社交媒体如何维持高频专业内容产出

李卓群

摘要：在社交媒体纷纷探索内容机构化运营的背景下，专业生成内容（PGC）成为社交媒体内容产出的典型方式和运营基础。基于模糊集定性比较分析（fsQCA）方法，以社交媒体的专业用户为研究对象，挑选50个知乎专栏账号作为样本案例，探讨了PGC决策的主要因素和原因构型条件，分析了自我效能、沉没成本、网络中心性、声誉和平台归属感等前因要素的交互作用对PGC决策的复杂影响机制，发现了高频PGC决策的4种主要构型：（1）中心用户的高频PGC决策，可由高自我效能及高声誉实现；（2）对平台缺少归属感的用户，其高频PGC决策可由高自我效能、高沉没成本和高声誉实现；（3）低自我效能用户的高频PGC决策可由高沉没成本、高声誉和平台强归属感实现；（4）高自我效能、高沉没成本、中心位置、平台强归属感这4个核心条件，共同导致了高频PGC决策。根据分析结果，提出了用户自我效能提升策略、声誉累积策略、沉没成本有形化策略、平台归属感巩固策略，作为基于社交媒体内容运营的具体建议和措施。

关键词：社交媒体；PGC；构型；模糊集；定性比较分析

中图分类号：G206      文献标志码：A      文章编号：1008-4657（2023）04-0066-11

0        引言

社交媒体平台上的网页创建、点赞、转发、评分和评论等UGC（User  Generated  Content，用户生成内容）行为作为一种新型数字劳动，已成为数字时代的资本价值源泉［ 1 ］。在网络出版和新媒体领域，虽然UGC充分发挥了用户的普遍参与性，但并非所有用户都有生产专业内容的能力，因此偶然性、碎片化、低质化、版权不明成为UGC的主要弊病，使大量流量难以变现［ 2 ］。为解决这些弊端，许多社交媒体已经开始借鉴传统媒体的规则，包括规范内容管理及优化内容与广告商之间的流畅连接，这意味着UGC正在向PGC（Professionally  Generated  Content，专业生成内容）转型［ 3 ］。国内社交媒体几乎是在同一时间纷纷开始探索内容机构化运营之路，在全民“捧网红”“追IP”的风口下，自制内容、签约专业人士、打造个人品牌等PGC运营方式带来了新一轮商业机会［ 4 ］。

知识分享相关研究对PGC运营决策提供了许多参考，而这类研究主要聚焦于两类视角：一是从用户角度探讨其动机或影响因素，涉及自我效能、承诺、信任等常见构念［ 5-7 ］；二是从企业角度探讨其商业模式和价值转化机制，如内容付费、知识变现等主题［ 8-9 ］。随着自媒体、网络直播等商业模式不断兴起，少量文献还关注了突发事件、直播电商等情境［ 10-11 ］。然而，已有研究使用的分析方法大多建立在单个因素对PGC决策有其各自独立影响的假设之上，给出的是恒定不变的因果路径，而基于方差分析的统计学方法忽略了典型案例的特征，从而无法关注到因果关系的多样性［ 12 ］。

因此，本研究将跳脱单一因果关系的分析框架，更加系统全面地探讨用户高频PGC决策的原因，使用模糊集定性比较分析（fsQCA）方法，用不同的因素组合来分别解释PGC决策的个体决策机制。为实现此目标，本研究以国内知名的知识社区——知乎为例，聚焦专栏用户群体，以50个活跃的专栏账号组成典型案例集合，并试图从案例中寻找并发式因果关系，回答哪些关键变量促成了高频PGC决策？变量之间具有怎样的相互联系？这种决策是被哪些复杂的组合机制所激发？以期能对社交媒体运营者提出可供参考的建议。

1       文献综述和理论模型

1.1       PGC决策的定义

学术文献中尚无关于PGC决策的明确定义，但根据Kim  J［ 3 ］的研究，PGC驱动的内容服务有别于UGC的业余主义和民粹主义理念，具有专业化、商业化和广告友好型的特征。他同时认为，社交媒体中的PGC和UGC共存，并与制度化媒体前景相协调，构成了一种“媒体融合”，而用户将会意识到专业的和受版权保护的内容越发占据主导地位。胡泳等[4]认为，就发展历程来看，作为新兴产物的UGC并没有取代PGC，甚至还存在种向PGC回归的趋势。新旧媒体之间是相互协同、互相催化的，互联网的去中心化也在重塑着传统媒体的形态，使得它们不得不重视用户反馈。

