开放式创新平台用户交互、信息冗余与知识贡献研究

戚桂杰 李娜 王凯平 徐琳越

收稿日期：2020-04-13

基金项目：国家自然科学基金项目“企业开放式创新平台模式与组织特质动态匹配研究”（项目编号：71572097）。

作者简介：戚桂杰（1963-），男，教授，博士生导师，研究方向：企业信息化、开放式创新平台。李娜（1995-），女，硕士研究生，研究方向：开放式创新平台、大数据分析。王凱平（1972-），男，副教授，博士，研究方向：信息系统与电子商务、大数据分析、商务智能。徐琳越（1996-），女，硕士研究生，研究方向：数据挖掘。

摘  要：[目的/意义]对于一个创新平台的繁荣与发展来说，用户间进行社交互动并为平台做出贡献是至关重要的。因此，本文研究用户交互中的内容特征（信息冗余）对用户知识贡献的影响。[方法/过程]爬取典型开放式创新平台（LEGO IDEAS）的数据，使用Python NLTK包挖掘创意文本内容，并结合信息论中的冗余度计算方法和零膨胀负二项回归模型进行实证分析。[结果/结论]结果表明，用户交互过程中获取的信息量正向影响用户知识贡献，促进用户发布更多创意，但当获取的创意之间存在冗余信息时，信息冗余会调节获取信息量对用户知识贡献的影响。

关键词：开放式创新平台;用户交互;信息冗余;用户知识贡献

DOI：10.3969/j.issn.1008-0821.2020.12.005

〔中图分类号〕G203  〔文献标识码〕A  〔文章编号〕1008-0821（2020）12-0045-10

Research on User Interaction，Information Redundancy and

Knowledge Contribution of Open Innovation Platform

Qi Guijie  Li Na  Wang Kaiping  Xu Linyue

（School of Management，Shandong University，Jinan 250100，China）

Abstract：[Purpose/Significance]For the prosperity and development of an innovative platform，it is very important for users to have social interaction and contribute to the platform.In OIP environment，information interaction between users is frequent and the amount of information is increasing day by day.A large number of repeated and similar information makes information redundancy a problem that cannot be ignored gradually.Therefore，this paper studies the influence of content characteristics（information redundancy）in user interaction on user knowledge contribution.[Method/Process]The paper crawled the data of typical open innovation platform（LEGO IDEAS），used Python NLTK package to mine creative text content，and combined redundancy calculation method in information theory and zero inflated negative binomial regression model to make empirical analysis.[Result/Conclusion]The results showed that the amount of information acquired during user interaction positively affected the users knowledge contribution and promoted users to publish more ideas.However，when there was redundant information between the acquired ideas，information redundancy would adjust the influence of the acquired amount of information on the users knowledge contribution.In the process of user innovation，the content characteristics of user interaction are more important than quantity.Enterprises that build open innovation platforms should encourage users to actively participate in the interaction，and at the same time guide users to participate in the exchange and learning of low redundant ideas.

Key words：open innovation platform;user interaction;information redundancy;user knowledge contribution

开放式创新平台（Open Innovation Platform，以下简称OIP）是允许个人共享用户生成内容的交互式在线平台，它使拥有不同知识、专长、技能和资源的企业外用户和合作伙伴等自愿聚集在这个虚拟环境中，打破企业界线，推动企业从封闭式创新走向开放[1]，为企业改进或开发新的产品和服务提供更多的参与意见和新的创意[2]。目前，很多企业自建的OIP已经成为创新产品开发的重要知识来源[3]。例如，Dell、Lego、Salesforce、Treadless以及海尔和美的等企业已经搭建OIP，Dell的IdeaStorm.com获得将近600个新产品修改意见;到2019年底，Lego的LEGO IDEAS拥有将近110万用户和3万多项创意作品。越来越多的企业搭建OIP，希望从中获得更多新产品开发的创意，并进一步结合企业内部实际情况考虑产品或者服务的创新实施过程，推进创新项目的开发，提高企业在产品或者服务市场中的后续开发效率。

