“互联网+”环境下在线教育视频流行度的影响因素研究——以bilibili网站教育视频为例

彭 卫，宋苏娟

(四川农业大学 商学院，四川 成都 611830)

随着教育视频与互联网技术的迅速融合与发展，在线教育视频行业的规模不断扩大。中国互联网络信息中心(CNNIC)发布的《中国互联网络发展状况统计报告》数据表明，截至2019年6月，我国在线教育用户规模高达2.32亿，较2018年底增长3 122万，占网民整体的27.2%[1]。其中，由于在线视频教学方式与传统面授教学方式的相似性，在线教育视频已经成为最受欢迎且最具影响力的一种媒介[2]。近年来，各类网络教学平台如雨后春笋般涌现，各种学习社区内，网络用户分享了大量的教育视频。

面对数量众多的在线教育视频资源，探究哪些因素影响视频的流行度，让用户能够根据这些因素快速找到最受欢迎的视频资源，显得尤为重要。而对于流行度的探究有两个重要方面：一是对流行度的微观过程分析，二是对流行度宏观过程的考察。对微观过程的分析，能够探究影响流行度的因素及其与流行度之间的关系，从而为平台和视频发布者的管理提供指导；而对宏观过程的分析有利于把握视频流行度与社会发展、运行的关系。现有关于宏观过程对视频流行度的影响的研究已相对成熟[3]，但对于微观过程是如何影响视频流行度的研究，尚不全面。尤其是缺乏对发布者社交网络这一社会性因素的影响效应的探究。因此，本文基于信号传递理论，主要从微观过程探究哪些因素会影响在线教育视频流行度，并注重分析了发布者的社会性因素对视频流行度的影响以及其影响机制如何，以期能够对相关领域的研究做出补充。

1 文献回顾和理论模型

1.1 在线教育视频流行度

在线教育视频流行度代表了在线教育视频在某一时刻被用户请求的概率，它反映了某一视频是否被大众所喜爱、是否受欢迎以及是否热门等，是各视频网站的重要绩效衡量指标[4]。也有学者将在线教育视频流行度定义为一段时间内该教育视频被请求的次数，即视频的点播量[5]。

近年来，学术界有关视频流行度的微观研究主要集中在两个方面。一是视频流行度的度量。如Park等人的研究表明，在线评论数量在一定程度上能够衡量流行度[6]。二是对视频流行度的预测。如徐晓枫采用微博数量、搜索量以及视频评论情感这几大指标，对视频的点播量进行预测，发现视频发布后微博中与视频相关的正向评论对视频的点播量影响较强[7]。国内外学者研究还发现，视频用户兴趣、评论数量、弹幕数量以及发布者等级，均与视频流行度有着不可分割的联系。牛抗抗在研究用户兴趣对流行度的影响过程中，发现电影评分、用户行为和电影流行度有较强的关系[8]。周良等指出，视频的评论数量积极影响视频的播放量，但好评数和顶踩数与播放量无显著关系[9]。Saito等提出，基于时间轴的弹幕数量与视频播放量、趣味程度正向相关[10]。Dellarocas等也提出，等级低的发布者发布的内容缺乏公正性，缺乏公正性的内容对消费者的说服力较小[11]。

1.2 信号传递理论

信号传递理论(Signalling Theory)源自信息经济学，由美国经济学家Spence在20世纪末提出。他指出信号是一方发给另一方的信息提示，以达到实现期望结果的目的[12]。信号传递理论是包含信号发送者、信号、信号接受者等要素在内的理论框架。目前采用信号传递理论的探究，主要集中在解释网络口碑、消费者购买意图等线上行为方面。如，Bi等采用信号传递理论模型探究得出，质量信号和电子口碑对出资者的投资决策具有明显的积极影响[13]；Hamuy等以信号传递理论模型为框架，发现网站质量会影响产品质量，进而对消费者的购买意图产生影响[14]。

李昂等指出，信号传递理论在解决信息不对称方面发挥着重要作用[15]。而在虚拟的网络社区中，用户和视频发布者之间面临着信息不对称问题。在这种情境下，用户努力寻找有用的信息以帮助他们识别视频内容的质量。因此，为更好地说明用户判定视频是否值得观看的过程，信号传递理论被引入该研究中。依据该理论，信号发送者(发布者)向信号接受者(用户)发出信号，这种信号在一定程度上能够弥补与视频内容有关的信息不对称的缺陷。而在信号传递理论中，信号发送者是最为重要的要素。根本原因在于，信号发送者是信号的知情人，他们对视频内容有一定的了解，拥有视频观看者未获得的有关网络视频的内部信息；他们通过发出信号，向视频观看者分享自己掌握的信息。

