视频博客Vlog用户的持续使用行为影响因素研究

黄炜 沈欣芸 李伟卿

摘 要：[目的/意义]本文基于探索用户持续使用行为原理，挖掘Vlog用户持续使用行为状态及影响因素。一方面帮助Vlog行业从业者扩大用户规模，加强用户黏性，增加用户信息共生;另一方面分析高质量Vlog的特征，帮助平台给博主提供更好的衡量指标。[方法/过程]基于ECM-ISC及S-O-R范式，构建Vlog用户的持续使用行为概念模型。结合HMM模型方法探索不同影响因素对不同情况Vlog的差异。[结果/结论]用户的信息关注和对视频的满意度会直接影响其Vlog使用决策。用户对视频整体体现的效果感受会直接影响用户持续使用行为的判断。由于不同视频类型的差异，不同用户的情感认同和沉浸体验有明显差异。

关键词：视频博客;用户;持续使用行为;影响因素;隐马尔可夫模型;B站

DOI：10.3969/j.issn.1008-0821.2022.06.007

〔中图分类号〕G252.0 〔文献标识码〕A 〔文章编号〕1008-0821（2022）06-0069-11

Abstract：[Purpose/Significance]Based on exploring the principle of users continuous use behavior，this paper excavates the status and influencing factors of vlog users continuous use behavior.On the one hand，it helps vlog industry practitioners expand the scale of users，strengthen user stickiness and increase the symbiosis of user information;On the other hand，analyze the characteristics of high-quality vlog to help the platform provide better measurement indicators for bloggers.[Methods/Process]Based on ecm-isc and S-O-R paradigm，a conceptual model of vlog users continuous use behavior was constructed.Combined with HMM model method，the differences of different influencing factors on vlog in different situations were explored.[Results/Conclusion]users attention to information and satisfaction with video will directly affect their vlog use decision.Users perception of the overall effect of the video will directly affect the judgment of users continuous use behavior.Due to the differences of different video types，the emotional identity and immersion experience of different users are significantly different.

Key words：Vlog;user;continuous use behavior;influencing factors;HMM model;Bilibili

近年來，Vlog作为年轻人偏爱的一种视频表达方式，已成为网络视频的重要组成部分，并且其发展呈上升趋势。据第47次《中国互联网络发展状况统计报告》[1]显示，至2020年12月，网络视频用户规模达到了9.27亿，与2020年3月相比增加7 633万。Vlog作为网络视频的重要组成部分，其已成为新闻报道新选择、电商平台宣传新标配，其用户数量也一直保持相当高的水平且稳定上升。这代表Vlog行业已经度过初始接受阶段，进入持续使用阶段，Vlog行业来到了一个关键节点。我国相较于国外Vlog产业起步较晚且缺少宣传渠道，Vlog的播放量在很大一方面也取决于视频发布者本身的流量。

对于OSN（Online Social Networks，在线社交网络）而言，被用户采纳只是迈向成功的第一步，只有大量用户的持续使用才是决定成功的关键[2]。当前大部分研究都聚焦于Vlog被大众市场采纳的原因，而Vlog已被群众广泛接受，应当进入下一阶段的研究。本研究通过探索用户持续使用行为原理，挖掘Vlog状态及影响因素，一方面向Vlog行业从业者提供扩大用户规模的建议，加强用户黏性，增加用户信息共生[3];另一方面探索高质量Vlog所具有的特质，帮助平台给博主提供更好的衡量指标。

因此，本研究建立Vlog用户持续使用行为模型，以Bilibili网站的Vlog用户为例，收集相关核心视频数据进行实例分析。从内外两大方面因素出发，对Vlog相关数据进行分类、参数估计和回归分析。从数据出发，判断出Vlog视频所处的三大状态及状态间的关系，各状态的影响因素的关系，并通过结果分析出结论。

1 相关研究进展

1.1 视频博客Vlog

Vlog（视频博客）代替文本及图片记录，用视频对生活进行记录。Vlog制作者多以第一视角拍摄生活中的片段或事件，国内研究者大多将Vlog认为是拥有人格化特点和记录性的视频[4]。Vlogger（视频博主）通过其镜头语言凸显个人性格特点、生活态度，制作成具有个人特色且具有时效性的视频日记。Vlog日常化和第一人称的特性使其与观众产生代入感与情感联系[5]。Vlogger通过独白将观众拉入视频，并发布于社交平台，提供了一个网友们交流的平台。2AC46568-9043-4891-A42B-E92F97BB1D59

