弹幕评论管理方式对在线消费行为的影响研究
时间：2023-01-24 14:30:06 来源：柠檬阅读网 本文已影响 人 
● 袁海霞 陆亦蘅
(1, 2 安徽大学商学院 合肥 230601)
随着移动互联网、网络传输、视频处理等技术的发展，尤其是移动终端设备的不断升级，网络视频已成为仅次于即时通信的中国第二大互联网应用。截至2020年12月底，网络视频用户规模达9.44亿，产业规模突破6000亿元(1)中国网络视听节目服务协会.2021年中国网络视听发展报告[EB/OL].https://n.znds.com/mip/54323.html , 2021-06-02.，行业整体发展态势较好。同时，用户的消费行为也发生了改变，在线社交需求萌芽，越来越多的用户喜欢在收看视频的同时与他人互动。网络视频行业纷纷尝试将社交媒体属性与视频平台融合，提供实时互动技术来满足用户在线视频消费中的社交与分享需求，“弹幕”开始走入大众视野并在短期内获得了成功。如成立于2009年的Bilibili作为最早采用弹幕系统的主要视频网站之一，目前已跃居Alexa.com全球综合排名第137名(2)Alexa[EB/OL].http://www.alexa.com,2021-08-23.。
然而随着用户弹幕交互数据的不断增多，一方面信息展示的容量和空间有限，另一方面信息超载所带来的负面影响也越来越大，“正念设计”(mindful design)迅速成为大型高科技企业关注的重要议题(3)埃森哲.Fjord趋势2019[EB/OL].https://www.accenture.com/_acnmedia/Accenture/Redesign-Assets/DotCom/Documents/Local/1/Accenture-Fjord-Trends-2019-Full-Report-Executive-Summary-Chinese-version.pdf#zoom=50 , 2018-12-24.。对于网络视频行业来说，如何有效管理弹幕评论成为其面临的难题。针对该问题，目前视频平台主要根据发布时间，基于“先进先出”的原则对弹幕评论进行管理，并在此基础上针对不同时长的视频，开通弹幕显示数量上限、弹幕显示速度、同屏弹幕密度等功能，试图缓解信息超载所带来的系列问题。但该管理方式是否能达到预期效果还缺乏严格的理论分析论证。2019年末一场突如其来的疫情，居民深居简出，在线视频消费更是迎来新一波的增长(4)艾瑞咨询.疫情黑天鹅，多歧路安在？疫情影响下的用户消费指数趋势报告2020年[EB/OL].https://pdf.dfcfw.com/pdf/H3_AP202002251375443095_1.pdf?1582625747000.pdf , 2020-02-01.，在线视频消费中萌生的弹幕评论需求与行为表达也达到一个新的峰值。对网络视频行业来说，弹幕评论的管理问题再次被推到风口浪尖。如何高效管理弹幕评论，并以此为契机，挽留用户并提高用户黏性，成为该行业在未来发展中急需解决的重要问题。
