论文荐读 2019年第3期 | 基于构型视角的信息行为研究：研究主题、理论构建与分析方法

题图来自图虫创意网

基于构型视角的信息行为研究：

研究主题、理论构建与分析方法

孙永强

(武汉大学信息管理学院,武汉,430072)

摘要

数字化、大数据、生态系统等理念的提出与发展推动了研究范式从局部思维向全局思维的转变,相比于传统的方差视角,构型视角能够更好地把握全局性、等效性、不对称性等研究特点,并逐渐成为一种新兴、重要的理论视角。鉴于现有信息行为研究的相关文献较少从构型视角对信息行为进行重新审视、以及构型视角的理论构建与分析方法上的不足,本文提出了包含信息、技术、任务、用户与行为的信息行为五维模型,从构型视角对信息行为的形成机制进行全局性分析并指出了潜在的研究主题,提出构型理论构建的矩阵法与决策树法,以及构型理论检验所应遵循的分解原则、合成原则、包含原则与闭合原则。本文可为信息行为研究提供新的研究思路,对基于构型视角的研究实践提供理论指导。

关键词

信息行为 构型视角 定性比较分析 理论构建 分析方法

1

引言

数字化推动了实体信息的虚拟转换,建立了实体世界与虚拟世界之间的连接,通过数字虚拟信息在数据联通上的优势,将实体信息及其附着的数字虚拟信息构织成一个庞大的数据网络[1]。数字化不仅实现了实体世界与虚拟世界的对应、关联,也实现了虚拟数字信息之间的关联,借助于数字信息在计算方面的独特优势,可以推演数字信息之间的潜在关联机制,并进而映射到现实实体之间的关联,从而对实体事件、行为发生的可能性进行预测。数字化实现了客观实体的数字表征,为数据分析提供了原始素材。

大数据思维把握了事物之间的普遍联系,将这种普遍联系作为事物产生、演化与消亡的根本依据[2]。基于大数据思维,任何事件、行为的发生均由与其紧密关联的实体所决定。因此,把握了实体之间的关联规律,则可以基于相关实体的数据而对新的事件、行为的发生进行精准的预测。大数据思维揭示了数据所潜含的深义,从数据关联角度为知识发现提供了新的视角和工具。

生态系统刻画了事物之间的依存关系,认为任何事件、行为的发生并非基于某些因素的独立作用,而是基于相关因素的联合作用,强调事物之间的互利、共生,从系统性、全局性视角来对现象进行审视[3]。生态系统视角把握了社会现象的复杂性,侧重于从各相关实体的组合形态来对事件、行为的发生提供理论解释。

数字化、大数据与生态系统等相关理念的提出与发展颠覆了人们对于社会系统运行规律的认知模式,迫切要求从新的理论视角对社会现象进行理论理解,并运用新的方法对这些新的理论进行分析与检验。构型视角(Configurational Perspective)契合了数字化环境下用户行为的复杂性、全局性与情境化的特点,为探究新研究情境下的用户行为提供了一个可行的理论视角[4]。与传统方差视角不同,构型视角强调将结果理解为诸多因果条件联合作用的产物,通过一系列因果条件的组合形态来对因果机制进行阐释。

然而,在信息行为的相关文献中,基于构型视角的理论研究尚少,这与新情境下信息行为研究的理论需求并不匹配。行为作为信息、技术、任务与用户等相关因素的联合作用结果已经成为信息行为研究的一个基本共识,而现有研究却未能从构型视角为行为的产生提供全局性的阐释。为弥补该理论缺陷,本文旨在探讨基于构型视角的信息行为研究的潜在研究主题、理论构建与分析方法,为基于构型视角的信息行为研究指明发展方向。

2

构型视角与定性比较分析

2.1 构型视角

构型视角认为结果的产生源于一系列因果条件的联合作用,强调运用多个因果条件的组合形态或构型来解释结果的产生机制[4]。其思维逻辑与传统的基于方差的理论视角(Variance Model)完全不同。方差视角主要分析原因变量的方差变化如何影响结果变量的方差变化,侧重于单个因素的孤立作用而非所有因素的联合作用,调节作用等机制虽然可以解析两个或三个变量的联合作用,但仍然无法覆盖所有因素的整体作用。相较于方差视角,构型视角有如下理论优势(见表1)。

表1 方差视角与构型视角的比较

第一,在处理因素之间的依存性关系时, 方差视角一般默认每个因素单独发挥作用, 而构型视角则认为因果条件之间的依存性普 遍存在,任何一个因果条件的作用的发挥均以其他因果条件的存在与否为前提。虽然方 差视角中的调节作用亦能对某些因素之间的 依存关系进行把握,但仅仅能刻画两个(二维交互作用)或三个(三维交互作用)因素之间 的依存性,在解决四个或以上因素的依存性时能力不足[5]。 

