数字图书馆智能信息推荐服务满意度影响机理的扎根研究

查先进，张 坤，严亚兰

（1.武汉大学信息资源研究中心，武汉 430072；2.武汉大学信息管理学院，武汉 430072；3.武汉大学图书情报国家级实验教学示范中心，武汉 430072；4.武汉科技大学恒大管理学院，武汉 430065）

1 引言

新信息技术的发展使得数字图书馆信息环境已由原来的信息不足转变为信息过载[1]，并且新信息环境下的长尾效应[2]、信息碎片化[3]、信息迷航[4]、“情感缺失”[5]等问题愈益凸显。传统数字图书馆提供的“人找信息”[6]“一对多”[7]和“以平台为中心”[8]的被动服务模式已与新信息环境和用户需求不相适应，因此，数字图书馆信息服务模式亟待优化。同时，新信息技术的出现也推动了社会化媒体等非图书馆机构的蓬勃发展[4]，进一步加剧了数字图书馆面临的外部威胁。在此背景下，数字图书馆亟须找到有效途径以应对新挑战。新信息技术在为数字图书馆带来新挑战的同时，亦带来新机遇。智能信息推荐的出现为数字图书馆应对挑战提供了新思路和新方法。例如，Elsevier作为数字图书馆中重要的全文学术资源库之一，提供了智能信息推荐服务，能够根据用户的下载、浏览等活动，向用户提供个性化文献推荐。但是，现阶段数字图书馆智能信息推荐服务还处于发展初期，导致用户对该服务的体验感受大相径庭。满意度是用户对数字图书馆智能信息推荐服务整个体验过程的评价和情感反应[9]，对数字图书馆智能信息推荐服务满意度影响因素进行深入探讨，全面揭示其影响规律，将有助于提升数字图书馆智能信息推荐质量，更好地满足用户信息需求，进而为数字图书馆服务优化与良性发展提供有益参考。因此，本文将具体探讨如下问题：数字图书馆智能信息推荐服务满意度影响因素有哪些？影响机制与作用路径如何？能否构建理论模型？对未来相关研究与实践有何启示？

2 文献综述

数字图书馆为用户提供了极佳的学术资源[10]，但随着学术资源爆炸式增长，数字图书馆信息过载现象日趋严重[11]，找到合适的学术资源已成为一个很大的挑战[12]，而使用推荐系统则有助于应对该挑战[13]。借助推荐系统将相关信息“推”给数字图书馆用户，可以使其得到更好的服务[10]，因此，数字图书馆有必要将推荐系统作为促进和加速信息搜寻过程中的适当工具[14]。推荐系统也称为个性化推荐系统[15]，它可以呈现个性化学习内容，并提供适当的学习资源来支持用户活动[12]。正确使用推荐系统不仅对于提供真正的个性化服务至关重要，而且可以帮助减少信息过载和提高用户体验的满意度[14]。

从20世纪90年代初至今，推荐系统一直被视为重要研究领域[16]。1992年，美国施乐公司研究所开发了旨在过滤海量电子邮件和推荐电子新闻的Tapestry系统[17]，这是商业机构对信息资源推荐的较早尝试。20世纪90年代中期，推荐系统的应用拓展至数字图书馆领域，美国图书馆界率先开始数字图书馆推荐系统项目的研发。1995年，斯坦福大学的Balabanović和Shoham介绍了其正在研究的数字图书馆推荐系统项目，并推出了该项目部分成果——个性化推荐系统LIRA[18]；1997年，他们又介绍了该项目另一成果——个性化推荐系统Fab[19]。1998年，Bollacker等[20]提出学术资源推荐系统CiteSeer，引起各界人士对该问题的关注。同年，美国人工智能协会（American Association for Artificial Intelligence，AAAI）组织召开了专门会议，对推荐系统的发展进行了集中讨论[15]。2000年前后，康奈尔大学图书馆首次推出了当时较为成熟的图书馆个性化服务系统——My Library@Cornell系统，为后来许多数字图书馆推荐系统提供了设计原型[21]。此后，数字图书馆个性化推荐服务逐步发展起来。然而，近年来，用户对学术资源的需求呈现出明显的长尾趋势[22]，对推荐系统提出了更高要求，以往推荐系统与新信息技术相结合的产物——智能推荐应运而生。智能推荐在信息资源领域的应用即智能信息推荐，指计算机信息系统通过分析用户数据主动向用户提供符合其兴趣偏好或需求的信息，其实质是在最短时间内为用户提供其最想要或最需要的信息。