目前，对Vlog的研究大多集中在对其本身表现手法及形式、传播形式的探究。Vlog作为一种传递情感的虚拟社交，用户可以通过分享其真实形象直接实现社会资本的累积[6]。McClintock表示情感是满意程度的心态表露，可作为交换资源直接参与交换。许多学者将情感作为资源的传递应用于Vlog传播的研究中。面向Vlog的理论分析已经趋近饱和，目前主流观点是，Vlog一方面风格较小众，内容易同质化;一方面创作自由度高，内容易庸俗化。

当前，在针对Vlog的众多研究中，大多仅仅针对Vlog现状进行主观的行业发展分析，缺少更客观的研究，难以得出新鲜的结论，并且对Vlog的用户行为研究还较为稀缺，本文将在此方面进行针对性的研究。

1.2 持续使用行为

持续使用行为研究被国内外学者广泛应用于产品、网站、品牌上，通过对用户持续使用行为的研究，了解影响因素，由此进行产品改良，促进产业发展，尽可能多地留住用户。其研究范围十分广泛，各个网络平台的使用，以及各种网络产品的使用都有对持续使用行为的研究。基于这些研究，也已经形成了一些持续使用行为判断的体系、指标、模型。其中最常用的有信息系统持续使用模型（ECM-ISC）、期望确认理论（ECT）框架、“使用—满足”理论、S-O-R（刺激—机体—响应）范式。

S-O-R范式由Mehrabian A等[7]提出，描述了环境因素对用户行为产生的影响机制，常被应用于线上用户行为、消费行为和市场营销的研究。该模式描述了人类行为的一般模式，其理念为个体的认知感受会受外界刺激影响，该影响又会使个体做出决策，进行响应。

ECM-ISC中持續使用行为被“期望确认度”“感知有用性”“满意度”3个因素所影响，其关系如图1所示。

在持续使用行为的模型研究方面，Bhattacherjee A[8]突破了技术接受模型（TAM）的不足，在期望确认理论的基础上建立了ECM-ISC。Jeung-Tai E T等探讨了在期望确认理论中包含体验价值在研究博客网站持续使用中的价值，证明了其对博客研究的适用性[9]。孙建军等以期望确认模型为框架，建立了视频网站持续使用模型[10]，并通过实证分析证明了感知娱乐对视频网站持续使用意向有显著影响[11]。由Kate E[12]提出的“使用—满足”理论则广泛应用于对社交媒体用户行为的研究，认为用户的需求基于外部社会环境与自身心理的共同影响，而非盲目选择。如Hsu M H等[13]基于“使用—满足”理论，加入了感知交互性变量，对Facebook用户持续使用行为影响因素进行了分析。

近年来，邓君等以知乎为例研究了用户的非持续使用行为，得出了各个因素对用户意愿的影响[14];孙挺等通过研究社会化阅读用户的持续使用意愿，来探索社交因素对大学生群体和混合人群的影响作用机理[15];武慧娟等则对微阅读用户的持续使用行为影响因素及作用路径进行了深入研究[16]。

然而，当前持续使用行为研究侧重于对平台、App[17-19]的研究，而面向某一产业的研究较少。研究构建的模型大多比较偏向宏观且往往缺乏相关的实验探索和持续行为的状态变化描述。如ECM-ISC模型作为一个通用模型，虽提出了影响用户持续使用行为的三大因素及其内部影响关系，但并未表现出用户的内在动机与需求。尤其对于Vlog这种注重让观众产生代入感和情感联系的表现形式来说，更多是其中的情感连接促使用户产生持续使用行为。本研究将针对Vlog对其进行进一步探索。

2 Vlog用户的持续使用行为影响因素分析及模型构建

2.1 影响因素

正如用户对产品的期望程度被企业的名声、广告宣传、用户的个人体验等外部因素所影响。勒温（Kurt Lewin）提出了人类行为的一般公式：B=f（P，E），即人类行为（B）是受自身因素（P）和环境因素（E）影响的函数。用户对Vlog的期望同样被用户个人认知及Vlogger的粉丝量、播放量等外部因素所影响。Vlogger的个人魅力是吸引受众的首要因素，其印象管理与在受众话语权下给Vlogger带来的额外人格赋魅，共同促使用户持续观看Vlog[26-27]。