由此可见，学术界对PGC的共识有二：一是PGC和UGC存有交集，表明专业内容生产者既是平台用户，也以专业身份贡献内容（如微博中的意见领袖、科普作家和政务微博）。二是PGC具有传统媒体专业化、机构化和商业化等制度性特征（如YouTube平台的机构主播、正版授权视频、广告运营分成）。根据此二点共识，本研究将PGC决策定义为少数具有身份识别特征的专业用户，在社交媒体上生产具有商业价值的内容并宣示版权的行为。而关于PGC决策的前因探究，在对既有文献的归纳总结之上，本研究将从内部因素和外部因素两方面展开。

1.2       PGC決策的内部因素

其一，PGC倚赖内容生产者所拥有的专业知识，因此用户对自身专业能力的评估决定了其PGC决策。Bandura  A［ 13 ］指出，自我效能是指个人对自己解决未来问题的行动能力所作出的评估。个人的自我效能会决定其在应对行为中能够持续多久的努力。Nguyen  M等［ 5 ］通过实证研究发现，个人在专业学识上的自我效能是在线社区中用户参与知识分享的重要决定因素。

其二，用户为PGC决策所付出的努力，包括内容本身及关系投资，形成了一种沉没成本，一旦中途退出则不可回收，因此不得不持续进行PGC决策。Maier  C等［ 14 ］通过研究Facebook用户的行为发现，停止使用所导致的沉没成本和转换成本，会显著减少不连续使用意图。现实中社交媒体平台会通过一系列激励措施主动培育能生产优质内容的用户，通过事先议定的条款约束PGC频率和质量，从而保证专业内容的持续产出。一些“签约大V” 看上去更像是社交媒体运营者雇佣的员工，而不是其服务的对象，而合约关系则意味着更高的退出成本［ 15 ］。

1.3       PGC决策的外部因素

社交媒体应用是基于社交网络关系建立的，PGC用户同时是具有影响力、拥有个人特色和众多拥护者的“大V”，他们在社交网络中处于中心地位，而这种地位则可能深刻影响其PGC决策［ 16-17 ］。网络中心性是社交网络的结构属性，处于中心位置的个体对信息资源和社交关系具有控制权，展现了个体的地位和优越性［ 18-19 ］。Freeman  L  C［ 20 ］将网络中心性理解为三种维度：程度中心性、亲近中心性和中介中心性。程度中心性反映个体的控制范围和影响力，亲近中心性反映个体之间相对距离和互动频率，中介中心性反映个体是否占据人际连接的关键性位置，从而有能力操控资源流通［ 19-20 ］。研究表明，他人的态度或观点会影响个人决策，用户接受行为除了受个人决策风格和技术特点的影响外，更重要的是受到社会系统的影响［ 21 ］。由此可知，在社交媒体中，同是结构变量的网络中心性也有可能会影响PGC决策。

除结构维度以外，社交网络的关系维度同样可能影响PGC决策。由于PGC决策是和个体参与互动以及和其他用户维持社交关系的过程紧密相联的。Nettleton  D  F等［ 22 ］指出社会资本是个体互动关系的产物，在社交网络情境下，基于社交网络用户间的互动关系而产生的社会资本也具有一些新的特征。Luo  C等［ 6 ］认为对于虚拟社区中的知识分享，声誉是关键的推动因素之一。Hashim  K  F等［ 7 ］则建立模型，说明了用户的持续知识共享意愿部分由信任和归属感等因素调节。PGC决策具有典型的知识分享特征，因此以上理论研究同样适用于解释PGC决策机制。