第二,在把握机制的全局性时,方差视角侧重于从单个因素的局部作用进行分析,而构 型视角则侧重从所有因果条件的整体构型来进行分析。在进行数据分析时,方差视角孤立地看待每个自变量与因变量之间的关系(存在交互或调节作用时,同时考虑两个或三个相关自变量),而将其他自变量的作用视为既定。然而,构型视角则认为只有从所有因果条件的整体构型才能对结果变量给出阐释,单个因果条件的存在与否不能决定结果变量的可能取值。因此,相较于方差视角,构型视角更适合处理复杂性、系统性的问题。

第三,在数据分析结果方面,方差视角仅提供唯一的分析结果,而构型视角则认为存在多种可能的条件组合可以达到同样的结果(即等效性,Equifinality)。基于方差视角,一个自变量对于一个因变量的作用可能是正向、负向或不显著的,但只能是三种可能结果中的一种,而不可能三种情况并存,即自变量不可能 同时正向影响因变量和负向影响因变量。而构型视角则认为考虑单个因果条件的作用是没有意义的,每个因果条件只有在与其他因果条件进行适配时,才能引致结果,因此存在多种可能的解决方案,在不同的方案中同一因果条件可能发挥着不同的作用。以隐私计算模型为例[6],用户的信息披露可能受到感知收益与隐私风险的影响,方差视角认为感知收益正向影响信息披露(即感知收益越多,信息披露 可能性越高),隐私风险负向影响信息披露(即隐私风险越高,信息披露可能性越低)。然而, 构型视角则并不认为隐私风险较低是信息披露行为存在的必要条件,当感知收益和隐私风 险同时较高,而感知收益大于隐私风险时,用 户仍然可能进行信息披露,即可能存在两种解决方案,当感知收益较高时,隐私风险较高或 较低均可能引致信息披露。 

第四,在效应的对称性方面,方差视角认为自变量对因变量的作用机制是对称的,而构型视角则认为引致高结果变量与低结果变量的因果条件是不同的,即不对称性。仍以隐私计算模型为例,方差视角认为感知收益越高, 信息披露意愿越强,反之,感知收益越低,信息披露意愿越低,影响高、低结果变量的逻辑机制是一致的。而构型视角则认为导致高信息披露的因果条件与导致低信息披露的因果条件是不一样的,例如:高感知收益可能是高信息披露的一个必要条件,而低感知收益可能并不是低信息披露的一个必要条件;高信息披露可能更多地依赖于感知收益而非隐私风险,而低信息披露可能更多地依赖于隐私风险而非感知收益,因此,引致高、低信息披露的逻辑机制是不一致的。 

第五,方差视角与构型视角在进行数据分析时所基于的数学基础也是不同的。无论是相 关分析、回归分析、结构方程模型,方差视角都是以方差分析为数学基础的;而构型视角(特别是定性比较分析方法)则是以集合论和布尔代 数为基础的。方差视角以变量之间的协变性为分析原则,而构型视角则以样本中的每个个案 的集合隶属关系为判断依据。 

由此可见,方差视角与构型视角对社会运行规律具有不同的认知,其中,构型视角更适 合处理涉及复杂性、全局性、多重依存性、多样性及因果不对称性等研究问题的研究主题。与该理论视角相匹配,在进行数据分析时应采用以集合论和布尔代数为基础的定性比较分析方法。

2.2 定性比较分析(QCA)

尽管早期研究曾运用聚类分析等方法对构型进行分析[7] ,定性比较分析方法的出现更好地把握了构型视角的理论特点,逐渐成为最广为运用的构型分析手段[5]。定性比较分析大体上可以分为两类:基于清晰集(Crisp Set, csQCA)的定性比较分析与基于模糊集(Fuzzy Set,fsQCA)定性比较析①。其中,csQCA主要分析0/1变量,而fsQCA则可以分析连续变量。由于已有文献大多采用问卷调查方法 进行数据收集,变量多为连续变量,因此fsQCA的运用最为广泛。本文的相关阐述也主要基于fsQCA的相关原理。

定性比较分析主要包括以下步骤:标定变量、真值表、充要性分析与反事实分析[8]。 

首先,由于QCA基于集合论进行分析,需要先将原始数据转换成集合数据,通过标定变量的公式,设定0.95,0.5与0.05三个锚定位置的数值,可以将原始连续变量转换为0-1区间内的集合隶属度数值。 

其次,QCA将每个因果条件的取值设定为 0/1两种情况,然后列出所有可能的条件组合, 并给出每种条件组合下的个案频次。如果存在k 个因果条件,则可以生成2^k个条件组合或 构型,这个表称为真值表。个案频次在不同构型中的分布是不均衡的,在某些构型中个案数目较多,而在其他构型中个案数目较少,甚至为0。为萃取最为重要的构型,研究者可以设定个案频次阈值以减少潜在的构型数量。 

