随着信息通信技术的不断发展，用户不再局限于使用基于关键词的搜索引擎来获取知识，而是通过社交问答社区提出问题并寻求答案。然而，社交问答社区面临着用户知识分享意愿不足的问题。由于在线社区的特征是用户生成内容，激励用户分享知识关乎在线社区的成功和可持续发展。
由于以往研究大多关注变量的独立效应，忽视了环境与个体因素的交互作用对知识分享的影响，因此构建一个更为整体的激励用户知识分享的方案，必须将分享文化与个体因素结合起来进行考虑。
同时，以往研究大多采用线性回归或结构方程模型对研究者提出的假设进行验证，得出的结论往往只具备解释性而缺乏预测性，致使心理学研究遇到了严重的可重复危机。机器学习作为一个关注预测的学科，其包含的原理与工具如能引入到心理学领域将对该领域大有裨益。
基于此，上海师范大学心理学系的石文典教授及团队采用回归树(Regression Tree)的方法探究环境因素与个体因素的交互作用对知识分享的影响。通过收集1007名知乎用户的数据，采用R中的rpart包建立回归树模型。
图1. 预测知识分享意愿的回归树
研究发现，乐趣是预测知识分享意愿的最佳变量。在不同的乐趣水平下，分享文化与内外部动机的联合作用将对知识分享意愿产生较大影响。当用户认为知识分享是一件非常快乐的事情时，只需公平氛围便能够影响其知识分享意愿，无需外部激励的参与；而当用户的乐趣处于中等水平时，分享文化与外部动机都能影响知识分享意愿，其中低水平的互惠会导致用户知识分享意愿的大幅降低；在用户乐趣水平较低时，知识分享意愿同时受到分享文化与外部动机的影响。
研究发现，在相对重要性方面，内部动机的相对重要性较高，其次是分享文化。知识分享自我效能感、经济回报与人格特质的相对重要性较低。
图2. 影响知识分享意愿的环境因素与个体因素的相对重要性
该研究首次尝试采用机器学习的方法研究知识分享领域中环境与个体因素的联合交互作用，发现了动机拥挤效应对用户知识分享的影响取决于用户享受知识分享的程度，丰富了对知识分享情境下动机理论的理解。此外，该研究有助于社交问答社区管理者维持与发展问答社区用户的活跃度。
该研究成果已发表于International Journal of Human–Computer Interaction (IF = 4.920, JCR Q1)。上海师范大学心理学系博士蔡杨为论文的第一作者，石文典教授为论文的通讯作者。
论文信息：
Cai, Y., Yang, Y., & Shi, W. (2022). A predictive model of the knowledge-sharing intentions of social Q&A community members: A regression tree approach. International Journal of Human–Computer Interaction, 38(4), 324-338. https://doi.org/10.1080/10447318.2021.1938393