弹幕是一种新形式的网络口碑，是插入到视频播放时间点上的用户评论，其内容属性、信息结构等对视频流行度、观看量等有重要的影响(Zhang et al., 2020; Li et al., 2021)。对于网络口碑时间因素的研究，部分学者认为在电商平台上，口碑时间距离影响对评论有用性的感知(王长征等，2015)。口碑存在衰竭效应，后时间点出现的追评能缓解口碑衰竭的负面作用(邓卫华和易明，2019)。因此，在电商平台上基于时间因素的信息管理效果相对较好。但网络视频消费中的弹幕评论与电商平台的网络口碑不同，弹幕评论是基于视频时间点的消费体验表达，并非对整体产品在不同时间点的评价，且在显示过程中并未在视频上方同步显示发布者，因此即便是同一用户在同一时刻的两次不同的消费体验，也并非以“追加评论”的形式展示给其他个体。因此，基于发布时间对弹幕评论进行管理的效果也存在诸多不确定性。此外，在学术界对弹幕评论管理问题的研究并不多见，一些重要的问题亟待解决：对于网络视频行业来说，以发布时间为依据，基于“先进先出”的原则对弹幕评论进行管理是否合理？如未能“如愿”，怎样的管理方式才最有效？
为回答上述问题，本文基于国内知名弹幕视频网站的数据，对网络视频行业“先进先出”的弹幕评论管理方式的有效性进行分析，并基于要素贡献理论，在度量弹幕评论贡献的基础上，采用动态面板数据模型对基于要素贡献的信息管理方式的有效性进行了论证。
2.1 信息过载
信息技术的发展带来了数字信息的爆炸式增长，对用户信息接收、处理能力等带来挑战，引致信息过载。信息过载是信息总量大大超过需要，从而使个体在给定时间内理性处理带来困难(Eppler & Mengis，2004)。从产生原因来看，信息过载有内部和外部因素两种。其中信息处理能力、信息量等是导致信息过载的内部因素。信息质量、属性、技术等是造成信息过载的外部因素。外部因素不会直接导致信息过载，但会通过内部因素引发信息过载(Cheng et al., 2020)。信息过载主要有两种类型：主观信息过载和客观信息过载(Eppler & Mengis，2004)。基于主观体验角度的信息过载描述了人们面对过量信息时的个人情感，如压力、焦虑等负面情感(Hargittai & Hsieh, 2012)。客观信息过载主要是从信息本身的属性或特征进行表述的，如信息的复杂度等(Cheng et al., 2020)。
现有研究认为信息过载影响个人的信息检索、分析、组织和行为决策，尤其在网络环境中该影响更为突出。Soto-Acosta等(2014)研究发现一方面信息超载正向影响消费者购买倾向，另一方面信息超载又会通过感知风险负向影响在线购买倾向。Zinko等(2020)认为信息过载负向影响个体的信任和购买倾向。Furner等(2016)认为信息载荷与信任和购买之间呈倒“U”形关系，适度的网络口碑带来的购买倾向最优。近年来随着社交媒体的兴起，部分学者也对社交媒体超载现象进行了分析，发现一方面信息过载引致个体疲惫，提高其不持续使用的意愿(郭佳和曹芬芳，2018)；
另一方面社交媒体信息超载正向影响流体验，削弱其不持续使用意愿(林家宝等，2019)。总之，虽然现有研究对互联网环境中信息过载对个人行为的影响结果并未达成一致意见，但不可否认的是，大部分研究认为信息过载对个人决策有一定的负面作用。对此负面效应的管理，现有研究主要从信息用户(Qihao et al., 2014)和信息服务者(Lee et al., 2016)两个方面提出了应对策略。
如前所述，弹幕评论与在线评论不同，在线评论主要为在线购买行为决策服务。而对于网络视频上的弹幕来说，其萌生是基于消费者在线视频消费的社交需求，娱乐体验、分享是其存在的根本。因此，忽略弹幕评论的内容属性，单纯从信息用户、信息服务者的平台环境等方面寻求治理对策，很难达到预期的目的。对此，本文力图从弹幕产生的根源出发，在对网络视频行业的弹幕信息过载现象深入研究的基础上，探究弹幕评论的管理方式，进一步丰富信息过载理论的研究成果。
2.2 弹幕视频管理