通过对文献的回顾和梳理，我们发现，目前对视频流行度影响因素的探究较为局限，尤其是缺乏视频发布者社会性因素影响效应方面的分析。此外，已有研究主要采用文献梳理和定性的方法对视频流行度进行研究，缺乏实证分析。基于此，本文在已有研究的基础上，引入社会性因素这一视角，基于信号传递理论，主要从与视频内容和视频发布者有关的信号两个方面，探究影响在线教育视频流行度的因素，并通过实证分析对这些因素的影响效果进行验证，本文的研究模型见图1。

图1 在线教育视频流行度的影响因素模型

2 研究假设

2.1 与视频内容有关的信号

2.1.1 投币数

投币是指视频用户为了表达他们对视频发布者贡献的感谢而上传的一种虚拟货币。在Bilibili网站中，虚拟货币被用于多种情况，包括提升用户成员资格和交换新的表情符号等。Jia等提出，视频用户通过对视频的支持和捐赠来表达自己的欣赏[16]。虽然支持是许多视频分享网站提供的传统功能，但向其他用户捐款是一项相对少见的服务。然而，这项服务是Bilibili网站提供的一个关键社交功能，旨在鼓励用户明确地表示他们对视频发布者努力的认可，从而也间接说明视频获得的投币数越多，对视频喜爱和支持的用户也就越多，视频越受欢迎。因此，本文提出假设H1：视频获得的投币数积极影响视频的流行度。

2.1.2 收藏数

目前很多教育视频网站均提供了支持用户保留其感兴趣视频信息的功能，即用户对视频的收藏行为。视频用户的收藏行为清楚地表达出其对某些(或某类)视频具有较高的兴趣度[17]。然而，国内外学者有关用户收藏行为的研究，主要集中在通过用户收藏行为来分析其兴趣分布，并在此基础上对用户进行个性化推荐。而有关用户的收藏行为如何影响视频流行度的探究还很匮乏。基于此，本文提出假设H2：视频获得的收藏数对视频流行度具有积极影响。

2.1.3 转发数

视频的转发数在一定程度上反映出视频对用户的影响力。用户愿意转发视频，首先表明用户比较欣赏和认可该视频。其次，用户对视频的转发会让更多的人了解和观看此视频，进而扩大视频的传播范围。肖兴辉等的研究表明，视频的转发数会积极影响视频的营销效果[18]。此外，视频的转发数也是增加视频流行度的重要方式[19]。基于此，本文提出假设H3：视频的转发数正向影响视频的流行度。

2.1.4 评论数

在线评论是用户在做出决策前，通过浏览评论以获得所需信息的重要来源[20]。在线评论不仅直接反映了用户对商品或服务的主观印象，而且间接包含了产品或服务的客观信息。杜学美等提出，积极的评论对消费者的购买意愿具有显著影响[21]。然而毕继东发现，负面网络评论对消费者的再传播意愿更大[22]。用户判定一部视频是否值得观看，很大程度上会参考其他用户发布的评论[5]。而评论由于长期暴露在大众视野中，其普适性与整体性更强。同时，视频获得的评论数量，可以代表视频的受欢迎程度，评论数量越多，说明视频的吸引力越大。因此，本文提出假设H4：视频的评论数量对视频流行度具有正向作用。

2.1.5 弹幕数

弹幕作为近年来视频互动方式的新宠儿，其在教育视频方面的应用价值已受到很多学者的关注。相关研究表明,弹幕有助于提高视频观看者的参与感，通过与视频内容的交互，能够增强用户在线学习的满意度[2]。目前，如Youtube、云视频等均引入了弹幕功能。弹幕成为在线教育视频的新型接触点，对教育视频网站提升用户黏性、激励用户点播，发挥着至关重要的作用。因此，本文提出假设H5：视频的弹幕数量对视频流行度具有积极影响。