在OIP中，用户交互是用户获取信息的主要途径，通过公司内外部用户之间的互动交流可以创造和共享知识，维持用户的活跃度，激励用户持续贡献。用户与用户之间的交互不断增加[4]，用户可以从更多的创意中学习，获取更多的知识，促进用户产生更多的新创意，为平台做出更多的贡献。但同一个社会网络群体中每个邻居通过连接进行通信时提供的信息都是带有冗余的。在OIP环境中，用户之间信息交互频繁，信息量日益增多，大量重复信息和相似信息使得信息冗余逐渐成为一个不可忽视的问题。信息冗余指在交互环境中收到相似或重复的信息[5]。在OIP中用户通过与他人的互动交流受到其他创意的“启发”，激发用户思考，从而创造出新的创意。但如果用户选择发布相似主题的来源，将会导致个人行为中的信息冗余[6]。当灵感来源高度互联或聚集时，灵感更有可能是相似或多余的[7]。这种冗余降低了信息的新颖性（信息冗余的对立面），并进一步影响信息扩散[5]。低冗余的内容更容易传递有价值的信息，影响用户之间的信息沟通。而目前关于用户知识贡献的相关研究主要集中于开放式创新的用户、社区环境等，关于创意内容特征的影响研究尚缺乏。

因此，在OIP中，信息冗余将产生什么作用，它是否会影响用户创造和贡献知识的效果，是值得探讨的问题。本文从信息冗余角度，探究OIP用户交互中创意内容特征如何影响他们的知识贡献行为。选取乐高开放式创新平台作为研究对象，通过Python爬取平台数据，利用文本挖掘方法对创意文本内容提取唯一性关键词，计算词频，并结合信息论中的信息冗余度计算方法，实证检验OIP中交互对用户知识贡献的影响，对信息冗余度的调节作用进行深入探讨。

1  文献综述

1.1  用户交互与知识贡献研究

在线用户贡献行为在知识交流、知识创造和创意生成等过程中起着重要的作用。国内相关研究从用户、用户间和社区环境3个方面探究在线用户贡献创意行为的影响因素，认为治理机制、社区影响、社会认同、社会学习、自我展示意愿以及用户交互反馈的数量和质量等因素对用户贡献行为产生显著影响[8-9]。其中用户通过平台直接或间接地参与平台互动，能够最大限度地激发用户的创新能动性[10]，促进用户积极贡献创意或想法。用户交互是OIP中重要的参与方式，是创新成功的重要因素[11]。在OIP中用户通过发布创意、评论创意等交互行为激发其他用户的兴趣，或者引起讨论时，用户的活动就会受到鼓励[12]，从而做出更多知识贡献。

先前有研究分析了用户交互对用户贡献的影响，其中郭伟等认为，用户交互的数量和质量（内容长度）显著影响个体创新贡献度;Hwang E H等发现，用户在支持众包社区中通过交互积累的信息会影响他们在创新众包社区中产生新颖、流行和可行的创意[13]。此外，很多研究更倾向于从社会网络角度分析交互对用户创意行为的影响。Chan K W等区分了用户交互的方向，认为用户外向交互（评论他人）的频率和规模（数量）与用户后续创意产生正相关，并受到用户过去创意参与的负向调节作用，而内向交互（收到他人评论）的频率和规模与用户后续创意产生的影响不显著[14]。这说明不同的交互方向会有不同的影响。Chen L等通过对Dell IdeaStorm的研究发现，在交互过程中，用户与用户的反馈积极地影响用户參与创意的贡献，而公司的反馈对用户参与创意贡献的影响不显著。用户交互在创新过程中扮演重要角色[15]。因此，本文主要考察OIP中用户交互对创意贡献行为的影响。

目前，对于用户交互的研究主要从交互的频率、规模、方向、形式等多个角度分析了用户交互的影响，而忽略了交互中信息自身的特征。在野中郁次郎的组织知识创造理论中强调了信息内容与创新过程相关，认为就创新而言，知识的内容比知识体现的形式更相关[16]。知识创造理论强调，在个人创新过程中互动的内容起着相对关键的作用，而不是互动的形式（如投票和评论）[3]。并且有研究还发现交互并不总是有利的，当人们互动时，他们会更加相似[17]，是冗余的。因而，交互的内容特征可能会对用户创新过程中的知识贡献产生影响。但目前对于用户交互中内容特征（冗余信息和新颖信息）的研究多在于利用创意标签分析内容的类别多样性[3]，而缺少对文本内容的深入分析。因此，我们对创意文本内容进行文本挖掘，重点分析用户交互中的内容特征对于用户知识贡献的影响。