智能信息推荐是数字图书馆个性化服务的重要内容，随着人工智能迎来发展新风口，国内外学者对数字图书馆领域智能信息推荐研究的热情日益增加。当前，围绕数字图书馆情境开展的智能信息推荐研究主要聚焦于算法与技术、系统与模型、功能与服务等方面。针对数字图书馆智能信息推荐的算法与技术，Guo等[11]提供了一种个性化数字资源推荐方法，将PageRank和协同过滤（Collaborative Filter‐ing，CF）技术置于统一框架中，通过从历史使用数据中生成并分析用户关系和资源关系的时间感知网络，向活跃数字图书馆用户推荐合适的数字资源。针对数字图书馆智能信息推荐的系统与模型，Tian等[23]设计了一种基于混合推荐算法的高校图书馆个性化推荐系统，帮助用户从许多候选书中选择适当的书。针对数字图书馆智能信息推荐的功能与服务，李贺等[24]发现，作为移动图书馆信息服务的新方式，情景感知信息推荐服务有着个性化的显著优势，而技术和设备的兼容为该服务提供了外部动力和重要保障。随着研究的成熟，越来越多智能信息推荐系统在数字图书馆中进行使用或试验，如智能图书推荐系统[25]、科研论文推荐系统[26]、生物医学期刊投稿推荐系统[27]、审稿人推荐系统[28]、智能图书推广场景选择系统[29]等，数字图书馆智能信息推荐实践正在进一步深入。

自1998年成立中国高等教育文献保障系统（China Academic Library&Information System，CALIS）以来，我国数字图书馆发展迅速。迄今为止，我国的大学几乎都拥有了数字图书馆[30]，但由于不同数字图书馆所采用的信息技术、设备等各异，不同数字图书馆的发展水平并不一致，导致用户对不同数字图书馆的使用体验存有差异。用户满意度是数字图书馆服务的重要衡量指标[31]，为了提供有效的数字图书馆服务，设计人员和管理人员需要充分了解影响数字图书馆用户使用满意度的因素[32]，因此，该主题也受到诸多研究者的关注。比如，李贺等[33]基于对高校数字图书馆用户满意度内涵的分析，考察了高校数字图书馆用户满意度的主要影响因素，并据此构建了评价模型。胡昌平等[31]利用结构方程模型方法考察了数字图书馆具体服务与用户满意度之间的影响关系，研究结果发现，数字图书馆服务的用户满意度受信息提供服务、信息检索服务以及个性化服务的直接影响。夏立新等[34]基于用户视角，利用层次分析法和G1算法，构建了数字图书馆知识服务满意度的评价指标体系，并以实例揭示了各个指标权重的确立过程。Xu等[35]考察了数字图书馆用户满意度和忠诚度的影响因素，研究结果证实，感知有用性和数字图书馆亲和力对用户满意度具有显著影响，进而影响用户对数字图书馆的忠诚度。与此同时，他们还考察了研究生和本科生对数字图书馆满意度之间的异同，结果表明，年龄、使用频率、使用经验等个人差异对本科生和研究生使用数字图书馆的满意度都产生了重要影响；与本科生相比，研究生对数字图书馆的系统质量、信息质量、服务质量、亲和力、易用性及实用性方面更加满意[30]。

综上可知，相关研究已取得了重要成果，却仍存在以下不足。首先，现有数字图书馆智能信息推荐的相关研究主要聚焦于智能信息推荐前端，即以用户需求为终点，主要从技术、算法、模型等层面探讨“如何实现”和“如何优化”问题。但聚焦于智能信息推荐后端，即以用户需求为起点，从推荐质量、推荐效果评价等层面考虑“实现什么”和“优化什么”问题的相关研究较少，而从用户体验满意度视角审视数字图书馆智能信息推荐服务的研究则更为匮乏。其次，现有数字图书馆用户满意度相关研究，主要从整体层面来探讨用户满意度的影响因素或评价指标，而数字图书馆提供的服务其实有很多，如座位预约、图书借还、信息咨询等，各类具体服务的影响机理可能存有差异，需要开展更为深入的针对性研究方可探明。但数字图书馆用户满意度相关研究中，缺乏聚焦于信息系统推荐服务这一更加深入和差异化主题层面的探讨，因此，在数字图书馆提供智能服务已呈普遍趋势的背景下，有必要对数字图书馆智能信息推荐服务满意度开展进一步的细粒度研究。最后，相关实证研究主要采用定量方法展开研究，较少有研究采用质性方法进行探索性层面的尝试。因此，本文拟通过访谈法搜集原始数据，借助扎根理论方法对原始数据进行编码分析，基于已有的理论、文献和原始数据，提炼数字图书馆智能信息推荐服务满意度影响因素，系统揭示各影响因素间的作用关系与影响路径，并在此基础上构建各有效影响因素变量间的理论模型，以期为数字图书馆智能信息推荐服务的相关研究与实践提供参考。

