑网络的疏密程度和强弱关系2个维度的特征，构建问答社区人际知识网络的二维划分模式，然后结合划分模式以及社会网络分析相关理论，构建问答社区知识转移模型。为分析影响问答社区用户知识转移的要素引入社会网络分析中的结构洞、聚类系数、中心势和平均最短路径指标以及强弱关系、疏密程度网络特征系数作为问答社区用户知识转移模型中影响因素的测度指标。最后，通过对MetaFilter问答社区用户行为数据分析，揭示问答社区人际知识网络结构特征对用户知识转移的影响。
2 理论模型
2.1 问答社区知识转移模型
问答社区是以一问一答的形式，将知识本身和社区用户构建成为一个复杂的网络，为用户提供社区问答形式的知识转移服
务[16] ；人际知识网络是用户为了获取知识和其他社会资源，通过和其他成员进行互动而形成的社会关系网络，知识可借助网络关系在该网络中进行有效的传播和转移。然而，人际知识网络作为一个社会网络，也必将受到社会网络各要素的影响，有些要素会对人际知识网络产生积极影响，进而促进知识的有效转移，而有些则会阻碍知识转移的实现。因此，了解不同的网络是理清关键影响要素的基础。问答社区人际知识网络结构如图1所示。为此，本文尝试从网络的疏密程度和节点间关系强度2个维度解读问答社区中用户知识转移规律。根据网络疏密程度可分析社会网络的网络规模，根据节点间的关系强度可对整体网络进行类型划分，如强关系网络和弱关系网络，依据这2个维度，人际知识网络就可以分为4类：强关系紧密网络、强关系稀疏网络、弱关系紧密网络和弱关系稀疏网络，如图2所示。
强弱关系在网络中起着不同的作用，用户容易在弱关系网络中获取新知识，弱关系是知识发现和知识创新的基础，但弱连接不利于复杂知识的转移；强连接容易产生冗余信息，但利于对复杂知识的转
移[7] 。网络强弱关系可由社会网络分析中的互惠性指标测量。如果个体网络密度高于整体网络密度，那么该网络为紧密型网络，反之则为稀疏型网络。人际知识网络的演变伴随着知识的转移，不同的网络结构对知识转移的效果产生着不同影响。也就是说，4种不同类型的网络中知识转移会受到不同网络要素的影响。在问答社区下，一旦问题被创建并赋予标签，就表示知识提问者发出知识请求，等待知识提供者的知识贡献。随着社区中新标签的出现，新的人际知识网络也就随之建立。网络的构建需要一个过程，在此过程中网络结构在不断变化，网络中的知识转移效果也是动态变化的。网络形成初期，人际知识网络结构比较疏松，用户节点间的连接强度相对较弱，属于模式中的弱关系稀疏网络。随着网络不断壮大，某些用户在特定的话题（标签）下比较活跃，善于贡献自己的知识并积极与其他的用户建立问答或者评论关系，这样就形成了互惠性较大的强关联网络。另外，如果某一个话题下的问题被很多人关注并且吸引了很多人来参与，那么该网络的规模会逐步变大，形成一个紧密型的网络。因此，问答社区知识转移受人际知识网络演进过程中4种网络类型的作用，同时，任何网络结构都可以利用社会网络分析中的结构洞、网络聚类程度、网络中心势和平均最短路径等要素进行分析，以探究哪种结构的人际知识网络会对问答社区中的知识转移起到积极的作用。基于以上分析，本文构建了问答社区知识转移模型，如图3所示。
2.2 知识转移影响因素测度指标
为深入剖析人际知识网络的网络结构和定量测度人际知识网络的各种因素对问答社区知识转移的作用机理，本文采用社会网络分析的多种测度指标，包括网络密度、结构洞、网络中心势、平均最短路径（测地距）、聚类系数来反映人际知识网络中知识转移的影响因素和转移效果。
（1）网络密度（density of net）：表示网络中已存在的连接数与每个节点可能与其他人相连接的数量之比。根据网络的有向和无向，分为2种计算方式，无向网络的网络密度计算方法为
有向网络的网络密度计算为
式中，n为用户数目；m为节点间边的数目。
（2）结构洞（structure hole）：它作为节点和节点之间连接“桥”的功能，可以提供更多有用和有价值的信息与知
识[17] 。通常有4个指标测度结构洞：有效规模（effective size）、效率（efficiency）、限制度（constraint）以及等级度（hierarchy）。其中，限制度是测度结构洞的重要指标，本文采用限制度来衡量网络的结构洞。有效规模的计算公式可表示为限制度的计算方法为