现有对弹幕视频分析及其管理的研究主要集中在：一是基于弹幕的视频片段自动标签技术。Wu等(2014)采用统计和主题模型构建了一个时间和个性化主题模型(Temporal and Personalized Value Modeling, TPTM)，提供一种基于弹幕关键字的视频片段标签技术。由于该分析技术不仅需要评论发布者的ID等私人信息，且在分析过程中未考虑评论的语义，在应用方面存在一定局限。随后Yang等(2017)提出了一种无监督视频标签提取算法——语义权重—逆文档频率(Semantic Weight-Inverse Document Frequency，SW-IDF)，使用语义相似性和弹幕时间戳生成语义关联图(Semantic Association Graph, SAG)，通过将弹幕在不同主题的聚集与基于SAG的不同弹幕的权重分配，来识别有意义的弹幕评论。二是基于弹幕的视频精彩镜头识别。以弹幕为表现形式的时间同步评论是用户主观情感的表达，对其分析和利用有助于提高个性化视频推荐的效果。对此Xian等(2015)利用潜在狄利克雷分布在对弹幕主题分析的基础上，构建了基于弹幕的视频精彩镜头识别监测法。由此不难发现，上述研究都以弹幕内容为基础，对弹幕视频识别及个性化推荐等进行了研究，但忽略了弹幕情感，为此邓扬等(2017)提出了基于弹幕情感的视频片段推荐模型，利用弹幕分析视频片段中用户的情感及交互情况，计算视频片段的情感及相似度，以此来进行视频的推荐。
综上，随着弹幕视频的流行，现有研究以弹幕内容、情感为切入点对相关的视频标签、推荐及精彩片段识别等问题进行了深入研究，对弹幕视频管理提供了很好的指导。但需要注意的是，已有研究都忽略了一个重要的问题：由于信息过载和展示空间的限制，弹幕系统自身也处于不断更新中，如何判断和识别更有价值的弹幕评论，是视频管理的根本。此外，在实践中，现有网络视频平台多基于时间因素，按照“先进先出”的原则对弹幕进行管理。但该弹幕评论管理方式是否可行，以及怎样的方式才更有效还有待进一步论证。
2.3 在线消费行为
消费行为是营销研究的基础。数字化对营销颠覆和变革的根源都在于消费行为的变化。数字化时代消费者因信息拥有了最大的主动权和话语权，并以信息为中心形成了截然不同的行为决策模式(卢泰宏，2017)。消费者以新的方式与品牌建立联结，其行为不再是逐步缩小范围的“漏斗式”过程，而是“环状”往复的，由“购买环”和“忠诚度环”两个内切小环构成，其中“购买环”消费行为包括考虑、评估、购买，“忠诚度环”消费行为由体验、互粉和信任构成，该模型也被称为消费者决策进程模型(Court et al., 2009)。该模型认为在线消费行为是一个过程，而不是一个时间点上的结果。本文将以此模型为基础，从在线消费行为过程出发来探究弹幕评论管理方式的有效性。
信息是一系列增值活动的支持性要素，其质量是消费者决策的重要参考。徐嘉徽等(2019)认为信息质量是一个多维度概念，由信息内容质量、信息效用质量和信息载体质量构成。信息的内容质量强调信息内容与客观实际吻合，信息效用质量是指信息的适用性和及时性，信息载体质量主要是指网络媒体完成信息交付的效果。弹幕是一种新形式的网络口碑信息，随着在线交互的不断增多，弹幕数量呈爆发式增长。由于网络视频网站空间和容量有限，现有主流视频网站多基于“先进先出”的原则对视频信息进行管理，即按照弹幕发布的时间先后对信息筛选并在视频上方自左向右滚动呈现。鉴于弹幕技术的开发越来越成熟，现有网络视频平台能及时、准确地进行信息的交付，故本文将从效用质量和内容质量两个方面对“先进先出”的弹幕评论管理方式的有效性进行分析。