综上所述，本研究提出PGC决策的影响因素模型（如图1）。该模型假设，PGC决策受到内部因素和外部因素的共同影响。其中，内部因素包含自我效能和沉没成本2个变量；外部因素包含网络中心性、声誉和平台归属感3个变量。首先，这5个变量是不是影响PGC决策的前因条件；其次，这5个变量在逻辑上可能组合出32种不同的原因组合，经过简化后，什么样的组合会最终导致高频PGC决策这一结果，是本研究需要解决的两个核心问题。

2    研究设计

2.1    研究方法：模糊集定性比较分析（fsQCA）

PGC决策机制是一个复杂的因果过程，是用户自我效能、沉没成本以及社交网络的结构维度、关系维度等内外因素的组合效应。换言之，单因素独立影响结果这一假设可能并不成立，而是多因素的交互（作用包括替代、互補的机制）导致了结果发生。此外，不同的因素组合（构型）可能殊途同归，但同一个构型内部所含的各因素对PGC决策的影响方向可能并不一致。因此，为展现PGC决策因果关系的多样性，本研究摒弃了传统的基于方差分析的统计学方法，而采用基于构型理论的定性比较分析（QCA）方法来梳理现象背后复杂的因果关系［ 23 ］。具体而言，本研究使用fsQCA方法建模，用多因素构型来分别解释PGC决策机制，在分析方法上有以下几个特点：

首先，不同于统计学方法聚焦于解释变量对结果变量的净效应，fsQCA方法将所有前因变量视为原因条件，并挖掘导致结果发生的多个原因条件的构型［ 24 ］。本研究分析了5个前因变量的组合效应对实现高频PGC决策这一结果的不同构型。其次，fsQCA方法充分利用了模糊集中集合隶属的渐进变化，而二分类化中代表完全隶属（1）和完全不隶属（0）的两种质性状态仍然被保留，使分析过程同时具备了定性和定量的属性。本研究中的条件和结果都使用模糊集表述，而所有变量观测值都通过锚点和校准，和模糊集隶属关系建立了连接［ 25 ］。最后，fsQCA方法实施了相对精确的基于充分性和必要性的一致性评估，对确立该条件是否构成PGC决策的充分条件提供了严谨的验证过程［ 26 ］。

2.2    数据来源

按照媒体内容所侧重的不同信息形式划分，目前国内外社交媒体主要包括文本、图像、音频/视频、交互式程序及其混合。为排除信息形式差别所带来的影响，本研究特别关注了知乎专栏平台，这一平台主要侧重的信息形式为文本、图像和视频。根据《知乎官方指南》，知乎专栏旨在为有意愿在特定主题下整合个人作品、输出个人品牌的创作者提供写作工具。从创建专栏的要求来看，专栏需要有明确的创作主题与写作方向（如经济学、心理学、饮食、旅游等），而机构号在达到相应等级后也可申请开通专栏。专栏可以收录和转载创建者本人及其他共建用户的作品，让创作者能够将更多切题的内容纳入专栏。由此可见，知乎专栏具有典型的PGC社交媒体属性，以知乎专栏账号这一目标群体为本研究的数据来源，能够充分保证QCA方法对“案例总体的充分同质性”的要求，以排除其他背景因素的干扰［ 23 ］。

在案例的筛选上，本研究要求所有备选案例须同时满足3个条件：（1）必须是专栏账号；（2）必须提供“付费咨询”服务；（3）专栏内首篇文章的编辑日期必须在1年前。这样筛选的理由有三：其一，要保证样本用户是PGC用户；其二，用户必须有内容定价权，本研究需要以咨询价格衡量该用户对自我效能的评估；其三，PGC数量及成就会随时间不断累积，为消除时间过短的影响，必须尽量保证所有样本用户使用知乎专栏至少满一年。此外，案例筛选还充分考虑了QCA方法对于“案例间的最大异质性”要求，从条件变量到结果变量，都充分囊括“正面表现”和“负面表现”的案例［ 23 ］。

综上，本研究根据下文设定的变量及测量依据，筛选了50个专栏账号，组成了可供分析的案例集。案例数量（样本量）已超过可能的条件逻辑组合数（50 > 32），案例数量和条件数量之间达到良好平衡［ 23 ］。