再次, 将精简后的真值表按照一致率(Consistency)由高到低重新排序,自上而下对结果变量的0-1数值进行设定,按照一致率阈值进行截取(0.75或更高),阈值以上部分设定为1,以下部分设定为0。一致率的阈值可以按照理论需求进行自行设定。 

最后,基于设定的结果数值,QCA将通过两种反事 实分析(即简单类与困难类反事实分析),生成三种解(即复杂解、简洁解和中间解), 研究者可以根据这三种解确定解决方案的数量、每个解决方案中各个因果条件的存在与否以及识别这些条件是否核心条件或边缘条件②。 

通过定性比较分析,研究者将得到引致结果的多种构型,这些构型展现了不同因果条件的依存关系,不同的构型具有等效结果。需要注意的是,由于引致高结果变量的构型与引致低结果变量的构型并不一致,需要分开进行分析,确定高、低结果变量的不同构型。

2.3 基于构型视角的研究现状

本文以Configuration与Qualitative Comparative Analysis为关键词,对已有文献进行了检索与梳理(见表2、表3)。在德克萨斯大学达拉斯分校(UTD)确定的24本商学顶级期刊中,仅有5 本期刊刊载了基于构型视角的研究论文,这些论文均发表于2011年之后,近年来论文数量逐渐增多。从论文所发表的期刊可以看出,这些论文多聚焦于企业组织层面的战略研究,在微观个体层面的研究相对较少。

表2 商学顶级期刊中基于构型视角的研究

表3 国际信息系统协会八大期刊中基于构型视角的研究论文

表3展示了国际信息系统协会(AIS)指定的八大学术期刊上所发表的相关论文,可以看出,在信息系统研究领域中从构型视角发表的研究成果较少(仅10篇左右),2016年之后相关论文的增长速度提升,这些研究大多关注于战略层面的研究问题,而在个体用户层面的研究较少。信息系统领域在该方面研究较多的 学者包括乔治华盛顿大学(George Washington  University)的YoungKi Park、南 加 州 大 学 (University of Southern California)的Omar El Sawy、亚利桑那州立大学(Arizona State University )的 GregoryS.Dawson和哥本哈根商学院( Copenhagen Business School )的 Chee Wee Tan。 

通过对文献的分析可以发现以下三个亟待解决的问题:

(1)在研究主题上,已有文献大多聚焦于企业组织的战略问题,而针对个体用户行为特别是信息行为的研究非常少见。这里的一个潜在假设前提是,组织战略问题涉及到组织全局,需要从构型视角给予全局性阐释,而个体用户行为却相对简单。然而,现实情况并非如此,信息行为与信息、技术、任务、用户等多方主体存在紧密的关系,作为多方主体联合作用的产物,只有从构型视角全面审视行为与这些 主体之间的关联,才能对信息行为的形成机制做出充分合理的解析。

(2)在理论构建方面,虽然现有文献已尝试从构型视角对因果条件与结果之间的因果关系进行阐释,这些阐述大多采用一种后验 (Post-Hoc)论证的方式,即根据定性比较分析所得出的构型结果来解释这些构型的合理性, 而未能在数据分析之前就从理论上对可能出现的构型进行预测。因此,在大多数研究中, 研究者们并未根据逻辑论证而提出假设,或者仅仅提出宽泛而不具特指性与可验证性的假设。这些都阻碍了基于构型视角的理论发展, 迫切需要形成一套原则或架构对理论构建过程进行规范。

(3)在分析方法方面,已有文献大多将定性比较分析作为一种探索性分析的手段,而较少将其作为一种验证性分析的手段。方差视角下的假设检验是以统计量(如t值、F 值等) 为衡量标准的,而如何检验定性比较分析的结果是否符合理论预期或假设却尚未形成一套可以遵循的标准或规范,这使得定性比较分析 往往被质疑过于主观、缺乏信度。因此,需要开发一套基于定性比较分析的假设检验方法。

因此,后文将从基于构型视角的信息行为研究主题、理论构建与分析方法展开论述。

3

基于构型视角的信息行为研究主题

3.1 信息行为的五维研究框架

从构型视角对信息行为展开研究的必要性源于信息、技术、任务、用户与行为所构成的五维研究框架(见图1)。在本文中,信息行为被定义为“用户为完成某一任务目标,运用信 息技术对信息进行处理的过程”,而任何与该 过程相关的议题均隶属于信息行为的研究范 畴。信息行为的五维研究框架的理论基础是 Bandura所提出的社会认知理论(Social Cognitive Theory)[39]。社会认知理论指出了环境、个 体与行为三者之间的相互作用关系。本文在 社会认知理论的基础上进一步将环境维度细分为信息、技术与任务三个维度,其中将技术 定义为一切信息传递的载体或媒介,包括但不 限于狭义的信息技术。例如:在面对面的交流中,面对面的交流方式亦可视作一种特殊的信息技术。任务则刻画了用户信息行为的目标, 把握了人类行为的目的性特征。