首先，从效用质量来看，信息的适用性是指信息内容是否符合甚至超出用户期望的情况(徐嘉徽等，2019)。网络视频弹幕是当下视频时刻围绕视频内容所产生的个体体验，有交流型、内容型和情感型三种，且类型不同影响效果存在差异(Zhang et al., 2020)。但不同类型的弹幕是基于用户主观体验的表达，与发布的时间并未有明确的关联。此外，信息及时性是指信息具有明显的时效性，信息发布的时间越近，越能体现产品或服务的最新情况，对用户决策的影响也就越大(徐嘉徽等，2019)。尤其对于网络口碑来说，产品使用时间越长，后发布的评论对产品全面了解和准确评价的可能性也就越大(胡常春和宁昌会，2017)。但弹幕评论与网络口碑不同，网络口碑是对评价主体的整体评估(乔晓娇等，2021)，从本质上来讲是一种消费后评价，评价内容主要涉及产品属性、相关服务及购买情况(袁海霞等，2019)。网络视频弹幕评论是对当下视频时间点视频内容的沟通和交流，是基于个人社交需求而萌生一种动态的瞬间消费流信息(Zhang et al., 2020)。因此，与网络口碑不同，弹幕更多是个体在该视频时刻的个体体验，具有很大的主观性和时刻内容针对性，且视频的内容相对比较稳定，很难说明后发布的弹幕评论更能体现产品的最新情况。
其次，从内容质量来看，分为主要内容的丰富性和表达的完整性两个方面(Zhang et al., 2020)。Amblee和Bui(2011)认为产品信息的丰富性与所提供的信息数量有关，信息数量越多，信息内容也就越丰富，相应的信息质量也就越高，越利于消费者做出购买决策。对于弹幕来说，其展示的容量和空间有限，难以像电商平台一样展示所有评论内容，很难从信息数量来推测信息内容的丰富性；
且在评论内容的字数上，虽然多数理论研究认为评论字数越多，该评论有用性越高(Pan & Zhang, 2011)，但并未有研究发现评论发布时间与字数之间存在明确的关联，因此，很难说明在同一视频时刻发布较晚的弹幕字数更多、内容更丰富。
因此，本文认为弹幕评论信息质量与评论发布时间并无明确的关联，以时间为依据，基于“先进先出”的方式对弹幕信息进行管理在信息质量上没有新的贡献，也未能为消费行为决策过程提供更有效的信息，鉴于此，提出假设H1：
H1：“先进先出”的信息管理方式对在线消费行为无显著的正向影响。
4.1 数据描述与处理
4.1.1 数据的抓取和清洗
本文数据主要来自国内知名弹幕视频网站Bilibili(www.bilibili.com)(简称B站)。本文之所以选择B站的原因有两个：首先，B站是国内目前最活跃的视频节目网站之一，其活跃用户超过1.5亿，每天视频播放量超过1亿，原创投稿总数超过1000万，所以B站数据对于捕捉我国消费者的网络视频收视需求具有良好的代表性。其次，B站的最大特色为本文所关注的动态瞬间消费流信息——“弹幕”。尽管目前国内大部分的视频网站，如优酷、腾讯视频、爱奇艺等也纷纷开通弹幕功能，但B站是国内成立最早且最活跃的弹幕视频网站之一，并于2018年3月28日在美国纳斯达克上市，其弹幕数量超过10亿条，提供了丰富的信息来研究网络视频网站弹幕评论的管理问题。
基于此，本文以B站截至2019年3月6日上传的所有电影(共1091部)为研究对象，从2019年3月6日至2019年5月18日，利用爬虫程序每三天定时对上述影片的弹幕量、弹幕文本、观看量、点赞量、收藏量、分享量、评论量等相关信息进行采集，删除网络原因造成的数据缺失、至少有一期弹幕量小于8000(5)B站规定视频时长大于60分钟的，最大弹幕量为8000。鉴于本文研究的主要问题为信息过载下的信息管理，故只保留了弹幕量大于最大显示量8000的样本。的电影后，最终获取25期133个研究对象(基本信息如表1所示)的3325条基本信息数据和26600000条弹幕评论的内容、发布时间、发布者、发布的视频时间等。