2.3    结果变量的测量

根据本研究对PGC决策的定义，样本用户发表的“专栏文章数”是最能代表其生产原创的有商业价值的内容行为的观测值。

2.4    条件变量的测量

由于原因构型的数量会随变量增加而呈指数级增长，因此需要把条件数量保持在较小范围，以规避有限多样性问题。本研究的条件变量从主要影响PGC决策的内部因素和外部因素中选取，共包含5个变量。

2.4.1   自我效能

选取“咨询定价”测量自我效能，因为这个指标是样本用户对所产出内容的主观定价，同时反映了其对自身专业能力的基于客观价值的评估。

2.4.2    沉没成本

选取“回答数”“文章数”“想法数”这3个指标综合测量沉没成本，因为这些指标均反映了样本用户长期累积的内容产出总量，是其在平台上投入时间和精力的客观表现。

2.4.3    网络中心性

从描述网络中心性的3个维度出发，选取“被关注数”“近7天动态数”和“关注数”分别测量程度中心性、亲近中心性和中介中心性。其中，“被关注数”直接描述了样本用户所能直接影响的其他用户的数量规模；“近7天动态数”包含了最近一周内用户所有和内容有关的行为记录，不论是专业或非专业、生产还是消费，因而体现了其努力参与社交互动的频率，能较好反映和其他用户之间的亲密程度；之所以选择“关注数”测量中介中心性，是因为PGC用户所关注的用户更容易成为其他人纷纷关注的对象，从而体现了PGC用户依靠专业影响力和声誉充当信息中介的程度。

2.4.4    声誉

本研究选取“优秀答主称号数”“被平台收录次数”“被赞同次数”3个指标综合测量声誉，因为这些指标均能代表样本用户收到的来自平台及其他用户的认可，能充分反映其在专业领域所积累的声誉。

2.4.5    平台归属感

本研究选取“参与公共编辑次数”测量平台归属感，因为这个指标反映了样本用户将自己视作平台一份子并努力承担平台公共事务的努力程度，是其划定、认同和维系自己和平台之间从属关系的客观表现。

2.5    数据的标准化

由于沉没成本、网络中心性、声誉均由多个不同量纲的二级指标合成，因此要对样本数据进行标准化处理。学者叶宗裕［ 27 ］建议，当综合评价的指标值都是客观数值时，应用均值化法（即：Zij = ■）对指标去量纲化，以尽量保留变异信息。而且，为了方便后续进行模糊值校准，也有必要尽量保留变异性。

此外，不同二级指标也应根据构念本身的内涵或指标所包含的信息量被赋予不同的权重。本研究结合平台实际，对均值化后的相关二级指标再进行主观赋权。其中，回答数、文章数、想法数分别赋予0.3、0.6、0.1的权重，以体现被动创作与主动创作、内容长短的区别；被关注数、近7天动态数、关注数分别赋予0.5、0.3、0.2的权重，以体现网络中心性三个维度的重要性差异；优秀答主称号数、被平台收录次数、被赞同次数分别赋予0.3、0.2、0.5的权重，则是基于平台评价和用户评价并重的考虑。最后，将所有变量的均值调整为100，仅保留整数位，如表1所示。

2.6    锚点和模糊值校准

校准是研究者根据相关理论和实际标准对案例数据进行转换，使隶属分数刻度化，从而以“部分隶属”解决清晰集构型分析中存在的过于质性化的问题。根据Ragin C C［ 24 ］的建议，在fsQCA方法中，必须先找出3个定性的锚点，建立連续变量得分与模糊集隶属间的关系。这3个锚点分别是：完全隶属（1）、交叉点（0.5）和完全不隶属（0）。参考Fiss P C［ 28 ］、Coduras A等［ 29 ］的研究，分别以案例数据的上四分位数、均值以及下四分位数设定锚点（如表2所示），并利用fsQCA 3.0软件进行校准。