基于当前对Vlog影响因素的研究，总结出其影响的内外因素，如表1所示。影响Vlogger用户持续使用行为的因素大致可分为两类。一类是内因，即基于视频的情感认同、沉浸体验，以及影响最终决策的信息关注与满意度;另一类是外因，即Vlogger个人魅力和用户审美区隔心理对认知的影响。此外，感知有用度和满意度为用户层面影响指标，信息关注为Vlog持续使用层面影响指标。

1）情感认同为衡量用户对Vlog内容接受度的内部感知因素。Vlog作为以情感传递为核心的娱乐方式，通过“准社会关系”给用户带来积极的情感体验。相较同样带来情感体验的社交网络，社交网络中很多信息是被动呈现的，且容易发生消极社会比较[31]。Vlog的信息获取则是主动的，用户观看Vlog时产生的情感认同，是用户进行持续使用行为的主要判断因素。

2）沉浸体验为衡量用户娱乐需求满足程度的内部感知因素[23]。Vlogger与用户之间的互动能令用户体会到真实的社会情感交流，与Vlog中角色进行拟社会人际互动时，易发展出“幻觉式亲密关系”[24]，从而促使用户产生持续使用意向。

3）Vlogger人格赋魅为衡量用户娱乐需求满足程度的外部表现因素，是用户持续观看Vlog的核心驱动力。Vlog因为Vlogger的人格化特点而被新一代年轻人所广泛接受[27]，此特点使用户更易达成情感认同，获得沉浸体验，并使用户产生积极的娱乐体验，从而对Vlogger更多的内容产出产生期待，外显为被Vlogger人格魅力所吸引。

4）审美区隔心理为衡量用户对视频质量评判的外部表现因素，会直接影响用户对视频的信息关注。审美作为一种隐性的“区隔”力量，使文化资本占有者对各个阶层的审美活动进行软性支配和引导。人与人之间的审美与喜好是有个体差异的，尤其是在Vlog内容同质化严重的情况下，用户观看不同质量的Vlog达成的情感认同和沉浸体验程度有明显差异，从而影响用户地选择，由此外显为不同审美“质量”的Vlog在用户反馈数据上的差异。2AC46568-9043-4891-A42B-E92F97BB1D59

5）满意度是用户综合体验，也是用户即时体验的衡量标准。Vlog用户的满意度是观看完Vlog后最直观的感受，会影响用户观看后的行为。如直接退出或进行点赞、投币等促进信息关注的可观测行为，与信息关注从即时和长远影响角度对用户持续使用行为产生影响。

6）感知有用度为对Vlogger人格赋魅和审美区隔心理进行概括的概念性指标。该指标综合体现了用户对Vlog的价值判断，即通过Vlog是否达到了娱乐或情感互动效果。

7）信息关注是各因素影响结果的一个重要衡量标准。对于通过平台传播信息的Vlogger来说，信息关注度影响着平台算法，决定了视频的推广程度和曝光度，高信息关注度是Vlogger长远发展的重要指标。

2.2 模型构建

本研究基于S-O-R（Stimulus-Organism-Response，刺激—机体—响应）范式，结合信息系统持续使用模型（ECM-ISC）和相关研究建立了Vlog用户持续使用行为理论模型。

S-O-R范式由表示外部环境因素的前因变量Stimulus（刺激）、表示个体的情感和认知反应的中介变量Organism（机体），以及表示个体态度或行为上的反应的结果变量Response（反应）三部分组成，核心理念为个体的情绪状态会受到环境刺激的作用而产生相应变化，这一情绪状态又使得个体执行趋近或规避行为。

本研究将内部因素及外部因素作为前因变量，内部因素通过用户感知转化为外部因素。中间因素和信息关注作为中介变量，是对用户感受的綜合评判指标。产生的持续使用判断过程为结果变量，反映了用户决策过程。此外，观看和互动对情感和行为忠诚都有着正向影响，即对持续使用行为存在正向影响。在变量对感知有用性、满意度的多重作用下，促使用户花费更多的时间，产生对Vlog的持续观看行为，而用户对Vlog的反馈会体现在评论、弹幕、点赞、收藏、播放等可观测数据上。

弹幕表现实时的情绪，评论表现Vlog观看后的期望结果。点赞量表现用户对Vlog的喜爱。同时，收藏与投币量将会给予Vlog正反馈，平台的视频推荐机制会给视频更多被看到的机会，从而获得更高的播放量，且质量高的视频会被多次观看。粉丝基数则更多地影响Vlog的播放量，充足的粉丝基数能保证Vlog的基础播放量且通过推荐机制吸引更多的人观看Vlog。基于此，对Vlog持续使用行为进行因素上的完善，如图2所示。