表1 影片类型概况
4.1.2 数据处理
(1)弹幕情感分析。常见的情感分析方法主要有基于情感词典的情感分析法和基于监督学习算法的情感分析法。本文在对中国知网、台湾大学和清华大学情感词典整合的基础上，利用R软件采用基于情感词典的分析方法，对每部电影每期所有弹幕的情感进行分析，并汇总得出每部电影每期的情感得分。
(2)变量的说明。根据消费者决策进程模型，对在线视频消费行为过程划分阶段，如表2所示。考虑是指个体在作出购买决策前，涌现于备选方案中的产品或品牌，随后个体会借助互联网搜索、个人社交网络等扩大期初考虑范围，并进行评估(Edelman, 2010)。对于这两个阶段来说，更多的是个体的一种心理活动，并未转化为具体的行为，很难进行实时的记录和度量，故本文在对购买环行为分析时未考虑该行为。对于网络视频来说，观看是消费需求的表达，属于购买触点行为(张蓝姗和葛欣怡，2018)。点赞表示用户对信息内容认可(黄敏学等，2017)，收藏也是一种在线消费行为，是继关注后对个人消费意愿的行为表达(张红宇等，2014)，在视频消费情景中，是观看行为体验满意后的一种再消费意愿。故本文点赞量和收藏量属于“忠诚度环”体验阶段行为。在互粉阶段，体验满意的用户会通过自媒体、口碑等分享推介品牌，同时也会带来重复购买行为(Edelman, 2010)。B站投币属于一种打赏行为，通过赠予虚拟金币来表达对消费内容的赞赏(张聪等，2015)，对于视频行业来说，与观看这一初级行为相比，投币是信任带来的重复购买。
表2 在线视频消费行为阶段分析
(3)变量的处理。在数据采集、情感分析的基础上，获得每部影片每期的弹幕数量、弹幕情感、观看量、收藏量、点赞量、分享量、硬币量、评论量等基本信息，并对相关变量进行了对数处理，具体如表3所示。对于现有弹幕的“先进先出”机制，弹幕内容按照发布时间进行更新，故本文在对此进行处理时，将所有期的弹幕按照顺序进行编码。
表3 变量基本信息
4.2 模型构建
根据现有视频平台信息筛选的基本原则，本文构建时间固定效应模型来分析，见公式(1)，其中Y代表在线消费行为，X为自变量，D为时间虚拟变量(第1期为基期)。
Yit=β0+β1X1t+β2X2t+…+βnXnt+γ2D2t+…+γ25D25t
(1)
4.3 实证结果
4.3.1 单位根与协整检验
为避免伪回归，在对面板数据分析前，本文采用LLC检验、HT检验和IPS检验进行单位根检验，结果如表4所示，在原值检验的情况下，部分变量并未通过，即存在单位根。一阶差分序列中所有变量都具有平稳性，即一阶单整。鉴于各变量一阶单整，本文采用Kao方法进行协整检验，结果如表5所示，结果显示模型1～4变量之间稳定的长期均衡关系，与模型5之间不存在长期均衡关系。
表4 单位根检验结果
4.3.2 模型估计
采用时间固定效应模型以第1期数据为基期，对公式(1)参数进行估计，结果如表5所示。基于“先进先出”方式对每期弹幕信息进行管理的结果在观看量、点赞量、收藏量、分享量、硬币量等消费行为过程中，并未表现出明显的时间递增趋势，即时间虚拟变量D的系数变化未呈现出明显的逐期递增趋势。说明基于“先进先出”的弹幕评论信息管理方式对在线消费行为的影响不显著，假设H1成立。