2.7    计算与结果相一致的构型

通过校准程序，所有变量下的案例数据已被转换为相应的模糊子集，利用fsQCA 3.0软件的真值表运算，能将这些模糊子集组合成若干种构型，并筛选出与结果相一致的构型。根据Ragin C C［ 24 ］的建议，本文将一致性阈值设定为0.8，案例频数阈值设定为1，计算出三种解：复杂解、中间解以及简约解。复杂解（Complex Solution）没有借助任何逻辑余项（Logical Remainder，即反事实案例）化简，所得构型比较复杂，不利于后续分析；简约解（Parsimonious Solution）是借助逻辑余项导出的最小公式，但没有对逻辑余项的合理性做出任何评估，因而有可能将重要的必要条件也忽略掉；中间解（Intermediate Solution）介于两者之间，因而更受研究者青睐［ 30 ］。因此，本研究侧重对中间解所包含的构型进行说明，并揭示其中暗含的管理意义。

3    分析结果

高频PGC决策构型简约解计算结果如表3所示，中间解计算结果如表4所示。

注：表示条件变量出现，表示条件变量缺席；图标大小反映该条件是否核心条件。

结合简约解计算结果（表3），有助于标记结果发生的核心条件，但本研究选取中间解（表4）对高频PGC决策的原因构型进行说明。

由表4可知，模型的总体覆盖度为0.72，说明本研究中有72%的案例仅需用表4中所列出的5种构型解释。由于构型中所包含的原因是导致结果发生的充分非必要条件，而本研究假设的5个变量均被包含在构型中，所以这5个变量均可以视作结果发生的前因，说明本研究建立的理论模型成立。模型的总体一致性和各构型的一致性分数均在0.8以上，说明各构型所代表的模糊子集被包含于结果中的程度较高，较好地解释了构型中的因果关系。

图2分别展示了构型1～4中的案例分布，横坐标为案例在对应构型所表示的模糊子集中的隶属程度，纵坐标为案例在结果中的隶属程度。

图2显示，各构型中均只有少数案例在该子集的隶属分数明显大于其在结果中的隶属分数，大多数案例都落在上三角区域中，说明案例数据为因果关系提供了较好支持。

结合变量的涵义，下面分别对4种构型分别进行说明：

构型1（SEF*NTC*REP）表明，处于网络中心位置的用户的高频PGC决策，可以通过不断提高的自我效能及逐渐累积的声誉实现，其中高自我效能和处于网络中心位置是最主要的原因组合。此结论覆盖了35%的案例。

构型2（SEF*SKC*REP*～BLG）表明，在用户对平台缺少归属感的情况下，自我效能、沉没成本和声誉这3个因素的高水平表现，也会导致高频PGC决策。此结论覆盖了22%的案例。

构型3（～SEF*SKC*REP*BLG）表明，在用户自我效能不高的情况下，沉没成本、声誉和平台归属感这3个因素的高水平表现，也会导致高频PGC决策。并且，高沉没成本和对平台的强归属感是最主要的原因组合。此结论覆盖了28%的案例。

构型4（SEF*SKC*NTC*BLG）表明，高自我效能、高沉没成本、处于网络中心位置、对平台有强归属感这4个核心条件，共同导致了高频PGC决策。此结论覆盖了25%的案例。

4    管理启示

本研究所關注的所有5个变量对PGC决策的正向影响，全部被分析结果证实，并且得到了变量之间以何种组合效应导致PGC决策的有关结论。这些结论对专业用户的高频PGC决策提供了理论解释，并给运营者提供了重要的实践参考，具体由以下4个方面详述：

4.1    用户自我效能提升策略

由构型1和构型4可知，高自我效能和处于网络中心位置是导致高频PGC决策最主要的原因组合之一，说明对于平台的中心用户，正向刺激其自我效能是一种重要的激励手段。根据Bandura的自我效能四因素研究，管理者应从四个方面提升中心用户的自我效能，以促进PGC决策：其一，通过“平台认证，用户背书”的方式强化中心用户对自身专业经验或成就的认可。平台应通过社交应用中的各种有形展示（如称号认证、专业资质认证、技能认可、成就勋章、特定领域贡献奖项或排名等）强调中心用户的身份差异。其二，在内容社区中以少部分特别杰出的用户建立成就模型，给其他中心程度尚可提升的用户提供替代经验，传达“他的成功可以复制”的重要观念，对激励PGC决策非常有效。其三，平台要尽量避免对专业创作不利的消极讨论氛围（如无利可图、炫技、内卷之类的话题），平台管理者应引导对专业创作有利的话题倾向（如互惠互利、思想碰撞等话题），因为劝阻自我效能的言语说服通常比鼓励增加它更有效。其四，平台应有措施降低中心用户在社交媒体使用中的疲劳感、紧张感和焦虑感。