1.2  信息冗余的影响研究

信息论认为，“如果信息系统中的一个信号所载有的信息可以从该系统其他信号中再次获得，那么这个信号所载的信息即为冗余信息”[18]。“冗余”本质就是重复，“信息冗余”指信息源传递的信息存在重复。当用户关注许多内容相似的信息，或者收到许多重复的信息时，会产生信息冗余[19]。在同一个社会网络群体中邻居的意见通常是相似的、冗余的，每个邻居通过连接进行通信时提供的信息都是带有冗余[20]。在网络通信环境中，基于信息相似性选择信息源会导致个人行为中的信息冗余。如果用户一致地选择发布相似主题的来源（使用相似的标签），他们将会收到大量的冗余信息[6]。同样，我们推测在OIP中创意内容大量的重复，会使用户在交互过程中接收到冗余信息。

对信息自身而言，信息冗余过于严重会导致信息传播效率低，使信息丧失原有价值[21]。刘鲁川等通过用户心理实验，证明在社交媒体使用过程中，用户感知到信息冗余与虚假信息时用户的焦虑水平显著提高[22]。Rishika R等对在线贡献内容的研究中发现，当互惠关系和关注关系为焦点用户提供新颖信息（低冗余）时，对用户贡献的影响更大[23]。Muller E等从社会网络结构角度指出，如果网络的重复程度低，每个连接传递的信息都是有价值的[24]。

信息冗余影响用户获取信息的效率和体验，并且与社交网络平台的活跃度及未来发展趋势息息相关[21]。OIP是获取创意的重要渠道，更是一种信息传播方式。OIP是企业收集广泛范围内创意的一种方式，平台中聚集了大量用户和创意，信息冗余是在当前信息积聚的交互式平台中不可避免的问题。因此，有必要从信息冗余角度，研究用户交互中内容特征对用户知识贡献行为的影响。

2  研究假设

2.1  用户交互与信息获取

用户通过发布、评论创意等交互活动可以进行社会学习[12]，用户之间可以交流知识与信息，并能够从他人的创意中获取有价值信息，促进用户进行知识创造与贡献。但有的研究还指出，个人很难获取相关知识，在进行创造性工作时，首先会搜索自己的现有知识，通过与他人知识的碰撞，激活已存知识[25]。新的创意通常建立在现有知识的基础上[26]，根据当前的问题，通过类比推理等新方式调整、重组已存知识，以创造新的创意[27]。类比推理方式通过识别不同知识领域中的共同关系结构，可以将知识从一个问题应用到另一个问题[13]。因此，为了产生新的创意，发现足够价值的信息，必须访问来自不同知识库的相关信息。通过交互从更多不同的原始信息中重组，激活不同的知识领域有助于创意的新颖性。目前，大多数对于交互与创新贡献之间关系的研究，也认为交互有益于用户贡献[15]。可见，增加用户交互过程中对信息的获取量可以帮助用户重新定义问题并激发新创意的产生。

在OIP环境中，用户之间可以通过交互获取信息。用户通过提供评论产生新创意和共同促进其他用户发布创意的行为，是参与平台交互活动的主要方式[2]。通过评论他人创意积极互动的用户通常能获得更多的好处[28]。因此，本研究重点关注用户交互中的评论行为。在OIP中用户通过评论创意信息而相互交流，向他人传播或学习创新、感兴趣或有价值的信息，而这些创意信息可以作为用户创意灵感的来源。用户通过学习这些创意信息来激活、调整、重组现有知识，产生新的创意，从而能有更多的知识贡献。因此，用户应该积极参与OIP中的社交互动，从更多的创意中进行学习，获取更多的知识，才能为自己提供更多的创意贡献机会。

因此，提出以下假设：

H1：在OIP中，用户交互过程中的信息获取量正向影响用户知识贡献。

2.2  信息冗余与用户知识贡献

在OIP中，用户通过交互可以学习、分享感兴趣的知识，更为企业提供大量有价值的可参考创意。但OIP的创意信息中存在大量重复的内容，可能会出现信息过载、信息冗余的现象，进而影响用户通过发布创意进行知识贡献。因为用户在发表创意之前不可能把平台中存在的所有创意进行对比后再发表不同的创意，用户之间可能有相似的创意想法，因此会存在重复的信息。这意味着，用户在交互过程获取的不同创意中蕴含的信息存在冗余。不同创意信息中相同内容越多，信息冗余度越大，这不仅会增加用户处理信息的负担，而且会阻碍用户从他人的创意信息中学习创新性知识。