式中，j表示节点i相连的所有点；q是除了i或者j节点之外的第三接点；
（3）点度数（degree of actors）：主要是指中心度（centrality）即某一个节点在社会网络中的地位和重要性，分点度中心度（point-centrality）和网络中心势（graph centrality）2种。网络中心势刻画整体网络的中心性，同时表示一个图在多大程度上围绕某个或某些特殊点构建起来，网络中心势计算公式为
式中，
（4）测地距（geodesic distance）：也称最短路径，是指社会网络当中某个节点与其他节点之间的平均最短距离的平均值，值越小越有助于知识转
移[18] ，用式中，
（5）聚类系数（clustering coefficient）：表示网络中的某一个节点的邻接点和其他邻接点之间实际相连的数量与可能相连的数量比值。同时，体现网络节点间联系的密切程度以及网络的凝聚
力[19] 。网络聚类系数计算公式为式中，
本文将整体网中的网络聚类程度的平均值设定为衡量的标准。如果个体网络中的网络聚类程度大于该平均值，该网络就属于聚类程度大的网络；如果小于整体网络聚类程度的平均值，则判定该个体网络属于聚类程度小的网络。网络的聚类程度
式中，
由于聚类系数大于或小于整体网络的聚类系数都不利于知识的有效转移，同时，人际知识网络的平均最短路径长度越小越有利于知识的转移，因此，本文构造的人际知识网络综合指标测度F的计算公式表示为
式中，
（6）互惠性（reciprocity）：表示网络中的任意2个节点是否为邻接点。测量互惠性的方法是关注二元组，然后计算该二元组中互惠连结对所占的比例：
式中，R表示互惠性；n表示节点数；m表示网络中边的数量。
3 实证分析
3.1 数据来源与处理
本文实证数据来源于国外著名社交网站MetaFilter（www.metafilter.com）中的AskMe版块2016年全年的问答记录，数据包括不同种类的数据表：commentdata（回答数据表）、contactdata（联系人数据表）、postdata（问题数据表）、posttitles（问题标题数据表）、tagdata（标签数据表）、usernames（用户名数据表）、favoritesdata（点赞/投票数据表）等。表格间相互关联，获取问答数据量为198776条。由于数据分别处于不同的表中，本文对数据进行了处理，剔除了无关数据并合并多张表，如将问题和回答者进行合并，就需要将postdata表中的postid值和commentdata表中的userid值进行一一对应的合并。
3.2 人际知识网络分析
人际知识网络本质上属于社会网络，本文应用社会网络分析法对强关系紧密网、强关系稀疏网、弱关系紧密网和弱关系稀疏网4种网络进行分析，以探究网络结构对问答社区知识转移的影响。由于个体网络中的网络密度、聚类系数等指标属于相对值，即需要以全网络的相应指标作为参考，因此在对4种类型的网络进行分析前，需对全网络相应指标进行测度。首先，采用resolved标签里的样本构建用户-用户网络，然后经过UCINET测算，得出用户-用户矩阵的网络密度为0.0484，标准差为0.217。因此，用户网络的密度较为松散，松散的网络类型中的知识趋向于异质性，利于知识转移。网络节点间的中心势为0.283，平均限制度为0.167，聚类系数为0.567，平均最短路径为2.711，平均互惠性为0.450，如表1所示。
根据以上指标数据可发现，整体网络中心势为0.283，其向心趋势不明显，仅形成了少数的几个核心节点，这些核心节点在某些程度上也会控制网络的知识转移，但大部分知识流不依赖某个节点；鉴于整体网络的平均限制度为0.167，且限制度越小越能促进知识的转移，说明整体知识网络下的知识转移效果明显；整个网络的聚类系数为0.567，相对整个网络的聚类系数，子网络的聚类系数过高或者过低都不利于知识的转移，只有接近整体网络的聚类系数才是理想的指标；整体网络中节点和节点的平均最短路径为2.711，即整体网络中每人只需通过2.711个人就可以建立起联系。由此可见，本文中整体网络是具有小世界效应的，用户之间的知识交流比较紧密，知识的转移效果显著。
3.2.1 强关系紧密网络测度分析