此外，由构型2可知，对所有用户而言，高自我效能也是高频PGC决策重要的辅助条件。事实上，社交平台可以帮助所有用户提升自我效能。即便是中心程度不高的用户，通过大量关注特定专业领域的信息也可不断成长，积累鉴别和归总专业内容的经验，而这将大大提高高频PGC决策的概率。此外，对平台欠缺归属感的用户在承受着更小的疲劳感和焦虑感，其自我效能因此而提高，也有助于实现高频PGC决策，这和构型2中平台归属感的缺席也不谋而合。

4.2    用户声誉累积策略

构型1强调了声誉累积对中心用户高频PGC决策的辅助作用，而构型2、构型3也表明，声誉的作用其实对所有用户都适用，此结果有利于PGC决策的维持。由于声誉属社会资本的关系层面，因此用户声誉累积策略，应着重展示用户基于本平台的社交关系中所获得的经验和成就。目前平台主要的认证方式仍是学历证书、专业资格证书或用户所属单位人事部门开具的证明等，虽然这些方式有一定的社会公信力，但没有利用好本平台既有的关系资源。用户在一个平台上所发生的长期活跃行为和关系互动行为，必然累积了大量的专业经验和成就，这些不仅是用户的资本，对平台而言，也是不容小视的社会资本，是平台在专业领域的社会公信力日益增长的前提。因此，平台运营应开发出基于本平台的声誉评价体系及指标，并积极拓展其社会影响力。本研究关注的知乎平台所推出的优秀答主、知乎收录、专业徽章等应用和功能就是这类声誉评价体系的具体实践。只有基于本平台建立具有社会影响力的专业声誉认证机制，才能最有效地维持高频PGC决策。

4.3    沉没成本有形化策略

由构型2可知，对于缺乏归属感的用户而言，高沉没成本是实现高频PGC决策的辅助条件。构型3和构型4也说明，对于缺乏高自我效能的用户，以及平台的中心用户而言，高沉没成本都是实现高频PGC决策的核心条件。因此，强化用户对沉没成本的感知对维持高频PGC决策是可行策略。对那些缺乏归属感的用户，平台可通过将用户感知的沉没成本有形化，以减少其转换至其他竞争对手平台的可能性，帮助提高其在本平台上进行高频PGC决策的概率；对那些缺乏自我效能的用户，沉没成本有形化是用户建立专业自信的重要依据和替代途径，所谓“久病成良医”；而对于中心用户，沉没成本有形化更是持续高频PGC决策的重要原因。用户在平台上所投入的时间和精力，会形成大量的数据，如日志归档、相册、播单、收藏夹、好友关系、内容消费记录、沉迷时间等，对这些数据的合理使用，是沉没成本有形化的突破口。平台应将这些数据可视化，并提供科学的价值评估，以一定的频率展现在用户眼前，帮助用户更好地衡量中途退出的成本代价。目前许多社交媒体平台推出的年终总结、年度账单、心路历程、账号价值等小策划都带有将沉没成本有形化的目的。

4.4    平台归属感巩固策略

由构型3可知，对于缺乏自我效能的用户，对平台的强归属感对高频PGC决策起到关键作用。构型4也说明，对中心用户而言，归属感也是高频PGC决策的关键因素。因此，运营者必须重视用户对平台的认同感和归属感，建立用户和平台之间的稳定联系。这一巩固策略可以从内外两方面展开：对内可和前面提到的平台声誉认证和评价机制相结合，通过固化的合约关系或有形展示，增强用户对平台的认同；对外则可周期性发布或即时推送来自其他用户或外界的内容请求、外包项目或就业信息，以帮助这些PGC用户及时获得将专业知识变现的机会，使其和平台形成利益共同体，继而巩固其对平台的归属感。本研究关注的知乎平台所推出的签约作者、邀请回答、公共编辑、知乎仲裁官等规则和功能，就是平台归属感巩固策略的典型尝试。