3 基于HMM的Vlog用户持续使用行为量化分析

3.1 HMM模型方法

HMM模型为Baum L E等[32]和Egon提出的一种统计模型，它包括一组隐含状态序列和一组观测序列，用来描述一个含有隐含未知参数的马尔可夫过程。作为一种十分成熟的概率统计模型，HMM模型可以考虑时间序列的影响，因此在描述动态随机过程上有突出的优势[33]。HMM模型最初被广泛应用于信号处理，现已被推广到语音、行为、文字识别和故障识别等多个领域[34]。其用来研究一个含有隐含状态的马尔可夫过程，通过隐藏状态来表示该过程的潜在变化，并识别状态间的转换[35]。Vlog用户在进行持续使用决策时，心理和感知的状态是难以直接观测的[36]。

使用λ=（S，U，C）三元组来表示一个隐马尔可夫模型，S表示初始持续使用行为状态概率向量，U表示持续使用行为状态转移概率矩阵，C表示持续使用行为决策概率矩阵。

1）初始持续使用行为状态概率向量S

S={s1，s2，…，sN}，N为隐状态个数（其中1表示最初级状态，N表示最高级状态），s1为其初始状态，sN表示处于第N状态持续使用行为的初始概率。

2）持续使用行为状态转移概率矩阵U

U=U（w，t，t+1）=（Uwij）N×N（1）

Uwij=P（gwt+1=j|gwt=i）

Uwij表示观看者w在时刻t处于状态i的条件下，在时刻t+1转移到状态j的概率。该公式用来描述Vlog各个状态间转移的概率，通过参数估计对持续使用行为中各状态的变化情况进行具体分析。

持续使用行为状态在相邻时刻有提升（gwt+1>gwt）、下滑（gwt+13）持续使用行为决策概率矩阵C

C（w，n）表示Vlog视频w在时刻t的可观测的持续使用行为决策概率矩阵，其定义如下：

C（w）=（cwik）N×H

其中cwik=P（xwt=vk|gwt=i），cwik是观看者w在时刻t基于状态i条件下生成持续使用行为决策vk的概率。

3.2 满意度与信息关注函数

设Awt+1i表示Vlog视频w处于状态i条件下在时刻t+1的满意度，Collectionwt+1、Goodwt+1、Coinwt+1分别表示Vlog视频w在时刻t+1的收藏、点赞、投币，3个变量的因果关系用效用函数表述如式（2）所示。

Awt+1i=ρi1Collectionwt+1+ρi2Goodwt+1+ρi3Coinwt+1 i∈{1，2，…，N}（2）

其中ρi表示持续使用状态为i时，各因素对满意度的影响程度。

设Bwt+1i表示Vlog视频w处于状态i条件下在时刻t+1的信息关注度，Watchwt+1、Repostwt+1分别表示Vlog视频w在时刻t+1的观看、转发，两个变量的因果关系用效用函数表述如式（3）所示。

Bwt+1i=αi1Watchwt+1+αi2Repostwt+1 i∈{1，2，…，N}（3）

其中αi表示持续使用状态为i时，各因素对信息关注的影响程度。

式（2）、（3）详细地对内部决策因素满意度和信息关注进行了量化定义，并通过下文实验分析中的相关性分析对满意度和信息关注进一步定义，对持续使用行为的用户体验因素和促进程度进行了体现与衡量。

3.3 状态影响函数

观看者的持续使用行为决策会受到信息关注（Attentionwt）、情感认同（Emotionwt）、沉浸体验（Immersewt）、满意度（Satisfywt）等内部变量的影响，构建状态影响函数，如式（4）所示。

cwik=βi1Attentionwt+βi2Emotionwt+βi3Immersewt+βi4Satisfywt i∈{1，2，…，N}（4）

其中，βi=（βi1，βi2，βi3，βi4）表示各因素变量对Vlog状态的影响程度。

该公式展示了4个因素对Vlog状态的影响情况。

3.4 BIC准则

BIC准则是被Schwarz G E[37]提出的一种识别模型标准的信息量准则，应用十分广泛，可确定HMM模型的隐含状态个数。其计算公式为：

BIC（J）=-2logL（J）+nplog（R）（5）

其中，L为该模型的极大似然函数值，np为该模型中自由参数的数量，R为观测的样本数，BIC准则的基本思想为似然函数最大化和模型复杂程度最小化。

该准则确定了数据集的Vlog状态数。

4 实验分析——以Bilibili为例

4.1 样本来源与数据处理方法

本次实验分析选择了目前国内最大的Vlog作品集聚地——Bilibili。根据2021年《哔哩哔哩Q2财报》，B站月均活跃用户达2.37亿，移动端月均活跃用户达2.2亿，生活类更是作为最受用户欢迎的内容品类。作为“中国版YouTube”，Bilibili聚集了众多自媒体，Vlog日均产量达上千条。