3 访谈提纲设计与数据搜集

3.1 访谈提纲设计

本文利用半结构化访谈方法进行数据搜集，数据搜集过程如图1所示。通过文献调研和前期经验，设计初步访谈大纲，邀请两名受访者进行预访谈并加以修正，并确定正式访谈提纲（表1）。在访谈提纲中，涉及导语介绍、术语界定、受访者信息和核心问题四个方面。

表1 访谈提纲

图1 数据搜集与分析过程示意

3.2 样本选择

本文以目的性抽样[36]和理论饱和抽样[37]为原则进行样本选择。

根据目的性抽样原则，本文对样本对象的限定条件描述为：①熟悉并经常使用数字图书馆；②有过智能信息推荐服务的接触或体验；③能够清楚地理解访谈问题，并具备清楚表达自身观点与想法的知识与能力；④能够最大限度地为访谈问题提供信息量；⑤有时间、精力、条件等接受访谈，并同意访谈过程全程录音。

根据理论饱和抽样原则，一直访谈至受访者不再提供新范畴时停止访谈，并在进行大于3人的验证工作后确定研究样本。结合上述原则，本文认为，文化程度相对较高的研究生群体属于数字原住民群体（1990年及之后出生），他们对数字图书馆智能信息推荐服务的感受更加具有典型性，因此，该群体成为本文主要的研究样本目标群体。同时，对数字图书馆使用频率较高的师生群体进行访谈，更容易获取丰富的信息量以实现理论饱和。此外，考虑数据搜集的便利性，并尽可能地兼顾不同性别、不同专业等因素，本文最终将21位受访者确定为研究样本（表2）。

表2 研究样本情况

3.3 数据搜集

本文的数据搜集工作共历时9周，在正式访谈阶段，通过线上访谈方式进行数据搜集，访谈在得到用户同意后进行全程录音。访谈过程中对受访者表述不清或模棱两可的内容进行追问，访谈结束后通过电脑软件进行转录，并进行人工校对及修正。转录完成后，将文档发送给受访者确认，以保证数据的真实性，并按照受访者确认顺序分别用字母A～U表示，最终形成21篇总字数达96169字的规范化转录文档。

4 扎根分析

4.1 扎根理论

扎根理论是在经验资料基础上构建理论的有效方法，该方法在已有理论和文献支持之下，根据研究者个人知识和经验对原始资料进行编码，进而构建理论模型[38-39]。由于相关研究并不充分，因此，利用扎根理论方法对数字图书馆智能信息推荐服务满意度进行探索性研究是比较合适的选择。目前，扎根理论已在诸多研究中得到应用[40-41]，并受到大量研究者的认可。为了方便编码和记录原始编码痕迹，本文采用与扎根理论方法契合度较高[42]，且已在众多领域得到应用的质性数据分析软件NVivo进行辅助分析[43-44]。本文数据编码分析过程见图1。

4.2 开放式编码

在开放式编码阶段，本文通过逐句编码，共提取出569条原始语句，即原始参考点。在对其进行“贴标签”和赋予“本土概念”的操作过程后，共提炼出隐私泄露、滞后推荐、猜你喜欢等78条初始概念（表3）。

表3 概念化编码举例

进一步对初始概念聚类进行范畴化处理，最终形成推荐服务质量满意度、推荐系统质量满意度等24个基本范畴。基本范畴、包含的所有初始概念、基本范畴内涵及范畴命名依据如表4所示。

?

?