对于研究不同类型的社交网络对问答社区知识转移的影响，要根据网络类型抽取相应的数据集，研究强关系紧密网络的数据来自research标签下的问题以及相关用户，共49个问题和327个用户。将问题-用户关系转换为用户-用户415×415的关系邻接矩阵，然后导入UCINET工具中进行分析。如图4所示，图4a为问题-用户关系可视化图，图中三角形黑点表示问题节点，圆形为用户节点，圆形越大表示该用户节点的知识贡献量越大（图5a、图6a、图7a的图形含义相同）；图4b为用户-用户关联的可视化图（以下称为research网络）。
经过UCINET的相关计算得出research网络的密度为0.0517，标准差为0.268，大于整体网络密度，于是该网络是紧密型网络，其互惠性值为0.5023，高于整体网络互惠性。因此，research网络为强关系紧密网络。research网络中心势为0.132，低于整体网络，表明此网络的网络密度虽然大，关系连接比整体网络紧密，但中心倾向比整体网络小，同时也说明了网络密度测度指标与网络中心势没有相关性。所以也从侧面反映了研究人际知识网络中，知识转移的影响因素，不能仅仅只考虑某一个指标。research网络中具体用户的结构洞指标分析如表2所示。从表中的数值可以看出，用户的有效规模指数较大，这些用户在网络当中占据着结构洞的位置，平均限制度为0.231，高于整体网络平均限制度，有利于知识在用户间的转移。
表2 research人际知识网络结构洞指数表（前10位）
Userid EffSize Efficie Constra Hierarc 93668 55.952 0.710 0.045 0.059 91263 47.807 0.598 0.046 0.046 115705 42.013 0.569 0.047 0.042 16130 42.417 0.533 0.048 0.049 188822 42.417 0.533 0.048 0.049 155270 35.606 0.531 0.051 0.039 86865 32.360 0.480 0.053 0.042 226903 32.360 0.480 0.053 0.042 32440 40.782 0.646 0.056 0.054 134638 38.082 0.636 0.056 0.056 … … … … … research网络聚类系数为0.629，略高于整体网络聚类系数，表明强关系紧密网络容易形成“小团体”，即小世界效应较为明显，通过
3.2.2 强关系稀疏网络测度分析
从resolved相关的标签中提取science标签下的问题和用户数据。本次获取了56个问题和529个用户。经分析，science网络的网络密度为0.0409，低于整体网的网络密度；science网络的互惠性指数为0.452，略高于整体网的互惠性指数。因此，science用户网络属于强关系稀疏网。如图5所示，图5a为问题-用户关系可视化图，图5b为用户-用户关联的可视化图（以下称为science网络）。与research的人际知识网络图对比，science网络的点比较多，但相对稀疏。
通过UCINET分析，science网络中心势为0.618，低于整体网络中心势，但高于research网络的中心势，说明尽管该网络的用户节点数和research网络相当，但是用户的数量和中心势并不相关。science网络的平均限制度为0.157，低于整体网络，说明science网络的结构洞数目多于整体网，更易于知识的转移。其中结构洞指标的限制度最小的前10位用户如表4所示。
表4 science人际知识网络结构洞限制度指数表（前10位）
Userid EffSize Efficie Constra Hierarc 74248 109.226 0.775 0.026 0.064 111446 64.572 0.673 0.035 0.049 153873 66.751 0.738 0.036 0.060 176913 65.974 0.692 0.037 0.051 27529 50.163 0.614 0.039 0.046 47357 56.680 0.646 0.039 0.052 51234 48.207 0.598 0.041 0.044 86816 56.242 0.663 0.041 0.055 85168 54.198 0.696 0.041 0.053 126100 53.411 0.647 0.041 0.053 … … … … … science网络平均路径长度为2.8，略大于整体网，对节点间知识转移存在负面影响。science网络聚类系数为0.584，网络聚类程度为0.045，接近整体网络的聚类系数，而且低于research网络，对知识的转移具有促进作用。将science网络中的4种指标代入公式(2)，并将结果呈现在表5中。最后得出的F值为0.367。