数据集选取B站2017年7月11日—2021年1月17日的100个Vlog数据，爬取数据包括“UP主”“视频标题”“粉丝量”“播放量”“弹幕量”“收藏数”“硬币数”“转发数”“点赞数”，以及每个视频的约1 500条“弹幕”和1 000条“评论”数据，总计约150 000条彈幕和100 000条评论。调用百度Api进行情感分析，对文字信息进行量化，得出评论的情感倾向“Sentiment（评论）”、弹幕的主观性“Confidence（弹幕）”。基于已爬取的数据对其相关性进行分析，依据其相关性对信息关注度及满意度指标进行定义。基于HMM模型，通过Python代码及最小BIC值原理选取最佳拟合模型并进行数据分类。按照分出的3个类型，利用最小二乘法进行具体分析。

本文数据主要使用Python爬虫在哔哩哔哩网站进行数据爬取，导入百度Api使用Python代码进行分类和情感分析，利用Hmmlearn模型实现Baum-Welch算法[38]对HMM模型进行参数估计，使用Spss26.0进行Pearson相关性及回归分析。

4.2 变量及因素的量化定义

播放量作为用户行为的最终以及关键表现因素，通过皮尔逊相关性实验得出其与其他各个表现因素的相关关系，实验结果如表2所示。依据各个变量相对于播放量的相关性及式（2）、（3）得出各个变量的衡量指标表如表3所示。

4.3 外部变量

在HMM模型中，外部变量包括Vlogger个人魅力和用户审美区隔心理，其中：①Vlogger人格赋魅是Vlogger对用户影响力、声誉的主观折射;②用户审美区隔心理是指用户受Vlogger风格的影响，会影响后续用户的点击率。

1）Vlogger人格赋魅

Vlog在Bilibili表现出了明显的“粉丝经济”，粉丝是内容消费者，也是内容产出者。顶层Vlog的博主自身具备一定的流量，有充足的粉丝基础。UP主们为平台提供优质内容，吸引更多粉丝加入，粉丝们通过点赞、发弹幕、评论等互动行为激励UP主持续创作。内容的产出者与消费者彼此促进，形成完美的良性循环，使UP主创作出更多的优质作品，从而获得更多的关注[39]。

因此，基于数据集在此进行播放量与粉丝量的相关性分析。分析得其显著性为0.000，在0.01级别相关性显著。Pearson相关系数为0.512，说明粉丝量与播放量存在明显的正相关关系。

2）用户审美区隔心理

用户在观看Vlog时，总会期望从视频制作者的作品中找到共鸣。尤其在当代，年轻人格外渴望寻求自己与他人的不同。Vlog与短视频相比，其画面、文字、配乐更加精良，更加符合当代年轻人的审美趣味。Vlog内容涵盖旅游、娱乐、美食等多个领域，而Vlog中表达的正能量的生活也正与年轻人对美好生活的向往不谋而合，也象征着人们对高审美和生活品质的追求。用户审美区隔心理则作为个人之间存在的差异，对用户的感受产生影响。

4.4 内部变量

在HMM模型中，内部变量包括情感认同、沉浸体验、满意度和信息关注4个指标。其被各种中间变量所决定，中间变量样本特征如表5所示。

4.4.1 HMM训练与参数估计

基于HMM模型定义，确定其隐含状态。根据BIC准则的计算公式，如式（5）所示，结果如表6所示。根据最小BIC值准则[40]，N=3时HMM模型的拟合度最优，所以下述分析将采用1阶段能力状态的HMM模型，此时CK={1，2，3}，状态集中的3种状态分别表示为“初级状态”“中级状态”和“高级状态”。2AC46568-9043-4891-A42B-E92F97BB1D59

本文中Baum-Welch算法利用Python的隐马尔可夫HMMLearn库进行实现。对数据集中的样本数据进行训练，构建多维连续HMM模型。对Vlog不同状态观测值进行参数估计[41]，结果如表7所示。本研究从初始概率向量来看，大部分Vlog集中于状态2，状态1与状态2相对较少。从状态间转移概率看，转移过程中，状态几乎不变，十分稳定，相对状态1有较小可能发生变化。