5    结论和研究展望

本研究以知乎专栏为例，通过fsQCA方法，系统讨论了包含自我效能、沉没成本、网络中心性、声誉和平台归属感等变量和PGC决策之间的因果构型，找出了用户高频PGC决策的关键原因，厘清了这些原因于激发这种决策背后的四种组合机制：（1）中心用户的高频PGC决策，可由高自我效能及高声誉实现；（2）对平台缺少归属感的用户，其高频PGC决策可由高自我效能、高沉没成本和高声誉实现；（3）低自我效能用户的高频PGC决策可由高沉没成本、高声誉和平台强归属感实现；（4）高自我效能、高沉没成本、中心位置、平台强归属感这4个核心条件，共同导致了高频PGC决策。在此基础上，本文进一步阐述了其对社交媒体运营的实践意义和管理思路，并提出用戶自我效能提升策略、声誉累积策略、沉没成本有形化策略、平台归属感巩固策略等四种策略。

当然，本研究也存在一些不足之处。首先，从研究方法看，fsQCA方法虽然有助于探究前因变量的组合效应，但还是基于小样本的案例分析，如需更有说服力的实证数据，更多地还是会借助结构方程模型和定量统计方法。其次，从研究结论看，本研究选择的5个条件变量，分散开来概有文献支持，但还是缺乏整体上的理论模型基础，后续研究应进一步通过严格的实证过程证明这些因果构型的稳定性和可靠性。

参考文献：

［1］ 黄再胜.数据的资本化与当代资本主义价值运动新特点［J］.马克思主义研究，2020（6）：124-135.

［2］ Memarovic N. Public photos， private concerns： uncovering privacy concerns of user generated content created through networked public displays［C］// International Symposium on Pervasive Displays. ACM， 2015： 171-177.

［3］ Kim J. The institutionalization of YouTube： From user-generated content to professionally generated content［J］. Media， Culture & Society， 2012， 34（1）：53-67.

［4］ 胡泳，张月朦.互联网内容走向何方？——从UGC、PGC到业余的专业化［J］.新闻记者，2016（8）：21-25.

［5］ Nguyen M， Malik A， Sharma P. How to motivate employees to engage in online knowledge sharing？ Differences between posters and lurkers［J］. Journal of Knowledge Management，2021，25（7）：1811-1831.

［6］ Luo C， Lan Y， Luo X， et al. The effect of commitment on knowledge sharing：an empirical study of virtual communities［J］. Technological Forecasting and Social Change，2021，163：120438.

［7］ Hashim K F， Tan F B. The mediating role of trust and commitment on members continuous knowledge sharing intention： a commitment-trust theory perspective［J］. International Journal of Information Management，2015，35（2）：145-151.

［8］ 杨琳.知识变现背景下数字出版平台的商业探索路径——以知乎的整合营销传播模式为例［J］.出版广角，2020（4）：55-57.

［9］ 郭宇，郭勇，赵宇翔.内容还是情境：在线用户知识付费行为机理研究——一项基于CCC-B框架的组态分析［J］.图书情报工作，2020，64（1）：120-130.

［10］ 董柳.危机传播视域下移动新闻客户端突发事件直播报道现状与策略研究［D］.重庆：重庆工商大学，2018.

［11］ 严炜炜，孙晓瑞，黄为.干货足否：知识直播产品特征提取与问题挖掘［J］.图书情报知识，2021，38（4）：4-14.

［12］ Ragin C C. The limitations of net-effects thinking［M］//Rihoux B，Grimm H. Innovative Comparative Methods for Policy Analysis： Beyond the Quantitative-Qualitative Divide. Boston， MA： Springer US，2006：13-41.

［13］ Bandura A. Self-efficacy： the exercise of control［M］. New York： W H Freeman/Times Books/ Henry Holt & Co，1997.

［14］ Maier C， Laumer S， Weinert C， et al. The effects of technostress and switching stress on discontinued use of social networking services： a study of Facebook use［J］. Information Systems Journal，2015，25（3）：275-308.

［15］ 張一鸣.悟空问答签约知乎平台300多个大V张一鸣：“我们只是鼓励创作”［J］. 计算机应用文摘，2017（18）：66-66.