根据在不同背景下的先前研究发现，当创意相似、重复或冗余时，个人的创造力会降低[7，29]。而当作为用户创意来源的创意拥有更多不同的内容时，可以使用户受到更多不同知识的启发，为用户提供处理（激活、调整、重组）所学习知识的机会，并建立新的知识联系，从而促进创意的产生[3]。因此我们推断，OIP中用户在通过交互主动对其他用户及其创意进行学习的过程中，会受到他人创意信息的启发，但用户获取的作为创意灵感内容中信息冗余会干扰用户对不同新知识的学习。低冗余信息比高冗余信息蕴含更多价值，可以使用户学习到不同的知识而不是重复学习相同的内容。我们认为，创意内容特征调节用户获取信息量对于其知识贡献的影响，并且相对于信息冗余度高的创意内容，在信息冗余度低时用户获取创意的信息量对知识贡献的影响更大。

因此，提出以下假设：

H2：在OIP中，用户交互中的信息冗余度负向调节信息获取量对用户知识贡献的影响。

基于以上分析，提出在OIP用户交互中信息冗余对用户知识贡献的影响研究模型，如图1所示。

3  研究设计

3.1  数据来源

我们使用从乐高开放式创新平台LEGO IDEAS

中收集到的数据来检验假设。LEGO IDEAS（ideas.lego.com）是一个以乐高创意为主题的开放式创新平台，13岁以上的乐高玩家都可以注册并将自己的乐高作品上传到网站，通过用户和乐高官方的层层筛选，最终作品有机会被实际投入生产并销售。LEGO Ideas平台于2014年4月正式上线，至2019年底已经拥有110多万注册用户，以及3万多项创意作品，并且已有28个创意作品上架销售，其中有18个作品售空，此外还有144个创意赢得竞赛并获得相应奖励。

乐高开放式创新平台中的创意都公开展示在平台中，用户可以浏览已发布的创意，还可以对感興趣的创意支持和评论等。乐高开放式创新平台中用户交互较为活跃，拥有良好的用户基础，并且可以清楚地观察到所有的创意特征、用户特征及创意评估过程等。因此，选择LEGO Ideas中2019年在平台发布过评论的创新活跃用户（共12 976位）为研究样本具有可行性。

编写Python爬虫程序爬取这些创新用户的相关数据。数据收集分为3步：首先，选择2019年被评论的创意相关信息，包括用户评论时间、评论内容、评论的创意、评论创意标签以及评论创意详情;其次，爬取样本用户的详细信息，用户加入平台时间、用户评论数、用户关注数等;最后，爬取样本用户发布的创意数、创意标签、创意详情、创意发布时间等创意信息。使用Python对数据进行清洗及规范化处理，获得最终的样本数据。

3.2  变量定义及测量

3.2.1  被解释变量

综合前人对用户知识贡献的衡量，本研究使用2019年用户在参与OIP交互过程中提交的创意数量（IdeaNumber）来衡量[8，15]。

3.2.2  解释变量

本文选择用户评论的创意数量（ComNumber）来衡量在OIP用户交互过程中获取的创意信息量。

在OIP中，用户评论创意，这意味着用户愿意花费更多的时间和精力对创意进行阅读和理解，可推理用户已经对创意所包含的创新知识进行了吸收和学习。此外，很多关于在线社区中用户交互行为的研究，都从用户的评论行为角度进行研究[3，14-15]，认为通过评论他人创意可以进行社会学习[8]，评论是在线知识贡献的重要动力[2]。因此，本文选择用户评论的创意数量来衡量在OIP用户交互中获取的信息量，认为用户通过评论他人创意会获得灵感，可以促进自己创意的形成。

3.2.3  调节变量

本文使用信息冗余度来衡量用户交互过程中的信息冗余程度。

Shannon指出，任何信息都存在冗余，且冗余度与信息熵成反比[18]。基于文本中的词频，一个文本中不同词出现的概率大，则该文本不确定性大，信息熵大，冗余度低;反之，信息熵小，冗余度高。在OIP环境中，创意是用户获得新知识的来源。用户在评论他人的创意时，会仔细阅读并进行思考，从而从他人的创意信息中学习到相关的知识，文本内容是传递信息的主要载体。因此，本文使用创意文本内容来计算信息冗余度。

本文旨在衡量作为创意来源的不同创意中存在的信息冗余，而同一个创意中往往包含大量重复、无价值的干扰信息影响冗余度的计算。因此，首先对每一个创意进行文本处理，再以此为基础计算用户评论不同创意中的信息冗余度。创意文本信息冗余度的计算过程如下：