4.4.2 结果分析与讨论

对不同状态集进行数值实验。基于式（4），对其进行回归分析，结果如表8所示。

1）基础信息分析及讨论

根据上表及内部变量随状态变化趋势，如图3所示，观测得：

a.状态1为初级状态，即Vlog满意度较低，播放量相对较少（几万～几十万量级）。处于该状态的视频博主拥有一些粉丝基础，但并没有稳定的高质量视频输出。

b.状态2为中级状态，即Vlog满意度中等，处于该状态的视频博主已经处于Vlog行业的核心地带，并保持着长期的高质量水平输出，拥有较丰富的粉丝基础。

c.状态3为高级状态，即Vlog满意度较高，处于该状态的视频博主与状态2的视频博主有部分重合。

由数据集分类结果和内部变量随状态变化趋势，如图3所示，可以得出以下观点。

①用户的信息关注和对视频的满意度会直接影响其Vlog使用决策。信息关注决定了用户是否会在博主下一次更新时及时关注，而长期的信息关注会使用户对博主产生依赖心理[42]。满意度则决定了该博主视频对用户的吸引力。二者共同作用，使观看Vlog演变为习惯，习惯促使用户在空闲时间主动寻找Vlog观看，从而产生持续使用行为。

②满意度随状态的提升上升。满意度对初级和高级状态Vlog均有相对显著的直接正向影响，而中级状态大部分都保持着稳定的满意度。用户对视频整体体现的效果感受会直接影响用户持续使用行为的判断。

③仅凭借内部变量，从初级状态到中级状态的概率很小，而中级状态到高级状态的突破几乎是不可能的。这也说明如果要实现状态突破，需要外部变量，即极高的粉丝量或极具价值的视频内容的助力。

④情感认同对初级状态Vlog的信息关注有显著负向影响，而其他状态影响不明显。一方面其原因可能是，初级状态Vlog的内容更趋向于小众化，不具备代表性，难以形成情感认同;另一方面，Vlog表现形式具有时间限制，观看时间不充足导致难以形成情感认同。

⑤沉浸体验对高级状态Vlog的信息关注有显著负向影响，而其他状态不明显。该结论与陈明红[42]的结论一致，但与其他相关研究不一致。其原因可能是，處于高级状态的Vlog比起日常生活的记录，更趋向于对人生关键节点的“非日常”记录，并且一部分用户是被热度所吸引，并非基于本身兴趣。用户没有主观对Vlog的认同，难以形成沉浸体验。初、中级状态则因为观看Vlog时间的“碎片化”，难以形成沉浸体验。

2）优势积累

从初级状态向高级状态跃迁的过程，即视频博主长期满足用户需求的Vlog通过高信息关注的优势累积，从而达到粉丝与视频播放量的双重增长。因而，从用户角度，用户期待Vlog与自身的情感契合、长期的优质产出、Vlogger的个人魅力。从视频博主角度，Vlogger期待用户长期的高信息关注和粉丝量的增长。只有用户与博主的双向作用，才有可能跃迁到高级状态，成为Vlog流量大V，如图4所示。

5 总结与展望

针对Vlog用户持续使用行为，通过文献梳理和数据分析，以S-O-R为基础架构，推论出Vlog用户持续使用模型。基于此，对其进行情感分析、Pearson相关分析、参数估计等，进行模型验证。以下从用户层面影响因素，Vlogger层面及Vlog层面对其进行深度挖掘，得出结论如下：

1）用户的信息关注和对视频的满意度会直接影响用户是否选择继续观看Vlog，以及是否将观看Vlog作为娱乐习惯。由于Vlog的时长限制，“碎片化”的观看令用户难以形成情感认同与沉浸体验，并且流量过高的视频吸引来的部分用户会拉低视频的数据质量，视频内容仅仅是“个人”生活体验的Vlog流量往往较低。

2）Vlogger要想成为头部博主，需要经过前期长期稳定的优质内容输出以及运气加成和后期粉丝量的累积，才能获得稳定的高质量数据。“出圈”的Vlog则需要满足两点要求，一是博主本身具备较高热度;二是视频内容与热点话题结合，有“爆点”，让用户有分享欲。

3）经数据集分类结果总结，用户Vlog类型偏好为：日常记录类<搞笑类<“非日常”记录类。这说明用户更偏爱内容新颖、信息充实、有现实意义的Vlog。从博主方面，做出高热度视频的博主大多主职其他类别视频，而并非专职Vlogger，而专职Vlogger视频内容易同质化，具有一定限制。