3.2.3 弱关系紧密网络测度分析
为更好地分析弱关系紧密网络，提取了computers标签的相关数据，共有50个问题和321个用户数据，数据量与research标签下的数据量相近。对数据预处理后生成问题-用户社会网络（图6a）和用户-用户邻接矩阵并将其可视化（图6b）（以下称为computers网络）。
通过UCINET分析，computers网络密度为0.0492，高于整体网的网络密度，computers网络中心势为0.172，高于research和science网络中心势。computers网络的平均限制度为0.192，高于science网络，但低于research网络。同时，整理了computers网络中结构洞的限制度最小的前10位用户，如表6所示。
表6 computers人际知识网络结构洞限制度指数表（前10位）
User EffSize Efficie Constra Hierarc 20036 66.525 0.743 0.038 0.066 43875 70.018 0.749 0.041 0.072 86816 57.010 0.720 0.044 0.075 112417 54.068 0.714 0.045 0.070 74043 49.134 0.685 0.047 0.059 226903 44.644 0.703 0.049 0.059 40206 40.951 0.638 0.051 0.056 46570 42.033 0.689 0.052 0.060 165186 36.524 0.631 0.053 0.053 153873 40.678 0.679 0.054 0.061 … … … … … computers网络聚类系数为0.575，网络聚类程度0.054，相比science网络的聚集程度更接近整体网络，对知识转移有正向作用。computers网络的平均路径长度为2.817，稍大于science网络的平均距离。将computers网络中的4种不同影响因素指标的测度计算后代入公式(2)中，并将结果呈现于表7。最后得出的F值为0.310。
3.2.4 弱关系稀疏网络测度分析
通过采集internet标签下的数据，对弱关系稀疏网络进行分析，共包括89个问题和604个用户。对数据预处理后生成问题-用户社会网络（图7a）和用户-用户邻接矩阵并将其可视化（图7b）（以下称为internet网络）。经计算，internet网络密度为0.0351，互惠性为0.437，2个指标都低于整体网络，因此该网络属于一个弱关系稀疏型网络。
通过UCINET分析，internet网络中心势为0.118，该网络的中心势指数也是所有网络当中最小的，因此该网络较为松散。internet网络的平均限制度为0.175。相比较而言，2个稀疏型网络的限制度比2个紧密型网络的限制度要低，说明前者的2个网络的结构洞指数比后者大。internet网络中结构洞指标的限制度最小的前10位用户如表8所示。
表8 internet人际知识网络结构洞限制度指数表（前10位）
User EffSize Efficie Constra Hierarc 118205 78.618 0.618 0.028 3.000 20036 81.686 0.722 0.030 6.000 36102 69.526 0.556 0.031 2.000 74043 74.548 0.676 0.031 4.000 34848 76.508 0.736 0.033 7.000 81104 68.883 0.644 0.033 3.000 292 81.589 0.731 0.034 10.000 154648 48.696 0.493 0.035 3.000 14786 53.229 0.502 0.035 2.000 20558 45.505 0.628 0.042 4.000 … … … … … internet网络的聚类系数为0.579，略高于computers网络的聚类系数，网络聚类程度0.05，低于research和computers网络，较为接近整体网络。将internet网络中的4种指标代入公式(2)，并将结果呈现在表9中。最后得出的F值为0.213。