第一步：对于用户评论过的每一个创意进行文本挖掘处理。将每一个创意的详情内容作为一个文本文档，进行分词处理，使用NLTK内嵌的停用词表删除停用词，提取词干，去除词缀得到词根。再去掉重复词，使最终获得文档中每个创意的不同关键词只包含1个。

第二步：将在第一步中提取的用户评论的所有创意唯一性关键词合并，组成新文本。每一个用户对应一个组合文本集，计算其总词数为N。根据Shannon对于信息熵的定义，假设文本中包含的信息互不重复，每个词仅出现1次，则该文本的最大信息熵H0为：

H0=log2N

第三步：根据第二步中合并的新文本集，计算每个新文本中实际存在的不同单词数n以及每一个词的词频pi。来源于不同创意的信息之间会存在重复的单词，降低信息的不确定性，因此计算不重复单词的信息熵H∞：

H∞=-∑nipilog2pi

其中，i为新组合文本集合中第i个单词;pi表示第i个单词在组合文本中出现的词频。

第四步：计算冗余度R，公式如下：

R=1-H∞/H0

信息冗余度的计算是通过Python的NLTK包实现的，详细的算法流程如图2所示。

3.2.4  控制变量

根据先前的研究发现，用户的自身特征和创意项目特征都是影响用户参与创新过程中知识贡献的重要因素。因此，本研究从用户自身特征和创意项目特征两方面选取控制变量[30]。

在用户自身特征方面，包括用户创新经验（history_entries）、用户创新水平（highluser）、用户的平台资历（age）。首先，以用户历史发布创意数量来衡量用户的创新经验[13]。第二，用是否为高水平创新用户衡量用户的创新水平差异[31]。平台会对赢得1万个支持的创意进行官方评审，进入官方评审意味着创意具有高的质量和价值，具有被商业化的可能。因此，选取曾发布过赢得1万个支持标签的创意来衡量用户是否为高水平创新用户。第三，用户在平台中的资历会影响其在平台中的参与体验以及与其他用户和主办公司的交互。因此，以用户加入平台天数来衡量用户的平台资历差异[32]。

在创意项目特征方面，包括用户创意收到的总评论数（ReceiveComment）、用户评论创意的图片总数（Image）、评论的创意平均长度（Idealen）。创意收到他人评论意味着更多人对该创意内容感兴趣，收到的评论数更多的用户与其他用户联系更强，有更强的在线平台归属感[12，14]，会影响用户后续创意发布[14]和用户社区贡献水平[15]。文本是信息的主要载体，创意文本内容的字数越多，说明用户创意有更多的信息，用户可以更好地对创意进行学习，从而获取更多的有价值信息。使用图片描述创意会更直观、更有说服力，创意中包含的图片越多，就会使创意信息表示得更加生动、更容易被他人理解[3]。

所有变量的测量和描述性统计分析分别如表1和表2所示。

3.3  回归模型构建

构建实证回归模型，如式（1）所示。主要考察用户交互过程中向他人创意信息的学习对用户知识贡献的影响，被解释变量是创意数量（IdeaNumber），解释变量是用户评论的创意数（ComNumber），調节变量是信息冗余度（Redundancy），控制变量是用户历史发布创意数量（HistoryEntries）、用户创新水平（HighUser）、用户的平台资历（Age）、用户创意收到的总评论数（ReceiveComment）、用户评论创意平均长度（Idealen）和用户评论创意的图片平均数（Img）。此外，εi为误差项。

IdeaNumberi=α0+α1ComNumberi+α2Redundancyi+α3ComNumberi*Redundancyi+α4Agei+α5HighUseri+α6HistoryEntriesi+α7ReceiveCommenti+α8IdeaLeni+α9Imgi+εi（1）

模型（1）中使用创意数量（评论用户在2019年发布的创意总数）作为被解释变量，因此，模型是计数数据模型。计数数据分析通常选择泊松回归或负二项回归模型，但由表2可知，在我们的数据集中被解释变量的方差为5.636，均值为0.489，不满足均值和方差相等的假设，模型结果是过度离散的，因此不能使用泊松回归模型。此外，被解释变量的分布情况如表3所示，被解释变量中有84.53%是零，说明存在过多零的问题，可以用零膨胀模型来解决。因此，本文选择零膨胀负二项回归（ZINB）模型，并且发现ZINB模型的检验统计值是一个较大的正值，并且p值远小于0.05，所以，在0.05的显著水平上适合选择ZINB模型。本文使用Stata做零膨胀负二项回归进行模型估计。