4.3 主轴编码

在主轴编码阶段，本文通过对24个基本范畴进行归纳整合，共提炼出数字图书馆智能信息推荐服务满意度、推荐系统质量、推荐服务质量、推荐信息质量、推荐形式和用户偏好6个主范畴（表5）。

表5 主轴编码情况

4.4 选择式编码

在选择式编码阶段，本文通过对6个主范畴进行反复比较和深度分析，梳理出如下“故事线”：在用户偏好的调节作用下，推荐服务质量、推荐信息质量、推荐系统质量和推荐形式对数字图书馆智能信息推荐服务满意度产生直接影响。对故事线的详细描述如表6所示。依据此故事线，本文将“数字图书馆智能信息推荐服务满意度”确定为核心范畴，并构建数字图书馆智能信息推荐服务满意度影响机理的理论模型，如图2所示。

表6 主范畴典型关系结构

图2 数字图书馆智能信息推荐服务满意度影响机理的理论模型

4.5 理论饱和度检验和可信度分析

（1）理论饱和度检验。当数据资料编码阶段不能再提供新的范畴和关系时，再进行多于3份资料的验证，若依然不能发现新的范畴和关系，便可认定编码所构建的理论已实现饱和[57]。本文将理论饱和原则作为样本选择标准之一，即当受访者不能再提供新的范畴和关系，便停止访谈，因此，最终样本确定标志着理论饱和。

（2）可信度分析。为了保证本研究可信度，访谈前，在文献调研、前期经验和预访谈基础上设计正式访谈提纲；访谈时，采用线上半结构化访谈方式，以激发受访者自由表达真实想法，对访谈过程全程录音，并对受访者回答不清楚或者模棱两可的内容进行追问查实；访谈后，通过机器转录和人工校对相结合方式进行规范化的资料转录，并将转录结果交由受访者本人进行确认。在数据分析阶段，借助NVivo工具，清楚记录编码痕迹，通过尽量使用访谈资料提及“本土概念”的方式，以增强分析结果描述型可信度；通过清楚界定各范畴和关系的内涵并为其提供原始资料支撑，以增强分析结果解释型可信度；通过将已有符合相关范畴内涵的概念作为范畴命名的参考依据，并严格遵循扎根理论三级编码程序及要求，以增强分析结果理论型可信度。

5 数字图书馆智能信息推荐服务满意度的影响机理

5.1 推荐系统质量对数字图书馆智能信息推荐服务满意度的影响

推荐系统质量通过系统稳定性、系统易用性、界面友好性和隐私安全性四个基本范畴体现。①系统稳定性是用户使用数字图书馆智能信息推荐服务的基本条件，结合访谈材料，用户认为系统稳定性越高，其在使用过程中遇到系统崩溃、卡顿等问题的情况越少，体验满意度会更高，即系统稳定性正向影响数字图书馆智能信息推荐服务满意度。②访谈结果显示，用户认为在使用推荐系统的过程中，操作越简单、自己付出的精力越少，越容易产生高满意度，即系统易用性正向影响数字图书馆智能信息推荐服务满意度。③推荐系统界面是用户使用该系统首先会关注到的变量，不同界面对用户产生的视觉冲击不同，根据访谈资料，用户认为推荐系统界面设计越友好，越容易让其产生新鲜感，进而越容易产生高体验满意度，即界面友好性正向影响数字图书馆智能信息推荐服务满意度。④推荐系统也引发了用户对个人隐私的担忧，访谈资料显示，用户较难接受隐私保护能力低的推荐系统，尤为厌恶服务方出售其信息以牟利的行为，因此，推荐系统越能保证用户隐私安全，用户满意度越高，即隐私安全性正向影响数字图书馆智能信息推荐服务满意度。结合上述各基本范畴与主范畴间关系以及各基本范畴对数字图书馆智能信息推荐服务满意度的影响，可认为推荐系统质量正向影响数字图书馆智能信息推荐服务满意度。