3.3 人际知识网络模式与知识转移
通过采取社会网络分析方法对4种不同的网络模式进行数据分析，结合问答社区中的真实数据，运用社会网络分析指标量化不同网络模式对知识转移的影响。为了更好地对分析结果指数进行可视化表示，鉴于不同评价指标具有不同的量纲和量纲单位，需要进行分析结果数据的标准化处理，以解决数据指标间的可比性问题。本文主要采取min-max标准化（min-max normalization）对结果数据进行线性变换，为了避免分析结果出现0的现象，在标准化了的数据基础上加0.1，以使得结果数据的坐标表示更加清晰，即结果值映射到[0.1,1.1]。转换函数参见式(10)：
式中，max为结果数据的最大值；min为结果数据的最小值；x为结果数据。归一化后的分析结果数据如图8所示。
由以上对各知识网络的分析结果（图8）可知，强关系稀疏网络的综合影响指数最大，而强关系紧密网络的指数却最小，因此网络的稀疏属性在知识转移的过程中起到关键作用。本文将结合社会网络分析指标从疏密、强弱2个维度探讨网络疏密程度和强弱关系对知识转移的影响。
1）疏密网络与知识转移
为进一步探究网络结构特征对知识转移的影响，结合问题-用户网络深入分析网络疏密程度对知识转移过程的作用机理。从以上分析结果（图8）可知，强关系稀疏网络综合指标远大于强关系紧密网络的指标值，表明网络稀疏性在知识转移过程中具有重要作用。对比表3和表5发现，限制度、网络中心势以及聚集程度数值差异性明显。稀疏网络的限制度偏小，说明稀疏型网络的结构洞较多，知识贡献量大的用户节点处在关系“稠密”地带之间，位于结构洞上的用户易接触到多种异质的知识源，对该网络的知识转移起到显著的影响。稀疏网络中心势较高，表明网络节点用户对某一问题的集中程度较强，讨论的话题较为集中，便于用户间知识转移。稀疏网络的聚集程度低，稀疏网络中的用户易获取多源知识，便于与不同知识群体交流，贡献自己的知识，进而促进知识创新。例如，science网络中id为“226903”的用户在science人际知识网络中提交过10次回答，且该用户处在一个结构洞的位置上，对与其相连接的用户群体影响显著，同时，从它的回答获得的“favorite”和“best answer”参数也可以推测出该用户是一个高质量回答的用户。而紧密型网络限制度高，网络的有效规模小，research标签和computers标签下的网络呈现出偏均质化，出入度大的节点虽然连接着“稠密”的关系，但并未形成一个很有效的规模，结构洞较少。此外，internet网络作为一个稀疏型的网络，它展现出了一个异质性网络的特征，异质性的网络容易为用户提供不冗余的知识，并且容易扩大知识搜寻的范围和形成互不相交的“知识圈”。因而对于稀疏型的网络而言，人际间的情感和认知信任就成为该网络结构所需要考虑的重点。同时，science网络作为稀疏网络，用户易从不同的信息源去获取知识，同时也存在不同知识群体用户乐于贡献自己的知识。这样不仅促使用户获得新知识，而且对知识创新起到积极作用。例如，science网络中，id为113930的用户提交过4次回答，并且3次获得最佳答案，该用户收获了62次“favorite”。通过其个人主页，发现该用户关注的领域不仅涉及科学，还有创新、工程学、创造论等，而且该用户还曾在网络、无线等领域提出问题，并获得了其他人的知识贡献。因此该用户通过与不同领域用户的交互行为获得新知识，丰富自身知识库。据此，稀疏型网络对网络中知识的转移具有促进作用，易使用户从问答社区网络中获取知识。
2）强弱关系网络与知识转移