图1 信息行为的五维研究框架

信息行为的五维研究框架有如下理论启示: 

(1)行为受到信息、技术、任务与用户等相关因素的影响。信息特征将对信息行为产生影响,例如:信息采纳模型认为信息的论证质量与信息源的可信度将影响用户的信息采纳行为[40-41]。技术特征亦会影响用户的信息处理行为,例如:已有研究发现采用多媒体技术或文本 描述等技术手段对信息进行展示时,用户对信息的理解程度是不同的[42]。同样,已有文献亦发现任务复杂度等任务特征会影响用户的信息收集行为[43],用户的性格特征、认知模式等也会影响用户的信息搜寻行为[44-45]。因此,在分析 信息行为的形成因素时,应该从信息、技术、任 务与用户等多个维度寻求理论解释。

(2)信息行为的五个维度之间存在相互依存性。信息、技术、任务与用户相关因素在对行为产生影响时并非是单独发挥作用的,而是依存于其他因素的,例如:Hong等[46]基于信息-技术匹配原则,分析了技术展现方式(图像还是文本)与信息形式(列表还是矩阵)之间的交互效应;Hong等[47] 的另一篇论文则基于信息-任务匹配原则,分析了信息形式(列表还是矩阵)与任务类型(搜索还是浏览)之间的交互效应;Sussman等的信息采纳模型则基于信息-用户匹配原则,分析了论证质量、信息源可信度等信息特征与专业知识、卷入度等用户特征之间的交互效应[40];已有文献亦分析了知 识模糊性与用户动机之间的交互效应[48]、信息敏感性与用户调节焦点之间的交互效应[49]等; 技术-任务匹配理论[50]、媒体丰富度理论[51]则强调了技术支持与任务类型之间的交互效 应;基于个体-环境匹配理论,已有文献分析了技 术-用户匹配对用户信息行为的影响[52-54];基于任务-用户匹配原则,已有文献分析了任务复杂度与用户动机[55]、自我效能[56]之间的交互效应。这些研究说明信息行为的产生并不单单取决于信息、技术、任务与用户中的单一因素,而是取决于这些因素之间的匹配关系或交互效应。 

(3)信息行为的产生是信息、技术、任务与用户等因素联合作用的结果,应该从五个维度对行为产生的潜在机制给出系统性、全局性的解释。该观点是对相互依存性观点的进一步深化。相互依存性主要指的是信息、技术、任 务与用户维度之间的两两交互,而全局性观点则认为任何一个维度作用的发挥均需依赖于其他维度。例如:信息因素对行为的影响需要依赖于一定的技术、任务与用户条件。一些研究已经开始关注信息、技术与任务特征的联合作用[57-58]以及技术、任务、用户特征的联合作用[59-60]等。构型视角与定性比较分析为全面考察信息、技术、任务与用户等因素对行为的综合影响提供了理论指导与方法支撑。

3.2 潜在研究主题

基于构型视角进行研究主题选择时应充分把握构型视角相对于方差视角的独特优势。鉴于构型视角的理论优势体现在全局性、等效 性与不对称性三个方面,因此可从这三个方面进行研究主题的确定。 

(1)基于全局性特征的研究主题选择 

从全局性特征考虑,研究问题应围绕那些复杂性、系统性的现象展开。例如:信息生态 问题涉及到信息生态链中的多方主体,只有将多方主体纳入一个整体进行考虑,研判各方主体的协同效应,才能对这一现象作出全面深入的理解[61-63]。生态系统平台(Ecosystem Platform)[1]的相关文献不再关注于单项技术或应用,而是聚焦于众多技术或应用所共同打造形成的生态系统,如安卓平台、苹果平台、阿里生 态圈、腾讯生态圈等。在理解生态系统平台中的相关行为时,亦应从整个平台各方主体来进行全面审视。 

前面提出的信息行为五维模型指出了信息行为受到信息、技术、任务与用户等因素的联合作用,应该从这些因素的组合形态来对信息行为进行阐释。例如:用户在社交网络中的 信息披露行为不仅受到信息敏感性等信息特征的影响,亦将受到人格特征、认知模式等用户特征、边界可控性等技术特征的影响;用户的信息搜寻行为不仅受到信息模糊性等信息特征的影响,亦将受到信息搜寻任务特征(如任务复杂度、明确性)、技术特征(如技术有用性、易用性)、用户特征 (如认知需求, 认知风格)的影响。

在信息行为五维模型中的某一维度亦存在多个影响因素,这些影响因素也将联合发挥作用。例如:在信息披露行为中,用户的调节焦点与自我建构因素之间可能存在交互作用[49];在知识共享行为中,用户的内在动机、外在动机与自我效能感之间可能存在交互作用[55];在信息采纳行为中,信息的论证质量与信息主观性之间可能存在交互作用[41]。 