5.2 推荐服务质量对数字图书馆智能信息推荐服务满意度的影响

推荐服务质量通过推荐及时性、推荐可控性和推荐个性化三个基本范畴体现。①推荐个性化能够反映推荐系统在多大程度上满足用户需求，访谈资料表明，用户认为推荐系统提供的推荐服务越个性化，其推荐的信息与用户需求就越匹配，用户越容易产生高体验满意度，即推荐个性化正向影响数字图书馆智能信息推荐服务满意度。②推荐可控性体现了用户所感知到的其对推荐服务的控制能力，结合访谈资料，部分用户希望可以自主决定推荐的频率、数量和时间等，尤为重要的是，当其发现推荐服务对其造成困扰时，用户希望可以选择退订或关闭，若系统继续强行推荐，则会引起其不满，因此，可认为推荐可控性正向影响数字图书馆智能信息推荐服务满意度。③推荐及时性反映了推荐服务的方便与快捷程度，体现了推荐系统的推荐效率，访谈结果显示，用户认为推荐越及时，越可能会对其产生价值，进而越容易产生高满意度，即推荐及时性正向影响数字图书馆智能信息推荐服务满意度。综上，可认为推荐服务质量正向影响数字图书馆智能信息推荐服务满意度。

5.3 推荐信息质量对数字图书馆智能信息推荐服务满意度的影响

推荐信息质量通过推荐信息的准确性、多样性、丰富性、及时性、实用性和精简性六个基本范畴体现。①不同推荐系统推荐的信息质量高低不同，结合访谈资料，用户认为与其他推荐系统相比，数字图书馆的推荐系统推荐的信息更加可信，但由于其推荐的信息往往专业性很强，用户也更难辨别信息是否真实准确，若其推荐的信息越准确，则越有可能产生高满意度，即推荐信息的准确性正向影响数字图书馆智能信息推荐服务满意度。②结合访谈资料，用户认为推荐系统一直推荐某种相似主题或内容的信息会造成其视野狭隘，不利于其长远发展，系统若提供具有差异性的信息内容，则可以在一定程度上避免“信息茧房效应”，也有助于满足其不断变化的信息需求，因此，可认为信息主题和内容越多样，越容易产生高满意度，即信息多样性正向影响数字图书馆智能信息推荐服务满意度。③访谈资料显示，用户认为面对海量碎片化信息和快节奏生活，系统推荐的信息越丰富，便越省时省力，其体验满意度便越高，即信息丰富性正向影响数字图书馆智能信息推荐服务满意度。④信息具有一定生命周期，只有处于生命周期内的信息才能对用户产生价值，信息及时性体现了信息的新颖性，结合访谈结果，用户认为系统提供的信息越新颖，对其价值越高，从而满意度也越高，即信息及时性正向影响数字图书馆智能信息推荐服务满意度。⑤针对用户同一需求，系统可能会提供很多信息，但访谈资料显示，用户认为不实用的信息会浪费其时间，系统提供的信息越实用，对其价值越大，越容易产生高满意度，即信息实用性正向影响数字图书馆智能信息推荐服务满意度。⑥访谈资料显示，用户认为系统推荐的信息越冗长，越容易引起其反感，体验满意度也越低，即信息精简性正向影响数字图书馆智能信息推荐服务满意度。综上，可认为推荐信息质量正向影响数字图书馆智能信息推荐服务满意度。

5.4 推荐形式多样性对数字图书馆智能信息推荐服务满意度的影响

推荐形式多样性主要通过推荐途径多样性、信息呈现形式多样性和资源格式多样性三个基本范畴体现。①推荐途径是用户接收到推荐内容的必经环节，访谈结果显示，用户认为系统提供的推荐途径（邮箱、短信、微信等）越多，符合其需求或偏好的可能性越大，其体验满意度也越高，即推荐途径的多样性正向影响数字图书馆智能信息推荐服务满意度。②不同呈现形式所表达的信息内容含量与情感不同，结合访谈资料，用户认为推荐系统提供的信息呈现形式（文字、图片、小视频等）越多样，越容易满足其不同需求或偏好，进而越容易产生高满意度，即信息呈现形式多样性正向影响数字图书馆智能信息推荐服务满意度。③不同资源格式具有不同特点，结合访谈资料，用户认为当系统无法准确识别其需求和特点时，推荐服务提供的资源格式（PDF、CAJ等）越多样，用户选择空间越大，其满意度也越高，即资源格式的多样性正向影响数字图书馆智能信息推荐服务满意度。综上，可认为推荐形式多样性正向影响数字图书馆智能信息推荐服务满意度。