为了更好地研究网络强弱关系对知识转移的影响，需要对网络结构进行剖析，发掘问答社区知识转移影响机理。观察图8可发现，强关系网络的聚类系数要高于弱关系网络的聚类系数，群体之间的同质性较高，容易形成小规模的群体。强关系容易促使知识结构相似的个体间形成强连接，进而发展为私人的、熟悉的人际关系，加强网络个体间信任的基础。由此可见，强关系和弱关系网络主要区别是强关系网络善于构建更信任的关系。对于信任的表现是相信知识源的可靠性，而知识源的可靠性在问答社区中可以用“favorite”和“best answer”来表征。例如，在science网络中，id为29049
4[20] 的提问者是咨询一个化学模型当中的目镜知识，其中有2位用户的答案被评为“best answer”，并且获得了最多的“favorites”，而该问题的提问者也以“Yes!!!Thank you!”的回复对回答者的贡献表示感谢。通过进一步分析，这2位用户在science网络里共提交过5次回答，其中用户id为18479的用户一共得到了742个“赞同”，表明该用户在问答社区中建立了较为信任的关系。强关系网络容易为用户建立更多的交流机会，同时促使问题的答案更趋近客观和正确。同时，如图8所示，在维持疏密程度不变的情况下，强关系网络比弱关系网络的约束性小，在结构洞方面的优势则更加突出。强关系网络中的用户节点作为知识转移的必经节点，对问答社区用户间知识的转移具有控制作用，可以充分利用从不同的知识源获取的知识。无论他们在网络当中作为知识的提供者还是知识的接受者，都会极大地降低社会网络中知识转移的成本。因此，强关系网络不仅网络规模较大，而且有利于复杂知识的转移，易于获取多源知识，便于与不同知识群体交流，有利于用户获取满意的答案，从而提高知识转移的效果。通过比较综合指数F值可知，强关系稀疏网和弱关系紧密网较其他类型网络对问答社区知识转移起到的促进作用更大。但是强关系稀疏网络F值为0.367，略高于弱关系紧密网络的F值0.310，从微观角度分析2个网络的区别发现，前者的平均最短路径和聚类系数均大于后者，从这个角度而言，前者的小世界效应比后者更佳显著，因为“小世界”的特征就是传递速度快、路径短且具有较高的聚类程度等。通过UCINET计算两者的传递性（表10），可以发现强关系稀疏网的有序三元（ordered triple）传递性为68.46%，而弱关系紧密网的传递性为62.46%，因此进一步验证了强关系稀疏网的小世界效应更加显著。
从图8中发现，强关系稀疏网络和弱关系紧密网络的网络中心势明显高于弱关系稀疏网络和强关系紧密网络。由于网络中心势受到网络密度和网络关系强度的影响，根据网络密度与互惠性定义可知，网络密度越大，网络中心势越小，越不利于知识的转移；而关系强度越强就意味着互惠性较大，即用户节点的二元组对数量越多，中心势也就相对越大。因此，网络密度和关系强度同时过大或者过小均会从不同的方向影响着网络中心势，只有将两个指数分散，使网络处于一个互补的状态，才会提高网络中心势的指数。由此可知，社会网络中并不会有某一个指标对知识转移起决定性作用，而是多个指标共同作用，一个优势的网络也会有个别指数较低的可能，所以可综合各网络测度指数来判断问答社区知识转移的状态，以便提出优化建议和策略，引导问答社区的健康发展。
4 结 语
鉴于知识转移在人际知识网络中具有动态性且受社会网络要素的影响，在人际知识网络结构的基础上构建问答社区知识转移模型，结合社会网络要素，探究强关系紧密网络、强关系稀疏网络、弱关系紧密网络和弱关系稀疏网络4种网络类型对人际知识网络中的知识转移过程的影响。通过引入结构洞、网络聚类系数、网络中心势和平均最短路径等社会网络分析指标，并结合自定义的综合影响指标分析实验数据来对不同类型的人际知识网络进行评价。分析表明，强关系稀疏网和弱关系紧密网对问答社区知识转移起到促进作用，但强关系稀疏网络的小世界效应比较显著，具有较好的知识转移效率，这是因为“小世界”的特征是传递速度快、路径短且具有较高的聚类程度等。结构洞限制度指标的大小影响着知识搜寻范围，以及知识的冗余程度。由于稀疏型网络的结构洞较多，稀疏性网络对知识转移具有促进作用。聚类系数是区别网络强弱关系的主要指标之一，强关系网络的聚类系数要高于弱关系的聚类系数，其值越高说明群体间的同质性越高，易于形成小规模群体，利于发展私人的、熟知的关系，形成个体间的信任基础，即强关系网络善于构建更加信任的关系。网络中心势指标受多因素影响，网络密度和网络关系强度同时过大或者过小都会影响到网络的中心势，只有将2个指数分散，使网络处于互补的状态，才会提高网络中心势的指数。社会网络知识转移的效果并不是由某一个指标所决定的，而是多个指标共同作用的结果，只有综合考虑各个指标，调节网络结构才能使知识转移效果最大化。