4  实证结果及分析

4.1  基本检验

表4展示了回归结果。回归（1）（2）是对总体样本的零膨胀负二项回归结果。回归（1）只考虑用户评论创意数（ComNumber）对用户发布创意数量的影响，结果显示，用户评论创意数的系数（α1=0.001，p<0.01）是正向且显著的。这说明用户之间基于创意评论的交互越多，越能激发用户通过发布新创意来贡献知识，支持假设1。回归（2）中加入了评论创意数与信息冗余度的交互项，结果显示，交互项系数（α3=-0.145，p<0.01）是负向且显著的。表明信息冗余度负向调节了用户的创意信息获取量对用户知识贡献的正向影响，假设2得到支持。因此，用户创意信息获取量对用户知识贡献的影响在低信息冗余度的交互中比在高信息冗余度的交互中更好。

由于本文重点在检验创意中的信息冗余度，并对每一个创意都进行了文本挖掘处理，使得每个创意中只包含唯一性的关键词。当用户只评论一个创意时，用户所学习的创意的信息冗余度为零，但与用户评论的不同创意之间的零冗余度不同。为探究不同创意之间的内容差别，更好的方式是分析用户评论两个及以上的创意文本内容。因此，提取子样本，删除总样本中用户评论创意数为1的用户（共9 289人），对剩下的样本（3 697个）再次进行回归，结果如表4中回归（3）（4）所示。回归（3）只是用户评论创意数对于用户知识贡献的影响，该结果与表4中回归（1）一致。回归（4）中增加了用户评论创意数与信息冗余度的交互项，该结果与表4中回归（2）同样说明了信息冗余度对于获取创意信息量对用户知识贡献影响的负向调节作用。

以上结果说明，在OIP中用户之间的交互和创意交流可以促进用户知识贡献。与他人的互动交流有助于用户对创意进行学习、理解，从大量相关创意中发现足够的价值，并修改、整合、重组现有知识，从而促进用户产生新的创意，对用户贡献有积极影响（假设1）。当用户学习的创意之间相似或者存在重复时，即使用户评论了较多的创意，实际上学习到的知识却很少。一个人对于信息的处理能力是限度的，创意之间冗余的信息不仅增大了用户学习难度，还干扰了用户对不同知识的获取。在OIP用户交互过程中信息冗余度越大，用户学习的创意信息量对用户知识贡献的影响越小，信息冗余度减弱了创意信息获取量对用户知识贡献的影响（假设2）。

4.2  稳健性检验

如前文所述，由于总样本中被解释变量包含大量的0，占总数的84.53%，因此选择了零膨胀负二项回归模型。但有研究表明，数据集中有过度0值并不意味着需要一个零膨胀模型。因此，本文使用负二项回归（NB2）重新估計以上两个样本，来评估我们结果的稳健性和一致性，结果如表5。其中，回归（1）（2）是对总样本进行的负二项回归结果，回归（3）（4）是对子样本进行的负二项回归结果。结果与前面基本一致，用户通过评论创意进行的交互越多，用户贡献的知识数量越多;同时，证明了信息冗余度的调节作用，当用户获取的创意中信息冗余度低时，用户获取更多的创意信息有可能做出更多知识贡献。表明了回归结果的稳健性。

5  研究结论与启示

5.1  研究结论

本研究通过使用文本挖掘方法对创意文本进行处理，获得关键词的词频，并结合信息论中的方法计算信息冗余度，探究了在用户交互过程中内容特征如何影响用户知识贡献。使用爬取的乐高开放式创新平台的数据，建立回归模型进行实证分析，得出以下结论。

第一，用户交互过程中获取的创意信息量正向影响用户知识贡献。用户通过交互获取的相关信息是用户构思创意的知识来源。他人的创意能够启发用户，激励用户思考、创造，促进用户积极贡献创意。因此，在开放式创新平台中用户交互机制是必要的，交互可以使用户更好地进行创意的分享与学习，并保证平台的活跃度。

第二，用户交互的信息冗余度负向调节创意信息获取量对于用户知识贡献的影响。在OIP中，低信息冗余能够促进交互对用户知识贡献的正向影响。这说明用户在进行交互时不能只关注获取创意的数量，更要区别不同的创意内容。对于用户创新活动，交互的内容往往比数量更重要，而当前有关的研究正缺少有关创意内容特征的详细分析。这一发现补充了当前对用户交互的研究，在OIP中并不是交互的数量越多越好，企业在关注用户交互的同时更要关注创意的内容特征。