由此可见,构型视角为全面理解信息行为的产生机制提供了重要支撑。在分析信息行为的影响因素时,需要从生态系统中的多方主体、某一主体的多个维度以及某个维度的多个因素层次展开,通过寻求多个因果条件的组态或构型来对信息行为的产生规律进行全局性刻画。

(2)基于等效性特征的研究主题选择 

构型视角的等效性特征是指存在多个等效的构型可以达到同样的结果,即“条条大路通罗马”。这与方差视角仅提供绝对、唯一的解决方案的思想是不一致的。因此,当某个理论问题涉及到多种等效结果时,采用构型视角将给出更好的理论阐释。当出现如下两种情况时,解决等效性问题成为一种重要的理论需要。 

第一,已有文献关于某一作用机制存在不一致的研究结论。以知识共享行为为例,基于社会交换理论与自我决定理论,已有文献对外在动机与内在动机的作用展开了大量研究,然而这些研究结论却并不一致,有些研究发现外在动机对知识共享行为具有正向作用[64],而另 外一些研究则发现外在动机对知识共享行为具有不显著作用[65]甚至负向作用[66]。基于方差视角,已有文献试图运用调节作用来界定外在动机发挥作用的边界条件[55]。诚然,调节作用虽是解决不一致结论的一种方法,但不是唯一的方法。结合现实的观察可以发现,人们在作出是否进行知识共享的决策时,并非依赖于单一因素,而是依赖诸多因素的组合。有些人可能将外在动机作为这些组合中的一个重要条件,而另外一些人可能并不将其作为条件组 合中的一员(比如用户对内在动机的依赖使得其对外在动机存在与否并不感兴趣)。也就是说,能够引致知识共享行为的构型有多个,而在这些构型中外在动机并不一定是必备条件。因此,把握构型视角的等效性特征为分析已有文献中的不一致结论提供了另一条研究思路。 

第二,不同因果条件的替代性假设。因果条件的替代性假设是指某些因果条件或因果条件组合具有相似的作用效果,从而可以互相替代。在分析多个构型之间的关系时,可能存在两个构型具有很多相似条件,那么这两个构型去除这些相似条件之后所剩下的不同条件组合是可以相互替代的。以保护动机理论在医疗信息技术采纳中的应用为例,保护动机理论识别了两类评价(威胁评价与处理评价)中的五个因素:感知严重性、感知易感性、回应效能、回应成本和自我效能。假如结果中存在两个构型,这两种构型都同时要求有比较高的回应效能和自我效能以及比较低的回应成本,不同之处在于一种构型只需要有较高的感知严重性,而另一种构型则只需要有较高的感知易感性,那么感知严重性与感知易感性则成为一组替代条件,即感知严重性与感知易感性所发挥的作用是一样的:当感知严重性高时,用户即会倾向于采纳一项医疗信息技术,无论感知易感性是高还是低;同样,当感知易感性高时, 用户即倾向采纳一项医疗信息技术,无论感知严重性是高还是低。这些替代性假设也是在方差模型中无法检测到的。因此,当在理论构 建过程中存在替代性假设时,运用构型视角将给出更好的理论解释。

(3)基于不对称性特征的研究主题选择 

构型视角认为引致高、低结果的构型是不同的,即机制的不对称性,这与方差视角所依赖的机制对称性假设是不同的。因此,在理论构建过程中,遇到需要考虑不对称机制的理论问题时,构型视角将比方差视角更具优势。例如:Herzberg[67]的双因素理论认为,引致员工满意与不满意的原因是不同的,那些与满意相关但与不满意不相关的因素称为激励因素,而那些与不满意相关但与满意不相关的因素称之为保健因素;信息系统研究中亦有学者认为信任与不信任是两个不同的变量[68],其原因与后果将遵循不同的逻辑机制[69];信息技术采纳相关研究中亦有学者尝试去区分持续使用与终止使用[70]、采纳与抵制[71];知识共享相关研究指出了知识共享行为与知识保留行为之间的 差异[72]。 

尽管已有文献已经尝试去解析这些不对称机制,但是这些文献仍然在概念定义与作用机制等方面受到其他学者的质疑。其中一个核心问题是,这些变量到底是两个不同的变量,还是同一变量连续体的两个极端? 例如: 信任与不信任是两个独立的变量还是信任这 一变量的两个极值[68] ? 如果信任与不信任是 两个不同的变量,那么这两个变量应该可以共存。如表4所示,应该存在高信任-高不信任以及低信任-低不信任的状态。