参 考 文 献
- 1
Szulanski G. Exploring internal stickiness: Impediments to the transfer of best practice within the firm[J]. Strategic Management Journal, 1996, 17(S2): 27-43.
- 2
Nonaka I. A dynamic theory of organizational knowledge creation [J]. Organization Science, 1994, 5(1): 14-37.
- 3
Bradley M. Working knowledge: How organizations manage what they know[J]. New Library World, 2000, 101(6): 282-287.
- 4
刘芳, 欧阳令南. 跨国公司知识转移过程、影响因素与对策研究[J]. 科学学与科学技术管理, 2005, 26(10): 40-43.
- 5
谭大鹏, 霍国庆, 王能元, 等. 知识转移及其相关概念辨析[J]. 图书情报工作, 2005, 49(2): 7-10, 143.
- 6
Wang G, Gill K, Mohanlal M, et al. Wisdom in the social crowd: An analysis of quora[C]// Proceedings of the 22nd International Conference on World Wide Web. New York: ACM Press, 2013: 1341-1352.
- 7
Granovetter M. The strength of weak ties: A network theory revisited[J]. Sociological Theory, 1983, 1: 201-233.
- 8
Levin D Z, Cross R. The strength of weak ties you can trust: The mediating role of trust in effective knowledge transfer[J]. Management Science, 2004, 50(11): 1477-1490.
- 9
田慧敏, 李南, 邓丹. 弱连接在促进隐藏隐性知识转移中的作用[J]. 科技进步与对策, 2005, 22(6): 18-20.
- 10
张向先, 李昆, 郭顺利. 企业研发团队隐性知识转移绩效的影响因素及实证研究——基于知识生态的视角[J]. 情报理论与实践, 2016, 39(10): 57-64.
- 11
侯贵生, 邱源, 杨磊. 网络学习平台的知识转移效果影响因素研究[J]. 情报科学, 2016, 34(9): 78-82.
- 12
An Z, Ongyi G, Koutrika G, et al. Questioning Yahoo![EB/OL]. [2019-05-11]. http://ilpubs.stanford.edu:8090/819/1/2007-35.
pdf.
- 13
Adamic L A, Zhang J, Bakshy E, et al. Knowledge sharing and Yahoo answers: Everyone knows something[C]// Proceedings of the 17th International Conference on World Wide Web. New York: ACM Press, 2008: 665-674.
- 14
Shah C, Oh S, Oh J S. Research agenda for social Q&A[J]. Library & Information Science Research, 2009, 31(4): 205-209.