综上，本文研究发现，弹幕视频网站以时间为依据，在信息容量的限制下，基于“先进先出”的方式对弹幕评论进行管理，虽然在一定程度上减轻了平台与用户因信息超载带来的问题，但在引导在线消费行为转化、提高用户黏性方面并未实现其预期目标，也很难对在线视频网站期望以弹幕评论为契机，提高其用户黏性与留存提供指导。本文认为，注意力经济的存在使个体越来越关注能为其带来价值的信息，因此从弹幕评论的价值出发来对信息进行管理，可能在推动在线消费行为转化中有不可低估的作用。鉴于此，本文以要素贡献理论为基础，探索弹幕评论的管理方式。
5.1 研究假设
要素贡献是按要素分配理论的一个核心概念，是按各类生产要素在生产过程中所起的作用进行分配，也被部分学者认为是按要素分配的实质和检验要素分配合理性最准确的衡量标准(孙咏梅，2003)。要素是指参与直接社会生产的生产要素，要素参与社会生产投入并能转换成可预见的产出，最终实现经济效用。要素贡献即要素在生产过程中发挥作用的质和量。要素虽然是经济学领域的一个核心概念，但在企业管理领域(如营销资源的优化配置)同样也备受关注(Saboo et al., 2016)。
对于网络视频网站来说，由于资本、空间、容量等因素的限制，如何实现在既有条件下的生产要素投入最大化也是其面临的一个关键问题。在弹幕视频网站上，视频观看者在同一视频时刻的体验、情感等不同，随着弹幕数量的不断增多，其内容将被不断丰富和完善，逐渐形成更丰富和多元化的主题或话题(Zhang et al., 2020)。根据按要素分配理论，由于每条弹幕在形成主题或话题时的贡献不同，对信息内容特征(信息量、形式、表达全面、简介等)的贡献有差异。按照要素贡献对弹幕信息进行管理，从内容质量来看，这意味着对主题有较大贡献的弹幕被保留下来，信息的有用性和内容的丰富性得到提升(冯缨和王娟，2017)。此外，当越来越多的具有更高信息价值的弹幕被提供时，越有可能满足甚至是超出利用弹幕进行在线社交的需求，提高弹幕效用质量。因此，本文认为在弹幕视频网站既有资源的限定条件下，基于按要素分配理论，根据弹幕在相关主题或话题模型中的贡献进行资源的配置和管理，能提高弹幕信息质量，满足用户互动需求，提高个体参与度，并最终影响视频观看者的行为。鉴于此，提出假设H2：
H2：基于“要素贡献”的信息管理方式对在线消费行为有显著的正向影响。
5.2 数据说明和变量处理
本部分仍使用研究一抓取和处理后的数据，在主题模型分析的基础上，通过确定有主题贡献的弹幕评论来衡量基于“要素贡献”的弹幕评论。具体来说，首先，在Zhang等(2020)研究的基础上，将主题数规定为3，利用R软件基于潜在狄利克雷分布(LDA)对每部电影在数据采集期内所有弹幕内容的主题进行分析，确定每条弹幕评论的主题概率分布；
其次，根据每期弹幕的文档—主题概率矩阵，汇总每期内主题概率矩阵大于0的弹幕数量，得到该部影片在该期内有主题价值贡献的弹幕数(如表6所示)。
表6 某部影片有主题贡献的弹幕数量确定
5.3 模型构建
首先，采用静态面板模型进行实证研究，根据不同阶段的消费行为的基本情况，构建如下模型，见公式(2)：
(2)
其次，考虑到影响因素的变化会存在一定的滞后性，本文在借鉴网络口碑的研究成果基础上(Rui et al., 2010)，将滞后一期的被解释变量引入模型，构建动态面板模型进行研究。
5.4 实证分析
5.4.1 单位根与协整检验
为避免伪回归，在前文的基础上对基于要素贡献的弹幕数量进行单位各检验，结果发现原值：LLC(14.7943)，HT(-53.7908***)，IPS(-1.6460)；