表4 信任-不信任矩阵

构型视角为厘清概念与机制上的差异提供了新的理论支撑。运用构型视角,可以从以下三个方面来对这些不对称效应进行深度解析。首先,构型视角可以展现高、低结果的不同构型。以信任-不信任为例,当二者被视作同一变量的两端时(将变量定义为信任),构型视角可以解析引致高信任与低信任的不同构 型,从而区分高、低信任的不同形成机制;当二者被视为两个不同的变量时,构型视角亦可以解析出引致高、低信任及高、低不信任的不同构型。其次,基于不同构型之间的比较,可以判别这些概念的可区分度,例如:如果假设信任与不信任是同一概念的两端,那么在比较引致高、低信任与高、低不信任的不同构型时,期望能够得出这样的结论:引致高信任的构型与 引致低不信任的构型是一致的;引致低信任的构型与引致高不信任的构型是一致的。若不一致,则说明这两个概念应该视作不同的变量而非同一变量的两端。再次,基于不同构型的相似性分析,可以识别不同状态下的构型,例如:表 4 列出了信任-不信任的四种组合状态,在得出引致高、低信任以及高、低不信任的不同构型时,可以查看引致高信任与高不信任的构型是否存在重叠,重叠的构型则可以引致高信任-高不信任这一状态,同理可以分析引致其他三种状态的构型。

4

基于构型视角的信息行为理论构建

4.1 理论构建基础

尽管构型视角已经成为方差视角之外的另外一种重要的理论视角,并在近年来的实证研究中得到越来越多的运用,这些实证研究却多倾向于采用后验方式对构型结果进行解释, 在数据分析之前未能基于严谨的理论论证对可能的构型结果进行预测。这种数据驱动的 方式有悖于实证研究的理论驱动原则,未能真正地对构型模型实现理论化。为弥补该缺陷, 本文拟提出一系列基于构型视角的理论构建原则,以规范基于构型视角的理论研究。 

构型模型的构建主要基于两大理论基础, 即匹配或权变理论与分类思想。匹配或权变理论能够把握不同因果条件的普遍依存性,解析不同因果条件如何联合发挥作用,是分析构型中因果条件组合的逻辑基础。以往基于方差视角的研究多采用调节作用或交互作用来刻画两个或三个变量的相互依存关系,而基于构型视角的研究则往往涉及到四个或更多因 果条件之间的依存关系。因此,在进行理论构建时,需要同时对四个或更多因果条件之间的依存关系进行阐述,这无疑加大了构型模型的理论构建难度,迫切需要建立某种结构化、可视化的规则来表征这种复杂的依存关系。 

分类思想是构型视角的另一个理论基础。由于构型结果是通过不同因果条件的存在与否(即0/1变量)来表征的,所有构型可以表述为全部因果条件基于0/1分类原则而确定的类别。如果存在k 个因果条件,每个因果条件存在0/1两种可能,那最终生成的总类别数目为2^k 。因此,需要从2^k个类别中遴选出最能 反映结果变量取值的类别(基于个案数目与一致性阈值),并将这些类别作为构型结果。因此,为说明构型结果的正当性,需要从理论上对分类的逻辑进行阐释。

因此,在对构型模型进行理论化时,需要基于匹配理论与分类思想对因果条件组合进行分析,并对因果条件组合所形成的类别及其理论涵义进行深度挖掘。

4.2 理论构建方法

为把握匹配理论与分类思想,本文提出构型理论的两种构建方法:矩阵法与决策树法。矩阵法将因果条件按照行列进行排布,形成矩阵,在每个矩阵格中预测结果情况,从而得到引致高、低结果的可能构型。如果有k个因果 条件,则将需要对2^k个矩阵格中的结果情况进行预测。表5列出了最简单的因果条件矩阵, 在该矩阵中共有2个因果条件,每个因果条件在构型中均可能存在或不存在,从而形成四个可能的构型(AB,A~B,~AB,~A~B,其中~ 表示不存在),然后,根据匹配理论,对四种构 型下结果的可能取值进行预测。例如:假设 A 和 B两个条件同时存在或不存在时会引致高结果,而 A 和 B 其中之一不存在时引致低结果,则 AB构型和~A~B构型对应高结果,而 ~AB和 A~B构型对应低结果。

表5 两个因果条件的矩阵表示

当因果条件增加时,需要对因果条件矩阵 进行扩展。多个因果条件可能两两依存,也可能部分条件独立。表6列出了三个因果条件, 其中 AB、AC之间具有依存关系,而BC之间相 对独立。在该情形下,只需要根据匹配理论确 定AB与AC之间的依存关系即可,不需要考虑 ABC三者之间的依存关系。假设 AB同时存在或不存在时可引致高结果,其他情况引致低结 果;AC同时存在或不存在时可引致高结果,其他情况引致低结果。此时,引致高结果的构型有 AB、~A~B、AC、~A~C四种构型,其中 AB 构型表示只要 A和 B同时存在即可,C存在与否并不重要。