企业建立OIP并采取措施激励用户参与，最终目的是能够通过OIP收集更好的创意内容，因此，内容特征的研究是有必要的，也是用户创新研究中关键的一部分。本文从信息冗余角度，深入分析了用户交互中创意内容特征对用户知识贡献的影响，为创新研究提供了一个新的角度，补充了当前用户交互的相关研究，同时对用户促进贡献，提高贡献创意内容质量有重要的意义。

5.2  管理启示

本文的结论指出，创新平台中活跃的交互活动可以促进用户积极贡献，但企业在为用户提供交互功能并鼓励用户参与的同时，要考虑如何让用户在交互过程中做到高效学习，而不是在相同或相似的高冗余创意中做无用功。因此，本文得出如下启示：第一，平台应该监控用户贡献的创意，更加关注内容质量，对主要创意类别进行识别和初步筛选，减少重复创意的发布;第二，鼓励用户评论更多的创意，特别是跨类别的创意，可以根据用户在不同类别中的评论设置徽章奖励，以此激励用户学习并分享更多样化的创意，促进用户间的知识交流与学习;第三，平台要不断吸引新用户加入平台，为平台注入新的血液，带来新的知识和思维;第四，值得注意的是，乐高开放式创新平台在允许用户自行发布创意的同时，还拥有“Contest”板块以及新推出的“Activity”板块，这两个板块会使创意集中在一个特定的主题上，并且持续时间相对较短，这些板块有可能使用户减少自己固定的思维而去接触一种新颖类别的主题，这些主题往往能使用户学习到信息冗余度低的创意，辅助激发用户的创新思维。

5.3  局限与未来研究方向

本研究从信息冗余度的角度证明了用户交互中内容特征的重要性，为企业更多关注内容信息提供了可行建议。但本研究仍然存在一定的局限性和可待研究的未来方向。首先，虽然乐高开放式创新平台是比较有代表性的平台，但每一个平台都有其自身不同的特点，本研究特定结果的普遍性有待验证。因此，未来的研究可能会尝试研究在其他背景中信息冗余度的作用;其次，虽然评论活动是衡量用户交互较为普遍的方式，也有研究证明，用户只有对某个创意感兴趣才会进行评论，并且有后续的其他社交互动行为[33]。未来的研究也会考虑更多的用户交互形式是否会有不同影响。

参考文献

[1]Pellizzoni E，Trabucchi D，Buganza T.Platform Strategies：How the Position in the Network Drives Success[J].Technology Analysis & Strategic Management，2018，31（5）：579-592.

[2]Chen L，Baird A，Straub D.Why Do Participants Continue to Contribute？Evaluation of Usefulness Voting and Commenting Motivational Affordances Within an Online Knowledge Community[J].Decision Support Systems，2019，118（2019）：21-32.

[3]Yan J，Leidner D E，Benbya A H，et al.Differential Innovativeness Outcomes of User and Employee Participation in an Online User Innovation Community[J].Journal of Management Information Systems，2018，35（3）：900-9337.

[4]Bayus B L.Crowdsourcing New Product Ideas Over Time：An Analysis of the Dell IdeaStorm Community[J].Management Science，2013，59（1）：226-244.

[5]Liang H，Fu K W.Network Redundancy and Information Diffusion：The Impacts of Information Redundancy，Similarity，and Tie Strength[J].Communication Research，2019，46（2）：250-272.

[6]Liang H，Fu K W.Information Overload，Similarity，and Redundancy：Unsubscribing Information Sources on Twitter[J].Journal of Computer Mediated Communication，2016，22（1）：1-17.

[7]Stephen A T，Zubcsek P P，Goldenberg J.Lower Connectivity Is Better：The Effects of Network Structure on Redundancy of Ideas and Customer Innovativeness in Interdependent Ideation Tasks[J].Journal of Marketing Research，2016，53（2）：263-279.

[8]王婷婷，戚桂杰，張雅琳，等.开放式创新社区用户持续性知识共享行为研究[J].情报科学，2018，36（2）：139-145.

[9]周涛，何莲子，邓胜利.开放式创新社区用户知识分享的影响因素研究[J].现代情报，2020，40（3）：58-64.