2.2 与视频发布者有关的信号

2.2.1 视频发布者等级

信息源是影响信息可信度的最关键因素之一[23]。视频发布者发出的信号作为视频的信息源，其特征会对视频的流行度产生重要影响。在虚拟网络社区中，视频用户和发布者之间是一种弱相关的关系，他们对视频发布者的个人形象、喜爱偏好、专业水平等缺乏了解，因此在识别视频可信度方面存在困难。而网络视频网站的等级制度，让发布者在身份标志与权威上有了进一步的体现，并在一定程度上反映了发布者的经验与声誉。王晓耘等指出，高等级的发布者比低等级发布者具有更丰富的使用经验，发布的视频内容更真实可靠[24]。基于此，本文提出假设H6：视频发布者的信用等级和视频流行度之间呈正相关关系。

2.2.2 发布者的社交网络

Steffes等定义社交网络为：两个不同用户之间社交关系的强度。在对社交网络的分析中，一个重要的部分是网络中心度[25]。社交网络分为内向社交网络和外向社交网络。已有文献表明，内向社交网络中心度高的用户具有较高的群体声望和可见性优势[26]，他们往往扮演着核心角色。因此，他们发布的视频信息，要比普通发布者发布的视频信息，具有更高的可靠性和有用性。与此同时，视频发布者也会关注视频网站中的其他用户，关注用户的数量可以衡量外向网络中心度[27]。高外向网络中心度的用户，通常能够从其他用户处获得更多有用的信息，即具有较多的信息渠道，从而弥补个体在某方面知识的缺陷。因此，本文提出假设H7a:视频发布者的内向社交网络中心度正向影响视频的流行度；H7b:视频发布者的外向社交网络中心度正向影响视频的流行度。

2.3 控制变量

已有文献指出，如果一个用户发布的视频早于其他用户，那么他发布视频被点播的概率要高于其他发布者，原因是他的视频长期流传在视频用户之间，具有先发优势[27]。因此，在本研究中，为了避免由于视频发布时间长短而导致的视频播放量的差异，本文把视频发布时长作为控制变量。

3 研究数据及变量

3.1 数据收集

本研究采用python语言编写的爬虫框架，爬取了2020年2月1日—4月20日Bilibili网站上的6 889条教育视频数据。选取的教育视频是当下最热门的几类教育视频，包括教学课程、公开课、软件学习等。本文依次爬取了视频内容信息和视频发布者的信息。其中视频信息包括视频获得的投币数、收藏数、转发数、播放量、发布时间等；视频发布者信息包括视频发布者的个人等级、粉丝数、关注数。此外，为保证数据的有效性，我们首先剔除播放量为0的视频，其次去掉有缺省值的视频，最终得到5 102条数据。

选择Bilibili网站主要有以下原因：一是Bilibili网站作为典型的视频网站，有着庞大的注册用户，是中国最受欢迎的弹幕教育视频网站之一；二是Bilibili网站是中国比较权威的网站，该网站包括了几乎所有有关教育的视频，为本研究提供了具有代表性的数据样本。

3.2 研究变量

假设表明，与视频内容有关的信号包括视频获得的投币数、收藏数、转发数、评论数、弹幕数，它们均是连续变量，分别以它们获得的数量来衡量。与视频发布者有关的信号包括视频发布者的等级和内、外向社交网络中心度。其中发布者等级以网站授予发布者的等级指标来测量。发布者的粉丝数代表了发布者的影响力，因此，采用粉丝数来衡量发布者的内向社交网络中心度[27]；发布者的关注数代表发布者的积极性，因此，通过发布者关注他人的数量来测量外向社交网络中心度。对于控制变量，视频发布时长以爬取视频日期与视频发布日期的差值作为衡量指标。对于视频的流行度，借鉴已有文献，通过视频获得的播放量来衡量。变量的具体名称如表1所示。

表1 变量描述

变量的描述性统计表如表2所示，视频流行度的均值约为4 888，而方差约为26 024，远远大于均值，表明存在过度离散的现象。在社交网络中心度方面，发布者的内向社交网络中心度，总体高于发布者的外向社交网络中心度。