表6 三个因果条件(部分独立)的矩阵表示

表7列出了三个因果条件但两两依存时的因果条件矩阵,此时任何两个条件的联合作用进一步受到第三个条件的影响,即 A、B作用 的发挥受制于 C,A、C作用的发挥受制于 B,B、C作用的发挥受制于 A。此时,只有将三个条 件同时考虑,才能对结果进行预测。假设当 A、 B、C三个条件同时满足或者同时不满足时可以引致高结果,其他情况将引致低结果,则如 表7所示,引致高结果的构型有 ABC、~A~B ~C两种,其他六种构型则将引致低结果。

表7 三个因果条件(两两依存)的矩阵表示

决策树法是另一种构型理论的构建方法。决策树法与矩阵法的主要区别在于是否考虑不同因果条件在决策过程中的顺序。矩阵法不存在时序性的概念,认为所有因果条件可以平行地产生影响;而决策树法则认为因果条件在决策过程中是有顺序的,有些条件先被考虑 (即优先条件),而另外一些条件后被考虑,当优先条件不满足标准时,用户将直接作出决策,后续因果条件将不予考虑。 

图2列出了基于决策树法的构型理论的构建过程。在该图示中,假设存在三个因果条 件 A、B、C,其中 A是优先条件,B次之,C 最后考虑。根据决策次序,用户首先对条件 A满足与否进行判断,当条件 A不满足时直接导致一 种可能结果(本例中为低结果);当条件 A满足时,进一步考虑条件 B,当条件 B不满足时直接导致一种可能结果(本例中为高结果);当条件 B满足后,进一步考虑条件 C,当条件 C不满足时导致一种可能结果(本例中为低结果),当条件 C满足时导致另一种可能结果(本例中为高结果)。由此可得,引致高结果的构型为A~B、 ABC,而引致低结果的构型为~A或 AB~C。

图2 决策树法

在进行构型理论构建时,应注意以下重点与难点:第一,因果条件的时序性。理论构建的第一步是从理论上分析不同因果条件是否存在次序,若存在先后顺序,则采用决策树法; 若不存在先后顺序,则采用矩阵法。第二,从理论上判别优先条件与次要条件。在确定决策树时,一个理论的难点是判断哪些条件是优 先条件,哪些条件是次要条件,这需要通过相关理论或文献来对不同条件的时间先后 (过 程)、主次轻重(重要性)进行比较权衡。第三, 从理论上识别各种构型下的结果变量数值。矩阵法中每个格子的结果情况、决策树每条决 策路径的结果情况都应具有理论依据。 

在进行构型分析时,需要把握构型之间的模块化与嵌入性的问题。所谓模块化是指在进行因果条件组合分析时,是否存在相对独立的解析机制,例如:在运用矩阵法进行分析时, 表6中A-B关系与A-C关系是相对独立的, 可以单独对 A-B关系和 A-C 关系分别进行 分析,再将分析结果进行合并,如最终的构型结果中 AB、~A~B源于 A-B关系分析,AC、 ~A~C源于 A-C关系分析。此外,在分析构 型时,可能存在多个独立的决策树分析,最终构型结果是将多个决策树分析各自的分析结 果进行合并。亦有可能存在独立的矩阵分析与决策树分析,最终构型结果是将矩阵分析结 果与决策树分析结果合并。 

所谓嵌入性是指矩阵或决策树分析可能是相互嵌入的,此时需要综合运用矩阵与决策树的分析结果。例如:在进行矩阵分析时,某些因果条件可能是具有时序的,需要借助决策树将这些因果条件的作用机制解释清楚后再进一步与其他非时序条件一起考虑,此时决策树分析嵌入于矩阵分析之中;同样,在进行决策树分析时,某个阶段可能存在多个非时序的 因果条件,需要先将这些非时序因果条件按照矩阵法进行分析之后再纳入整个决策树进行时序因果条件分析,此时矩阵分析嵌入于决策 树分析之中。 

在实际构建构型理论时,可能会同时运用矩阵分析与决策树分析,研究者需要根据构型的模块化、嵌入性等特征对分析过程进行拆解、 整合,但从根本上来看,构型理论的构建还是基于矩阵分析与决策树分析这两种基本方法。

5

基于构型视角的信息行为分析方法

如前文所述,由于已有基于构型视角的文献大多采用后验方式对构型结果进行解释,很少在理论上对假设进行论证,因而在分析方法上多倾向于进行探索性分析而非验证性分析。因此,为增强构型理论的理论严谨性,除了在理论构建上需要遵循严格的逻辑推理外,还需要在方法上形成一套用于结果检验的验证性分析方法。本文从构型结果的结构化理解与构型结果的验证方法两方面来对相关分析方法进行阐述。