在国际市场，Vlog已经经过了9年的考验。而在国内，Vlog作为舶来品，于2016年才受到广泛的关注，正处于发展的关键点。目前，Vlog的发展蒸蒸日上，在各个自媒体，各领域视频创作者都有逐渐向Vlog博主转型的趋势，并且Vlog创作不受领域限制。Vlog的制作是低门槛的，它展示人们的生活，这方面与其他需要专业知识的视频不同。但从另一方面，高质量的Vlog制作的难度也极大。

Vlog的未来发展需要持续高质量的输出，提高Vlog的整体档次，压缩低质Vlog的市场。按照Vlog现在的发展趋势以及一些高效Vlog制作软件的出现，在未来，Vlog有机会冲击现今短视频的“全民参与”地位，代替图片作为一种更鲜活的生活记录方式。但同时，Vlog若想向高普及率发起冲击，对Vlogger的要求极高。Vlogger需要制作出满足更多人对美好生活向往的Vlog，其自身也必须十分优秀以及拥有独特的生活体验。从文字到图像，再到影像，人们的记录方式越来越先进，这不仅仅是一种生活的记录，更是一种文化的记载。随着科技的发展，VR、AR技术的出现也许在未来能给Vlog的发展带来新的生机，从二维平面影像变为三维全息立体影像。Vlog也将从积极情绪的传递，变为沉浸式人生体验。2AC46568-9043-4891-A42B-E92F97BB1D59

本研究仍存在一定的局限性，研究模型或许不够完善，获取数据有限，只能从宏观方面进行分析，未从用户角度深入探究，后续研究可在情感认同和沉浸体验方面，进一步探索用户心理。

参考文献

[1]CNNIC.第47次《中国互联网络发展状况统计报告》[EB/OL].http：//www.gov.cn/xinwen/2021-02/03/content_5584518.htm.

[2]楊善林，王佳佳，代宝，等.在线社交网络用户行为研究现状与展望[J].中国科学院院刊，2015，30（2）：200-215.

[3]阳长征.突发事件中社交媒体用户黏性与情感负荷对信息共生行为影响研究[J].情报学报，2021，40（6）：640-655.

[4]张昕.Vlog的特点与发展趋势——从视觉说服视角[J].青年记者，2018，（17）：98-99.

[5]Wang Y W.Humor and Camera View on Mobile Short-form Video Apps Influence User Experience and Technology-adoption Intent，an Example of TikTok（Dou Yin）[J].Computers in Human Behavior，2020，110：106373.

[6]邓胜利，杨璐伊，付少雄.基于自我差异理论的社交网络用户自我披露行为研究[J].情报理论与实践，2021，44（3）：122-130.

[7]Mehrabian A，Russell J A.An Approach to Environmental Psychology[M].US：MIT，1974：43.

[8]Bhattacherjee A.Understanding Information Systems Continuance：An Expectation-Confirmation Model[J].Mis Quarterly，2001，25（3）：351-370.

[9]Jeung-Tai E T，Chi-Hui C.Integrating Experiential Value of Blog Use Into the Expectation-Confirmation Theory Model[J].Social Behavior and Personality：AnIinternational Journal，2010，38（10）：1377-1389.

[10]孙建军，裴雷，刘虹.基于期望确认模型的视频网站持续使用模型构建[J].图书情报知识，2013，155（5）：82-88，45.

[11]刘虹，裴雷，孙建军.基于期望确认模型的视频网站用户持续使用的实证分析[J].图书情报知识，2014，159（3）：94-103.

[12]Katz E，Blumler J G.The Uses of Mass Communication：Current Perspectives on Gratifications Research[J].American Journal of Sociology，1974，3（6）：318.

[13]Hsu M H，Chang C M，Lin H C，et al.Determinants of Continued Use of Social Media：The Perspectives of Uses and Gratifications Theory and Perceived Interactivity[J].Information Research，2015，20（2）：671.

[14]邓君，魏瑶，李蛟，等.在线知识社区用户非持续使用意愿研究——以知乎为例[J].情报科学，2021，39（5）：138-145，155.

[15]孙挺，夏立新，李雪，等.社会化阅读用户持续使用意愿影响因素的荟萃分析[J].情报科学，2021，39（7）：153-161.