表2 描述性统计结果

4 实证结果与分析

4.1 回归模型的设定

本研究采用负二项回归模型对视频流行度进行分析。选择负二项回归模型的原因是：本研究中被解释变量属于计数数据。从表2和其分布可知，视频获得的播放量最小值为1，最大值为853 000，并且其方差远远大于均值，存在过度离散的现象，故采用负二项回归模型比较合适。本研究以Stata软件为工具，采用负二项回归模型探究视频流行度的影响因素。负二项分布是统计学上一种离散概率分布，包含一系列独立的实验，它表示已知一个事件在伯努利试验中每次的出现概率是p，在一连串伯努利试验中，一个事件刚好在第r+k次试验出现第r次的概率如下所示[15,28]：

(1)

x=r，r+1，…，r为固定整数。

结合假设，本研究的具体回归模型为：

视频流行度=β1投币数+β2收藏数+β3转发数+β4评论数+β5弹幕数+β6视频发布时长+β7发布者等级+β8内向社交网络中心度+β9外向社交网络中心度+ε

其中,βj(j=1,2…9)为模型的参数，即各变量的回归系数；ε为随机扰动项

(2)

4.2 模型检验

本文在回归前，为了减弱模型出现的异方差、非正态性以及避免量纲不同所带来的影响，在模型中对部分变量进行了自然对数转换和标准化处理。表3为回归模型结果。我们通过Log likelihood Ratio的显著性和Pseudo R2(Pseudo R2=0.0657)来判断模型的整体拟合效果，根据Log likelihood Ratio显著性(p<0.01)和 Pseudo R2的值[29]可知，本研究的模型拟合优度较好。

由表3可知，与视频内容有关的信号中，投币数、收藏数、转发数、评论数、弹幕数均通过了显著性检验，且它们的回归系数均为正，表明视频获得的投币数、收藏数、转发数、评论数以及弹幕数越多，视频越流行。因此，假设H1、H2、H3、H4、H5成立。

表3 负二项回归结果

在与视频发布者有关的信号中，发布者等级通过了显著性检验，回归系数为正，表明等级较高的视频发布者，发布的视频流行度更高；发布者的内向社交网络中心度也通过了检验，且系数为正，说明发布者拥有的粉丝越多，其发布的视频影响力越大，即假设H6、H7a成立。但对于发布者的外向社交网络中心度这一假设，检验却得出与假设相反的结果，即发布者的外向社交网络中心度对视频流行度具有负向影响。原因可能为：视频发布者所拥有的经验和知识水平会影响视频流行度，具有较多经验和较高专业技能的发布者，其上传的视频可能更受欢迎。如果一个发布者具有较多的经验和较高的专业技能，那么他并不会较多地关注其他用户，因为他所拥有的知识和技能已足以维持自己的信誉，而不需要通过关注别人达到这个目的[30]。根据负二项回归结果，本文所提假设的验证结果汇总见表4。

表4 假设验证结论汇总

5 结束语

5.1 研究结论

本文基于信号传递理论，以与视频内容和视频发布者有关的信号构建在线教育视频流行度的影响模型，并通过实证分析，对该模型进行了检验。结果表明：在与视频内容有关的信号中，视频获取的投币数、收藏数、转发数、评论数、弹幕数均显著影响视频的流行度；在与视频发布者有关的信号中，发布者的个人等级、内向社交网络中心度也显著影响视频的流行度。

5.2 研究意义

在理论方面，以往研究大多采用信息采纳模型和信息接收模型等构建视频流行度的影响因素模型，而本研究以信号传递理论为框架，旨在从一个新的视角探究影响视频流行度的因素。同时，本研究初步考察了发布者的网络中心度等社会网络特征对视频流行度的影响效应，符合教育视频流行度与互联网社会化的融合发展趋势。在实践方面，本研究结论一方面有利于教育视频网站预测视频的流行度，从而可以根据流行度进行排序，优化用户体验，增加用户对网站的黏性；另一方面有利于视频发布者根据评论意见完善视频内容，从而提高自身影响力，增强视频的扩散效果。

5.3 研究局限和展望

本研究也存在一些局限。第一，在探究影响视频流行度的因素时，本研究仅局限于Bilibili这一个视频网站，本文结论是否能够应用到其他视频网站，在未来需要进一步探讨。第二，本研究仅分析了影响教育视频流行度的因素，但对其他类型的视频没有进行探究，以后可以进行更全面、更深入的研究，进而提高结论的普适性。第三，本文选取了部分量化指标来分析其对视频流行度的影响，但未对一些定性指标进行探究，未来的研究可以对此进行改进。除此之外，未来还可以加入弹幕情感和评论情感等一些文本指标进行研究。