[10]任亮，张海涛，刘雅姝，等.开放式创新社区知识协同创新研究综述[J].情报资料工作，2019，40（5）：31-37.

[11]贾理群，刘旭.新熊彼特主义学派关于技术创新理论的研究进展[J].中国科技论坛，1995，（5）：38-41.

[12]Martínez-Torres R.Analysis of Open Innovation Communities from the Perspective of Social Network Analysis[J].Technology Analysis & Strategic Management，2013，26（4）：435-451.

[13]Hwang E H，Singh P V，Argote L.Jack of All，Master of Some：Information Network and Innovation in Crowdsourcing Communities[J].Information Systems Research，2019，30（2）：389-410.

[14]Chan K W，Li S Y，Zhu J J.Fostering Customer Ideation in Crowdsourcing Community：The Role of Peer-to-Peer and Peer-to-Firm Interactions[J].Journal of Interactive Marketing，2015，31：42-62.

[15]Chen L，Marsden J R，Zhang Z.Theory and Analysis of Company-Sponsored Value Co-Creation[J].Journal of Management Information Systems，2014，29（2）：141-172.

[16]Nonaka I.A Dynamic Theory of Organizational Knowledge Creation[J].Organization Science，1994，5（1）：14-37.

[17]Levine S S，Prietula M.The Hazards of Interaction：When Isolation Benefits Performance[J].Social Science Electronic Publishing，2013，2013（1）：10736-10736.

[18]賈世楼.信息论理论基础[M].哈尔滨：哈尔滨工业大学出版社，2001.

[19]Harrigan N，Achananuparp P，Lim E P.Influentials，Novelty，and Social Contagion：The Viral Power of Average Friends，Close Communities，and Old News[J].Social Networks，2012，34（4）：470-480.

[20]Bao Q，Cheung W K，Zhang Y，et al.A Component-Based Diffusion Model With Structural Diversity for Social Networks[J].IEEE Transactions on Cybernetics，2017，47（4）：1078-1089.

[21]秦烁，吕欣，孟凡辉，等.在线社交媒体信息冗余现象建模与实证研究[J].大数据，2018，4（5）：53-64.

[22]刘鲁川，张冰倩，李旭.社交媒体信息过载、功能过载与用户焦虑情绪的关系：一项实验研究[J].信息资源管理学报，2019，（2）：66-76.

[23]Rishika R，Ramaprasad J.The Effects of Asymmetric Social Ties，Structural Embeddedness，and Tie Strength on Online Content Contribution Behavior[J].Management Science，2019，65（7）：3398-3422.

[24]Muller E，Peres R.The Effect of Social Networks Structure on Innovation Performance：A Review and Directions for Research[J].International Journal of Research in Marketing，2019，36（1）：3-19.

[25]Higgins E T.Knowledge Activation：Accessibility，Applicability，and Salience[J].Social Psychology：Handbook of Basic Principles，1996：133-168.

[26]Croitoru A.The Theory of Economic Development：An Inquiry into Profits，Capital，Credit，Interest and the Business Cycle[J].Journal of Comparative Research in Anthropology and Sociology，2012，3（1）：90-91.

[27]Gentner D.Structure-Mapping：A Theoretical Framework for Analogy[J].Cognitive Science，1983，7（2）：155-170.

[28]Preece J，Nonnecke B，Andrews D.The Top Five Reasons for Lurking：Improving Community Experiences for Everyone[J].Computers in Human Behavior，2004，20（2）：201-223.

[29]Pan W，Altshuler Y，Alex.Decoding Social Influence and the Wisdom of the Crowd in Financial Trading Network[C]//Privacy，Security，Risk & Trust.IEEE，2013.

[30]陈佳丽，吕玉霞，戚桂杰，等.开放式创新平台中创新用户的互惠行为研究——以乐高创意平台为例[J].软科学，2019，33（3）：96-100.

[31]Yang X，Li G.Factors Influencing the Popularity of Customer-Generated Content in a Company-Hosted Online Co-Creation Community：A Social Capital Perspective[J].Computers in Human Behavior，2016，64：760-768.

[32]Li M，Kankanhalli A，Kim S H.Which Ideas Are More Likely to Be Implemented in Online User Innovation Communities？An Empirical Analysis[J].Decision Support Systems，2016，84：28-40.

[33]杨光，汪立.思维定势如何影响创意质量——基于“众包”平台的实证研究[J].管理世界，2017，33（12）：109-124.

（责任编辑：陈  媛）