是什么让创作者参与在线批评?理解创作阶段、社区评论特征及其相互作用的作用

创意协作与反馈系统众包任务设计与质量控制用户研究方法(访谈、调查、观察)游戏开发者与设计师内容创作者(YouTuber、Podcaster)视觉艺术家与设计师

文献标题

What Makes Creators Engage with Online Critiques? Understanding the Role of Artifacts’ Creation Stage, Characteristics of Community Comments, and their Interactions

文献信息

  • 主题领域: 在线评论社区(OCCs)中的创作者参与行为研究
  • 关键词: 在线评论社区, 行为参与, 情感参与, 认知参与, 创作阶段, 社区反馈特征

研究背景与问题

  • 发现的问题或挑战:

    • 在在线评论社区中,创作者对收到的反馈评论的行为、情感、认知参与水平直接影响其技能提升。但现有研究缺乏全面的数据驱动分析,无法充分理解创作者在创作阶段和评论特征影响下的不同参与反应。
    • 不同创作阶段的创作者可能对反馈的期待和接受机制不同,例如,进行中的作品创作者可能需要及时且明确的改进建议,而已完成作品的创作者可能更关注对作品的认可或小范围改进建议。
    • 过去的研究多通过小规模经验方法分析,而缺乏大规模数据支持的定量研究。
  • 重要性:

    • 理解创作者对反馈的响应行为对于帮助创作者改进艺术作品及其创造性技能具有重要意义。
    • 这些见解有助于在线社区优化设计,为创作者提供更有针对性的技术支持和反馈指导。
  • 研究动机与相关工作:

    • 研究结合了定性和定量方法,拓展了关于创作者如何在不同创作阶段响应反馈,以及何种反馈特征能有效提升创作者参与程度的理解。
    • 通过长时间跨度的OCC数据分析,探讨适配创作阶段和反馈特征的评论以促进创作者参与的最佳方法。

解决方案

  • 提出的方案:

    • 建模创作者对反馈的三维度参与行为:行为参与、表现的情感参与以及表现的认知参与。
    • 通过深度学习技术,自动分类目标作品的创作阶段("进行中"或"已完成"),并提取反馈特征(如具体性、可操作性、理由支撑、情感倾向),结合回归建模分析各因素对创作者参与水平的影响。
  • 创新之处:

    • 提出了基于大规模OCC评论数据的深度学习模型,用于预测创作阶段和定量化反馈特征。
    • 首次系统地分析了创作阶段与反馈特征及其交互作用对创作者参与行为的影响。
    • 引入了行动可操作性、具体性、评论延迟等反馈特征指标,为OCC评论研究提供了新的度量维度。
  • 实施步骤与关键技术:

    1. 数据收集与处理:
      • 从Reddit的四个与视觉艺术相关的OCC中收集五年数据,包括帖子、评论及创作者回复,总计81,346个帖子、312,437条评论和125,333条回复。
    2. 参与行为建模:
      • 使用VADER工具分析创作者情感参与。
      • 开发基于BERT的深度学习模型预测创作者认知参与水平,同时测量行为参与(是否回复评论)。
    3. 创作阶段分类:
      • 基于post文本信息,通过深度学习模型(包括BERT和增强版BERT)精准分类目标作品为"进行中"或"已完成"。
    4. 定量回归分析:
      • 构建三组回归模型,评估创作阶段、反馈特征及其交互对行为、情感和认知参与的影响。

研究成果

  • 具体成果:

    • 行为参与: 与"已完成"作品相比,分享"进行中"作品的创作者表现出较低的行为参与,但会在高度具体化的反馈下展现相对更大的响应概率。
    • 情感参与: "进行中"作品的创作者倾向表现出较负面的情感反应,但针对具体性更强的反馈有更积极的感情参与。
    • 认知参与:
      • "进行中"作品的创作者在认知参与水平上普遍更高。
      • 对于"完成"作品的创作者,更高的反馈具体性和有理有据的反馈显著提高认知参与。
  • 与现有解决方案的优势:

    • 提供了基于大规模数据的定量视角,克服了现有小样本定性研究的局限。
    • 综合考虑了创作阶段及反馈特征的交互,提出了实际的OCC改进建议。
  • 实验与评估结果:

    • 回归分析结果表明,不同创作阶段和反馈特征间的交互作用显著影响创作者的参与行为和参与模式。
    • 使用深度学习技术的模型准确率在测试集中达到0.87。
  • 局限性与未来方向:

    1. 目前的研究焦点基于艺术类社区,未来可扩展到其他类型的OCC,如写作、音乐和舞蹈领域。
    2. 对创作者参与行为的测量主要基于公开表现,存在与实际行为涉及的潜在差异。
    3. 有必要进行因果实验和深入访谈,以更好地解释影响机制。
    4. 未来可探索创作者历史帖子对其交互行为的长期影响,并进一步提高模型对“执行后行为”的预测能力。

从该研究中可以看出,为适配创作者的创作阶段提供个性化支持,并精准提升创作者参与水平,对在线社区的发展至关重要。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/95701/2023

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://doi.org/10.1145/3544548.3581054
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2023
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
创意协作与反馈系统、众包任务设计与质量控制、用户研究方法(访谈、调查、观察)
work
职业/产业
游戏开发者与设计师、内容创作者(YouTuber、Podcaster)、视觉艺术家与设计师
article
内容状态
已索引正文
hub
相关论文
0 篇相关论文