《Computers in Human Behavior》:Newcomers help most after being helped, veterans do not: Evidence from Stack Overflow
编辑推荐:
•新用户在获得帮助后最乐于助人;随着资历加深,这种回应逐渐消失。•在Stack Overflow上提问后得到回答的用户,帮助他人的频率略高。•基于2100万个问题的匹配双重差分法解决了互惠性混淆问题。•广义互惠在入口环节有助于贡献者的招募。•生成式AI之前的基线:在ChatG
- •
新用户在获得帮助后最乐于助人;随着资历加深,这种回应逐渐消失。
- •
在Stack Overflow上提问后得到回答的用户,帮助他人的频率略高。
- •
基于2100万个问题的匹配双重差分法解决了互惠性混淆问题。
- •
广义互惠在入口环节有助于贡献者的招募。
- •
生成式AI之前的基线:在ChatGPT发布后,新用户效应消失。
引言
在网上平台上获得帮助的人是否会转而帮助他人,一直是网络社区研究中的一个持久性问题。广义互惠,即个人在自身获得帮助后倾向于帮助他人的倾向(Baker和Bulkley, 2014; Nowak和Roch, 2007),是被提出用于维持Stack Overflow和维基百科等平台上合作的核心机制之一——在这些平台上,相同的两个人很少直接交换帮助。如果获得帮助的人能可靠地再去帮助他人,那么即使是在陌生人之间,合作也可能通过连锁式的助人行为得以维持(Fowler和Christakis, 2010)。然而,行为证据却并不一致:一些观察研究发现显著的互惠效应(Baker和Bulkley, 2014; Chen等, 2019),而另一些则发现关系微弱或为零(Joyce和Kraut, 2006; Wasko和Faraj, 2005)。我们认为,这种不一致在很大程度上是方法论上的。我们的主要贡献是在一个平台上进行更干净的检验:用户在别人的问题得到回答后是否会更频繁地帮助他人。在阐述可能导致互惠的不同行为机制如何在我们研究的平台上发挥作用之后,我们利用我们的设计来检验广义互惠在何处、针对谁以及在什么时间条件下发生。虽然我们无法直接测量理论所提出的心理机制——即感激、道德义务、社会期望和激励替代——但我们的设计能干净地检验这些机制所预测的行为结果。
研究平台上互惠性的研究者面临一个顽固的混淆因素:更活跃的用户通常更可能提问和回答。那些在一段聚合时间内将获得的帮助与给出的帮助进行相关性分析、而不考虑事件时间顺序的研究,将互惠与一般用户活跃度混为一谈(Baker和Bulkley, 2014; Chen等, 2018; Joyce和Kraut, 2006)。此前的研究设计也大多将"获得帮助"视为一次性事件,尽管人们是持续不断地请求和提供帮助的。
我们通过开发匹配的差中差(DiD)生存分析来解决这两个问题,并将其应用于Stack Overflow上超过2100万个问题。对于每个用户发布的每个问题,我们在问题发布前后定义观察窗口,并比较"问题得到回答"的用户(处理组)与倾向得分匹配的"问题未得到回答"的用户(对照组)之间的帮助行为变化。我们使用Cox比例风险模型,该模型能够适应帮助行为的连续时间特性以及回答在不同用户间的交错到达。
我们在基本互惠假设(H1)之外,发展了两个理论预测。借鉴社会化和规范内化理论,我们预测互惠在新用户中比在经验丰富的用户中更强(H2)。新用户尚未内化社区特有的规范,也尚未学会重视平台激励(如声誉积分),因此更普遍的道义回报义务更有可能驱动他们的行为。随着用户积累经验,这些通用触发器可能被社区特有的动机所替代。我们还预测更快的回应会放大互惠效应(H3),因为用户在需求仍存在时,对快速回答更感激(McCullough等, 2001; Tsang, 2006)。
结果以温和的形式支持了基本互惠假设(H1),并佐证了资历的调节作用(H2)和回答速度的调节作用(H3)。与其匹配对照组及自身问题发布前的基线相比,获得回答的用户随后回答他人问题的频率更高:回答到达时的倾向性增加为HR = 1.049(95%置信区间[1.044, 1.054],)。用户反应的强度取决于他们在平台上的时间长短:新用户的反应最强(第一周HR = 1.07,),而资历最深的用户则完全没有可测量的反应。虽然快速回答通常导致更强的互惠效应——回答到达增量的对数响应时间调节在所有资历分桶中均为负值,且在除资历最深之外所有组别中均显著(介于?0.02至?0.09之间;表8)——我们发现等待30至60分钟的用户表现出最强的互惠(HR = 1.19,95%置信区间[1.17, 1.21],;表9)。我们在下文进一步检验和讨论可能的解释。