- 15
许斌, 张朝宾, 吴洁, 等. 网络结构对组织间知识转移的影响机制研究[J]. 图书情报工作, 2010, 54(24): 108-111, 17.
- 16
Bell G G. Research notes and commentaries: Clusters, networks, and firm innovativeness[J]. Strategic Management Journal, 2005, 26(3): 287-295.
- 17
Burt R S. Structural hole: The social structure of competition[M]. Cambridge: Harvard University Press, 1992.
- 18
Cowan R, Jonard N, Özman M. Knowledge dynamics in a network industry[J]. Technological Forecasting and Social Change, 2004, 71(5): 469-484.
- 19
Dyer J H, Nobeoka K. Creating and managing a high-performance knowledge-sharing network: the Toyota case[J]. Strategic Management Journal, 2000, 21(3): 345-367.
- 20
MetaFilter is a Q&A community[EB/OL]. [2016-6-20]. http://ask.metafilter.com/290497/Need-help-identifying-eyepiece-from-an-old-chemistry-science-set#4207707.
- 1
摘要
为了探究网络问答社区中用户知识转移的影响要素与作用机理，本文引入社会网络分析法，构建了问答社区知识转移模型。通过分析MetaFilter问答社区人际知识网络结构，结合社会网络分析中的网络密度、结构洞、中心势、平均最短路径、聚类系数指标，揭示强关系紧密网络、强关系稀疏网络、弱关系紧密网络和弱关系稀疏网络4种不同类型的网络结构对问答社区用户知识转移的影响。分析结果表明，强关系稀疏网和弱关系紧密网对问答社区知识的有效转移具有促进作用。结构洞限制度越小，网络越稀疏，用户也会有更多的机会接触到多种异质的知识源；平均最短路径越小，小世界效应越显著，网络中知识交流更畅通；聚类系数过高或者过低都有碍于人际知识网络中知识的转移，接近于整体网络聚类系数将有助于知识的转移，并通过聚类程度指标来测量；网络中心势越大，用户在网络结构中的位置越重要，用户间的联系越紧密，对知识的转移起到显著的影响。但是，社会网络分析指标并不仅由某一个指标对知识转移起决定性作用，而是多个指标共同作用的结果，知识转移的优势网络也存在个别较低指数。探求不同网络结构对问答社区用户知识转移的影响，可以根据各指标系数调节网络结构，提高知识转移效率和效果。
Abstract
To explore the influencing factors and mechanisms of user knowledge transfer in Q&A community networks, this study proposes a knowledge transfer model for Q&A communities by introducing social network analysis (SNA). This study first analyzes the interpersonal knowledge network structure of the MetaFilter Q&A community while considering net density, structural holes, central potential, average shortest path, and the clustering coefficient of SNA. The study then inspects the structures of the following four types of networks and their effects on knowledge transfer in the Q&A community: strong-and-sparse ties, weak and tight ties, strong and tight ties, and weak and sparse ties. The results of the study indicate the following. (1) Both strong-and-sparse and weak-and-tight ties networks contribute to knowledge transfer in a Q&A community. (2) When the restrictiveness of structural holes is lower and the network is sparser, users can more easily gain access to heterogeneity knowledge sources, and the average shortest path is shorter. In addition, the small-world effect is more obvious, and users can more effectively exchange knowledge. The clustering coefficient has a two-part effect in which it is neither higher nor lower. When it approximates the results of the entire network, it contributes to knowledge transfer. Furthermore, a higher central potential indicates that the relations of users are very close, and thus it has a greater influence on knowledge transfer. (3) Although the SNA index has a decisive role in knowledge transfer, some indices have a joint effect. An efficient network may still have several low indices. In summary, this study explores the influence of different network structures on knowledge transfer to enable network structures to be adjusted based on index coefficients, thereby improving the efficiency of knowledge transfer on Q&A communities.