一阶差分后：LLC(-0.0419***)，HT(-1.3e+02***)，IPS(-4.9945**)，一阶差分后平稳。同时协整检验结果显示变量之间存在稳定的长期均衡关系，见表7。
表7 协整检验——Kao检验的ADF值
5.4.2 静态面板估计
在此基础上，本文进一步对Model 6至Model 10建立的面板模型进行效应模型选择，结果如表8所示，全部P值均小于0.05，即选择固定效应模型估计更有效。静态面板模型估计结果如表8所示。有主题贡献的弹幕数量正向影响用户的分享行为，与用户的点赞和收藏无关，但与用户的观看、硬币有负向影响。由于忽略了行为的惯性，未考虑个体过去行为对当前的影响，当前结论客观性和准确性有限，为此，本文构建动态面板模型进一步分析。
表8 静态面板模型参数估计结果
5.4.3 动态面板估计
消费者行为会受到从众效应的影响，前一期的行为可能影响后一期行为结果。在借鉴现有研究的基础上(黄敏学等，2015)，结合在线消费行为的特点(Court et al., 2009)，将在线消费行为的滞后项引入模型建立动态面板模型，并利用GMM进行估计。结合本文数据的特点，当被解释变量二阶滞后时，观看量的差分GMM(AR(3)p值为0.0024)和系统GMM(AR(3)p值为0.0001)、收藏量的差分GMM(AR(3)p值为0.0157)和系统GMM(AR(3)p值为0.0189)、分享量的差分GMM(AR(2)p值为0.0004)和系统GMM(AR(2)p值为0.0952)、硬币量的差分GMM(AR(2)p值为0.0025)存在高阶自相关，但一阶滞后不存在高阶自相关，故本文对此采用一阶滞后。点赞量和硬币量三阶滞后时，不存在二阶自相关，但四阶滞后时，点赞量差分GMM(AR(3)p值为0.0168)和系统GMM(AR(3)p值为0.0085)、硬币量系统GMM(AR(3)p值为0.0053)存在高阶自相关，故对此采用三阶滞后。
表9 动态面板模型参数估计结果
与差分GMM相比，系统GMM可提高估计的效率，故本文采用系统GMM估计结果进行分析，结果如表9所示。模型估计结果显示Wald检验值在0.001水平上显著，AR(1)检验结果显示扰动项差分存在一阶自相关，AR(2)检验显示一阶差分后的残差不存在二阶自相关，即本文设定的动态面板模型合理。同时分析结果显示，从长期来看基于要素贡献的弹幕数量正向影响用户的分享(β=0.0046***)与投币(β=0.0023***)行为，但负向影响观看(β=-0.0029***)、点赞(β=-0.0013***)、收藏(β=-0.0036***)行为，假设H2部分成立。
6.1 研究结论
本文以信息过载理论和要素贡献理论为基础，以B站为研究对象，从在线消费行为出发，对“先进先出”的弹幕信息管理方式的有效性进行了论证，并提出了基于要素贡献的弹幕信息管理手段。主要发现如下：
首先，“先进先出”的弹幕评论管理方式并不会引起消费行为的变化。弹幕评论发布时间与信息的丰富性、娱乐性之间并无明确的关联，对在线视频消费中的观看、点赞、收藏、分享、投币、评论等行为无显著的影响，即“先进先出”的信息管理机制并不能提升用户在线视频消费体验，也很难实现以弹幕评论为契机的用户黏性的保持与提升。