5.1 构型结果的结构化理解

在对构型结果进行理解时,应灵活运用分解原则与合成原则,对构型结果所潜含的所有构型进行识别,并将这些结果与理论假设进行对照。 

分解原则是指当一个构型中的某个因果条件未明确标注存在与否时,可以将该构型拆解为两个构型,其他因果条件不变,而将未标注的条件分别设为存在与不存在。例如:假设根据图2中的决策树构建了构型理论,并通过实证分析得出如表8所示的构型结果,其中引致高结果的构型2个(构型1-2),引致低结果 的构型 3 个(构 型 3-5)。条件存在用实心圆 (●)表示,条件不存在用带叉的圆( )表示; 大圆表示核心条件,小圆表示边缘条件。构型 1为AC,条件B可有可无,根据分解原则,可以 按照条件 B存在与不存在将该构型拆为2个, 即 ABC和 A~BC;同理,构型3(B~C)可以分 解为 AB~C和~AB~C;构型4(~AC)可分解 为~ABC和~A~BC。

表8 构型结果理解示例

合成原则是指当两个构型其他因果条件相同而只有一个因果条件分别取值存在与不存在时,可以将这两个构型合并为一个构型, 该构型只包括那些相同的因果条件。例如:在表8中,构型1按分解原则拆成ABC和A~BC 后,其中的 A~BC可以跟构型2(A~B~C)合并为 A~B;同理,构型3拆成 AB~C 和~AB ~C后,其中的~AB~C可以跟构型5(~A~ B~C)合并为~A~C;构型4拆成~ABC和~ A~BC后,其中~A~BC可以跟构型5(~A~ B~C)合并为~A~B。 

通过分解原则与合成原则,可以将构型结果解读为更多可能的构型形态,通过将这些构型形态与构型理论所提出的构型预期进行比较,从而对构型相关假设进行检验。

5.2 构型结果的验证方法

在对构型结果进行假设检验时,应对预期构型结果与实际构型结果进行比对,若实际结果与预期一致,则说明假设得到支持;否则,若实际构型结果与预期结果相冲突,则说明假设未得到支持。在进行假设检验时,应遵循两个原则,即包含原则与闭合原则。 

包含原则是指实际构型结果应是预期结果的子集。仍以图2中的决策树与表8中的构型结果为例,高结果理论预期包括两种构型A~B和 ABC,而实际构型结果为 AC 和 A~B ~C,按照分解原则,AC 可以分解为 ABC 或 A ~BC,因此,实际构型结果可拆解为 ABC,A~ BC,A~B~C三种构型,其中 ABC与理论预期 完全一致,而A~BC和A~B~C均为A~B的子集;同理,低结果理论预期包括两种构型~A 和 AB~C,而实际构型结果为 B~C,~AC,~ A~B~C,按照分解原则,B~C可分解为 AB~ C,~AB~C;~AC可分解为~ABC,~A~BC, 因此,实际构型包括AB~C,~AB~C,~ABC, ~A~BC,~A~B~C 五种构型,其中 AB~C 与理论预期完全一致,而~AB~C,~ABC,~A ~BC,~A~B~C 均为 ~A 的子集。由此可 见,所有的构型结果均可以通过构型理论来进行预测。 

闭合原则是指实际构型结果应该能够覆盖构型理论的所有可能结果,即所有的构型预 期均得到了证实。在上例中,高结果理论预期包括 A~B和 ABC 两种构型,其中 A~B可以通过构型1和构型2覆盖,ABC可以通过构型1覆盖;低结果理论预期包括~A和 AB~C 两 种构型,其中~A 可以通过构型 3、4、5 覆盖, AB~C可以通过构型3覆盖。

包含原则和闭合原则保证了构型理论预期与构型实际结果之间的充分必要关系,可以作为构型理论假设检验的基本准则。

6

结论

现有信息行为研究的相关文献尚未从构型视角出发对信息行为的产生机制进行理论阐述,构型视角相关文献在理论构建与分析方法方面亦存在不足,针对这些理论缺陷,本文提出了涵盖信息、技术、任务、用户与行为的信息行为五维研究框架,分析了信息行为研究领域潜在的研究主题,提出了构型理论的构建方法与分析方法,扩展了信息行为研究的范畴, 丰富了构型视角的理论与方法论。本文为未来基于构型视角的信息行为研究奠定了基础, 对基于构型视角的理论构建与实证研究具有参考意义。

作者简介

孙永强,男,教授,博士生导师,研究方向为信息系统,知识管理,社交媒体

注释

① 此外,还有一类多值(Multi-value, mvQCA)定性比较分析,在实际研究中运用较少。

② 由于本文的重点在于如何运用构型视角与QCA方法进行理论构建,更多技术细节可以参考Fiss(2011), Ragin(2008)等,在此不再赘述。

参考文献

*原文载于《信息资源管理学报》2019年第3期4-17页，欢迎个人转发，公众号转载请联系后台。

制版编辑 | 王小燕