我们的研究做出三项贡献。首先,我们使用旨在消除夸大观察性估计的活跃度混淆因素的设计,提供了一个更干净的短期检验:获得回答的用户在之后帮助更多(HR = 1.05),但远不及此前观察性研究报告的幅度。第二,互惠在新用户中最强,而资深用户则毫无体现。资历的调节作用是数据中最稳健的模式。第三,我们发现倒U型关系,即适中的响应时间带来最大的效应,并基于此发展出不同解释,对平台设计具有启示意义。
该设计带来两个边界条件。第一,我们所识别的效应是狭窄的——它集中在第一周的用户中,在30至60分钟内到达的回答上达到峰值,即使在最强处,绝对量也很小。第二,这些估计已经过时——大多数问题来自2020年之前,新用户效应在以ChatGPT发布时间为分界点后不再存在。因此,我们将我们的结果视为一个平台在生成式AI之前的基线,而非互惠是否维持合作的一般性检验。尽管如此,我们的设计可以灵活地应用于其他平台的新数据。我们讨论了其对广义互惠理论、平台设计者以及生成式AI时代未来平台研究的启示。
分节摘要
广义互惠
一个被提出用于支持在线社区合作的核心机制是广义互惠,即获得帮助的个人转而帮助他人的倾向,即使受助者并非最初的施助者(Fowler和Christakis, 2010; Nowak和Roch, 2007)。与直接互惠不同,它不需要与同一个人进行重复交换:它作为一种"将之传递下去"的原则发挥作用,维持群体——如在线知识分享——中的集体贡献
经验设置:Stack Overflow
Stack Overflow非常适合检验在线知识分享中的广义互惠。该平台每季度发布数据转储,记录了每个用户的操作及时间,可追溯至其创建之初。从这些记录中,我们可以重建人们随时间相互帮助的方式,以及他们获得和提供帮助的先后顺序。这一事件时间序列是我们研究广义互惠的基础。Stack Overflow的活跃问答量已急剧下降
数据与方法
为检验我们的预测,我们开发了一种匹配交错DiD生存分析,利用用户在Stack Overflow上请求和提供帮助的先后顺序。我们的设计比较了获得回答的用户与匹配但未获得回答的用户,在获得回答前后的帮助行为变化(衡量标准为发布回答的风险率)。该方法结合了Callaway和Sant'Anna(2021)的交错DiD框架,该框架能够适应处理时间的变化以及
描述性统计
我们分析了Stack Overflow上来自3,732,706名用户的24,349,760个问题级观测,其中一半问题至少获得了一个回答(50%的比例由匹配样本的构建固定,而非平台基率)。大多数用户在给定窗口期内不帮助任何人:他们平均发布0.18个回答(标准差 = 1.24;中位数0),因此在任何单一窗口期内,帮助行为对任何单个用户来说都很少见。一半获得回答的用户等待时间不到0.34小时,尽管
方法论贡献
从平台数据研究广义互惠的研究者面临一个持久难题:一般来说,活跃用户更可能提问和发布回答。因此,获得的帮助与给出的帮助之间的相关性可能仅仅反映了用户的活跃程度。此前未考虑这种选择性的观察性研究(Baker和Bulkley, 2014; Chen等, 2018; Joyce和Kraut, 2006)所报告的积极关联,可能夸大了互惠的作用。
我们的
结论
广义互惠被广泛认为是维持知识分享平台合作的关键,然而观察性检验遇到了一个顽固的混淆因素:一般来说,活跃用户同时提问和回答更多问题。我们的匹配DiD生存设计直接面对该混淆因素,并提供了关于用户在自身问题被回答后是否更频繁帮助的更干净检验。获得帮助后的回应在新用户中最强,在资历最深的用户中则消失殆尽。
CRediT作者贡献声明
Lenard Strahringer:撰写——审稿与编辑、撰写——原稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。Sven Eric Pruess:撰写——审稿与编辑、撰写——原稿、可视化、验证、软件、方法论、形式分析、数据整理、概念化。Kai Riemer:撰写——审稿与编辑、监督指导、概念化。
伦理声明
本研究分析了Stack Overflow上去标识化、公开可获取的存档记录。未与人类参与者发生任何互动,也未收集或分析任何个人可识别信息。根据相关机构政策,对公共平台数据进行二次分析无需伦理审批。
资金
本研究未获得公共、商业或非营利领域任何资金机构的专项资助。
利益冲突声明
作者声明不存在任何已知的竞争性经济利益或个人关系,可能对本论文所报告的工作产生影响。
Lenard Strahringer|Sven Eric Pruess|Kai Riemer