其次，基于要素贡献的弹幕评论管理模式正向影响在线消费行为过程的阶段性行为。具体来说，基于主题贡献的弹幕评论管理方式正向影响用户的分享、投币行为，但负向影响观看、点赞和收藏。有主题贡献的弹幕数量越多，提供关于情感表达、内容和在线沟通的信息也就越丰富，越能较好地满足用户在线互动、沟通的社交需求，能带来分享量的提升。同时对个体来说，需求的满足也会促进用户下沉，互粉后将促使信任行为的产生，推动投币行为出现。此外，弹幕是一种实时的互动交流，也是在线评论的一种，所以有主题贡献的弹幕数量越多，越削弱个体发布评论的动机。比较遗憾的是，本文的研究发现，有主题贡献的弹幕数量与点赞和收藏行为负相关。点赞和收藏属于在线消费行为过程中的体验行为，与主题相关的弹幕数量越多，可能带来与电影内容相关的信息也越大，在一定程度上造成了“剧透”，影响了个体的体验，造成了点赞和收藏行为的下降。本文的研究也发现具有主题贡献的弹幕数量与个人的观看行为负相关，这一研究结果的产生可能是网站设计的规则导致的，个体观影之前无法获悉弹幕的具体信息，且当看到弹幕时，相应的观看量已经产生。网络视频网站的这一设计规则可能是导致本文获得此研究结论的主要原因。
总之，本文认为“先进先出”的信息管理模式对在线消费行为无显著的影响，基于要素贡献的信息管理模式能有效促进“忠诚度环”深度在线消费行为的产生。
6.2 理论贡献与实践意义
本文从网络视频网站弹幕评论信息管理问题及现有研究的缺口出发，基于信息过载理论和要素贡献理论，对弹幕评论的管理方式进行了深入分析，理论贡献如下：首先，在理论上首次对现行的弹幕信息管理模式的效用进行了分析论证。“先进先出”的基于时间顺序的信息管理方式，是目前大多数视频平台采纳的信息管理手段，本文首次从实证角度对该信息管理方式的有效性进行了论证。其次，提出了一种基于要素贡献的弹幕评论信息管理新方式。以往对弹幕视频管理的研究多集中于视频标签、视频推荐及精彩片段识别等问题，缺乏对弹幕评论本身管理问题的研究。本文基于要素贡献理论，构建了一种新的弹幕评论管理方式，并深入分析了该信息管理方式与在线消费行为过程的复杂关系，丰富了网络视频网站弹幕评论信息管理的相关研究成果。
同时，本文的研究结论也为网络视频行业动态瞬间消费流信息的管理提供了重要启示：
(1)“先进先出”的弹幕评论管理模式并不能带来在线消费行为的演化升级。现行的以发布时间为主要信息管理标准的管理模式需要调整和完善。
(2)以要素贡献为标准的弹幕评论管理模式对“购买环”消费行为和深度“忠诚度环”消费行为有正向影响。构建以要素贡献为标准的信息管理模式，完善个体视频消费过程中的互粉、信任等需求表达，具有重要的现实意义。如笔者发现，早期B站在线消费行为表达功能设计有点赞、收藏、分享、硬币、评价等，后期B站平台更新后，网页版取消了收藏等行为表达功能，这也与本文的研究结论不谋而合，更进一步论证了本文研究结论的可靠性。
6.3 局限与未来研究方向
本文的研究结论虽然在一定程度上推动了动态瞬间消费流信息管理的研究进程，丰富了相关的研究成果，但不可避免还存在一些局限。
首先，本文主要以B站为研究对象，且在建模分析时忽略了电影时长、演员等因素的影响。在未来的研究中有必要对该类信息进行控制，以不同的平台为研究对象作进一步的对比分析，提高研究结论的可靠性。
其次，本文主要基于现有研究将弹幕主题分为情感型、内容型与交流型，缺乏对弹幕内容的进一步深入挖掘。在未来的研究中，有必要从弹幕文本内容出发，在弹幕主题深入挖掘的基础上开展研究。
最后，本文从总体上分析了有主题贡献的弹幕数量对在线消费行为的影响，一方面并未深入探究情感型、内容型与交流型三个主题下，有主题贡献的弹幕数量与在线消费行为的关系，这可能是造成有主题贡献的弹幕数量与点赞、收藏等体验行为负相关的主要原因；
另一方面也未对弹幕与在线消费行为之间的传导机制进行研究，在未来的研究中有必要对此进行深入分析，进一步深入探讨不同主题下，有主题贡献的弹幕数量与体验层消费行为的复杂关系及其传导机制。