［16］ 宋玲玲.新兴称谓“大V”的多视角研究［J］.宁夏大学学报（人文社会科学版），2021，43（4）：49-53.

［17］ 张璐，陈宇，景嘉欣，等.基于文本分析的人物画像技术研究——以知乎大V为例［J］. Software Engineering and Applications，2020（9）：201.

［18］ Golbeck J. Introduction to Social Media Investigation［M］. Boston： Syngress，2015：221-235.

［19］ Hansen D L，Shneiderman B，Smith M A，et al. Analyzing social media networks with NodeXL［M］ Second Edition. San Francisco： Morgan Kaufmann， 2020： 161-178.

［20］ Freeman L C. Centrality in social networks conceptual clarification［J］. Social networks，1978，1（3）：215-239.

［21］ Young H P. Individual strategy and social structure［M］. Princeton：Princeton University Press，2020.

［22］ Nettleton D F， Salas J. A data driven anonymization system for information rich online social network graphs［J］. Expert Systems with Applications，2016，55：87-105.

［23］ Rihoux B，Ragin C C. QCA设计原理与应用：超越定性与定量研究的新方法［M］.杜运周，李永发，译.北京：机械工业出版社，2017.

［24］ Ragin C C，Patros T，Strand S I，et al. Users guide to fuzzy-set/qualitative comparative analysis 3.0［M］. Irvine：Department of Sociology University of California，2017.

［25］ Ragin C C. Redesigning Social Inquiry：Fuzzy Sets and Beyond［M］. Chicago：University of Chicago Press，2008.

［26］ Ragin C C. Set relations in social research：evaluating their consistency and coverage［J］. Political Analysis，2006，14（3）： 291-310.

［27］ 叶宗裕.关于多指标综合评价中指标正向化和无量纲化方法的选择［J］.浙江统计，2003（4）：25-26.

［28］ Fiss P C. Building better causal theories： a fuzzy set approach to typologies in organization research［J］. Academy of Management Journal，2011，54（2）：393-420.

［29］ Coduras A， Clemente J A， Ruiz J. A novel application of fuzzy-set qualitative comparative analysis to GEM data［J］. Set-Theoretic research in business，2016，69（4）：1265-1270.

［30］ Ragin C C， Sonnett J. Between complexity and parsimony： limited diversity， counterfactual cases， and comparative analysis［M］//Kropp S，Minkenberg M. Vergleichen in der Politikwissenschaft. Wiesbaden：VS Verlag für Sozialwissenschaften，2005： 180-197.

How Does A Social Media Maintain High-Frequency PGC：

A Fuzzy-set Qualitative Comparative Analysis to Zhihu Columns

LI  Zhuoqun

（School of Economics and Management， Jingchu University of Technology， Jingmen 448000， China）

Abstract：Under the trend that social media explores institutionalized operation of content， professionally generated content （PGC） has become the typical way and the foundation of social media content output. This research is based on qualitative comparative analysis using fuzzy sets （fsQCA）， professional users of social media are taken as the research object， and data of 50 columnist accounts are gathered from Zhihu.com to explore the main factors and causal configuration conditions of PGC decision making， and to analyze the complex interaction mechanism of self-efficacy， sunk cost， network centrality， reputation and sense of belonging on PGC decision-making， and then four main configurations of high-frequency PGC decision-making are discovered： 1） Central-located users high-frequency PGC decisions can be achieved with high self-efficacy and good reputation; 2） Users with lack a sense of belonging to the platform， their high-frequency PGC decisions can be achieved with high self-efficacy， high sunk costs， and good reputation; 3） Poor self-efficacy users high-frequency PGC decision can be realized by high sunk cost， good reputation and strong sense of belonging; 4） Four core conditions of high self-efficacy， high sunk cost， central position， and strong sense of belonging， which together lead to high-frequency PGC decision. According to the analysis results， this paper also proposes self-efficacy promotion strategy， reputation accumulation strategy， sunk cost tangible strategy， and sense of belonging enhancement strategy for social media users as concrete recommendations and measures for the content operations management.

Key words：social media; PGC; configuration; fuzzy sets; qualitative comparative analysis