5.5 用户偏好的调节作用

用户偏好通过推荐服务偏好、推荐系统偏好、推荐形式偏好和系统功能使用偏好四个基本范畴体现。本研究的访谈资料显示，用户偏好的不同，推荐系统质量、推荐服务质量、推荐信息质量和推荐形式对数字图书馆智能信息推荐服务满意度的影响程度会发生改变，因此，用户偏好具有调节作用。其中，推荐服务偏好主要调节推荐服务质量对数字图书馆智能信息推荐服务满意度的影响，推荐信息偏好主要调节推荐信息质量对数字图书馆智能信息推荐服务满意度的影响，推荐形式偏好主要调节推荐形式多样性对数字图书馆智能信息推荐服务满意度的影响，系统使用偏好主要调节推荐系统质量对数字图书馆智能信息推荐服务满意度的影响。

6 研究结果、贡献与展望

本文通过对访谈数据进行三级扎根分析，提炼出范畴并梳理“故事线”，系统地揭示了数字图书馆智能信息推荐服务满意度的影响机理。研究结果发现，数字图书馆智能信息推荐服务满意度包括推荐服务质量满意度、推荐系统质量满意度、推荐信息质量满意度和推荐形式满意度四个方面，推荐系统质量（系统稳定性、系统易用性、界面友好性和隐私安全性）、推荐信息质量（推荐信息的准确性、推荐信息的多样性、推荐信息的丰富性、推荐信息的及时性、推荐信息的实用性和推荐信息的精简性）、推荐服务质量（及时性、推荐可控性和推荐个性化）和推荐形式多样性（推荐途径多样性、信息呈现形式多样性和资源格式多样性）在用户偏好（推荐服务偏好、推荐系统偏好、推荐形式偏好和系统使用偏好）的调节作用下，直接对数字图书馆智能信息推荐服务满意度产生正向影响。

本文主要贡献如下：①以往研究对社交媒体情境下智能信息推荐相关主题研究较多[58-60]，但聚焦数字图书馆这一学术情境开展的针对性研究相对较少，在这些研究中，主要探讨了数字图书馆智能信息推荐的系统设计、算法优化、模型构建和功能拓展等主题，本文从用户满意度视角对数字图书馆这一学术情境下智能信息推荐服务的影响机理进行扎根探测，填补了现有研究的不足，丰富了现有研究的主题，并进一步加深了人们对智能推荐服务满意度的理解。②以往对不同情境下智能信息推荐服务满意度影响因素的研究主要采用定量方法开展，使得一些潜在的影响范畴未能被发现，且影响因素间的作用关系缺乏系统梳理。本文采用质性方法进行差异性的探索性研究，系统地揭示了数字图书馆智能信息推荐服务用户满意度的影响因素，对各要素的作用路径进行了剖析，并从理论层面构建了研究框架，为后续智能推荐服务的相关研究问卷量表和评价模型指标的设计提供了理论参考，也为数字图书馆智能信息推荐服务的优化提供了实践依据。③验证了改进后D&M模型在数字图书馆智能信息推荐服务领域的契合性，延伸了该理论的适用场景，同时，新提炼出推荐形式多样性范畴的影响作用，并进一步考察了用户偏好的调节影响，深化和拓展了改进后的D&M模型，为未来研究提供了新思路。④为智能信息推荐服务赋予了新内涵和新要求。在以往研究或实践中，推荐系统更多地关注用户个性化信息需求或信息偏好的实现，即“投其所好”，但用户需求是多层且易变的[61]，“投其所好”容易导致“隧道视野效应”和“信息茧房效应”，而数字图书馆作为传播知识的重要载体，其目标之一是开阔用户视野，促进其全面发展，因此，数字图书馆的智能信息推荐不仅需要实现“投其所好”（准确性），还需要实现“亮点纷呈”（多样性）和“意外之喜”（预见性）。

但本文尚存在一定的局限性。首先，采用扎根理论方法进行数据编码存在主观性，这导致研究模型及结论的可靠性需进一步提升。其次，对数字图书馆智能信息推荐服务满意度影响因素中的影响程度及影响路径关系的探究还有待深入，比如，各范畴对用户体验满意度的影响分别是多大，用户偏好的调节作用影响有多大等。后续研究可结合结构方程建模等方法进行定量实证研究，通过对更大范围的研究样本进行数据搜集与分析，使得影响路径和变量间的关系更加细粒化，从而进一步提升研究模型的稳健性和研究结果的普适性。