[16]武慧娟，尚冰琦，孙鸿飞，等.微阅读用户持续使用行为影响因素及作用路径研究[J].情报科学，2020，38（6）：76-82，102.

[17]张大权，朱泓飞，孙笑.基于扎根理论的高校新媒体平台信息用户持续关注行为影响因素分析[J].情报科学，2021，39（3）：113-119.

[18]庞立君，杨洲.虚拟品牌社区中信息交互对用户参与行为的影响研究[J].情报科学，2021，39（7）：108-115.

[19]张敏，龙贝妮，邵欣，等.短视频APP用户持续使用意愿之形成机理及其治理展望——基于拟态陪伴的分析视角[J].现代情报，2021，41（7）：49-59.

[20]Tajfel H.Differentiation Between Social Groups：Studies in the Social Psychology of Intergroup Relations[J].London：Academic Press，1978.

[21]熊励，郭慧梅.基于动机认知理论的突发事件网络信息分享行为影响因素研究[J].情报杂志，2021，40（5）：125-131.

[22]欧阳宏生，胡畔.交互传播中的移情效应及其实现途径[J].西南民族大学学报：人文社科版，2017，38（1）：174-178.

[23]张宁，袁勤俭，朱庆华.个体认知专注与虚拟社区参与关系的元分析[J].情报学报，2018，37（2）：161-171.2AC46568-9043-4891-A42B-E92F97BB1D59

[24]Horton D，Richard W R.Mass Communication and Para-social Interaction[J].Psychiatry，1956，19（3）：215-229.

[25]Katz E，Haas H，Gurevitch M.On the Use of the Mass Media for Important Things[J].American Sociological Review，1973，38（2）：164-181.

[26]彭蘭.连接与反连接：互联网法则的摇摆[J].国际新闻界，2019，41（2）：20-37.

[27]王德胜，杨园园.共情抚慰、整合归属与人格赋魅：对年轻群体Vlog观看动机的研究[J].中国编辑，2020，（Z1）：45-49.

[28]魏抒.Vlog的受众心理与优化策略探析[J].传媒，2020，（11）：52-54.

[29]季亚萍，万棋民.传播学视角下短视频APP用户的个体表达——以小咖秀为例[J].新闻研究导刊，2016，7（23）：70-71.

[30]Gao L，Bai X.An Empirical Study on Continuance Intention of Mobile Social Networking Services：Integrating the IS Success Model，Network Externalities and Flow Theory[J].Asia Pacific Journal of Marketing and Logistics，2014，26（2）：168-189.

[31]甘春梅，林晶晶，肖晨.社交网络用户间歇性中辍行为的影响因素研究[J].情报理论与实践，2021，44（1）：118-123.

[32]Baum L E，Petrie T.Statistical Inference for Probabilistic Functions of Finite State Markov Chains[J].Annals of Mathematical Statistics，1966，37（6）：1554-1563.

[33]廖雯竹，李 丹.基于SAEM-HMM的设备状态诊断模型研究[J].系统工程理论与实践，2017，37（7）：1910-1918.

[34]张瑞，董庆兴.基于LDA-HMM的知识流动模式发现研究[J].情报科学，2020，38（6）：67-75.

[35]韩冬梅，夏丽华.基于HMM模型的MOOCs持续使用行为影响因素研究[J].情报科学，2020，38（12）：70-77.

[36]Huang Y，Singh P V，Ghose A.A Structural Model of Employee Behavioral Dynamics in Enterprise Social Media[J].Management Science，2015，61（12）：2825-2844.

[37]Schwarz G E.Estimating the Dimension of a Model[J].The Annals of Statistics，1978，6（2）：461-464.

[38]Rabiner L R.A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition[J].Proceedings of the IEEE，1989，77（2）：257-286.

[39]黄仲山.隐性“区隔”与显性支配——论审美趣味与审美权力的双向建构[J].山东大学学报：哲学社会科学版，2014，（6）：147-152.

[40]Wasserman L.Bayesian Model Selection and Model Averaging[J].Journal of Mathematical Psychology，2000，44（1）：92-107.

[41]Singh P V，Tan Y，Youn N.A Hidden Markov Model of Developer Learning Dynamics in Open Source Software Projects[J].Information Systems Research，2011，22（4）：790-807.

[42]陈明红，郑洁萍，漆贤军.移动社交媒体用户信息共享持续意愿研究[J].情报理论与实践，2017，40（4）：37-43.

（责任编辑：陈 媛）2AC46568-9043-4891-A42B-E92F97BB1D59